| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 研究现状概述 | 第15-19页 |
| 1.2.1 量化金融 | 第15-17页 |
| 1.2.2 深度学习 | 第17-18页 |
| 1.2.3 基于深度学习的量化金融 | 第18-19页 |
| 1.3 研究内容与创新点 | 第19-20页 |
| 1.4 研究思路 | 第20-21页 |
| 1.5 论文结构 | 第21-22页 |
| 第二章 研究现状 | 第22-28页 |
| 2.1 股票Alpha因子挖掘 | 第22-24页 |
| 2.2 深度学习的股票时间序列预测 | 第24-26页 |
| 2.3 Alpha策略 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 特征工程 | 第28-38页 |
| 3.1 预处理 | 第28-32页 |
| 3.1.1 数据描述 | 第28-29页 |
| 3.1.2 数据复权 | 第29页 |
| 3.1.3 异常值处理 | 第29-30页 |
| 3.1.4 缺失值处理 | 第30-32页 |
| 3.2 市场特征 | 第32-35页 |
| 3.2.1 WorldQuant Alpha 101因子 | 第32-34页 |
| 3.2.2 技术指标 | 第34-35页 |
| 3.3 机器特征 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 自编码器股票Alpha因子挖掘模型 | 第38-44页 |
| 4.1 稀疏自编码因子挖掘模型 | 第38-39页 |
| 4.2 除噪自编码因子挖掘模型 | 第39-40页 |
| 4.3 除噪-稀疏混合自编码因子挖掘模型 | 第40-41页 |
| 4.4 栈式混合自编码因子挖掘模型 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 自编码器股票Alpha因子挖掘模型实验结果 | 第44-54页 |
| 5.1 实验数据与参数 | 第44-45页 |
| 5.2 实验结果与分析 | 第45-53页 |
| 5.2.1 评估指标 | 第45-46页 |
| 5.2.2 实验结果 | 第46-53页 |
| 5.2.3 实验结论 | 第53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 受控成本LSTM股票Alpha预测模型 | 第54-61页 |
| 6.1 模型描述 | 第54-57页 |
| 6.2 模型结构 | 第57-60页 |
| 6.3 本章小结 | 第60-61页 |
| 第七章 受控成本LSTM股票Alpha预测模型实验结果 | 第61-77页 |
| 7.1 实验数据与参数 | 第61-62页 |
| 7.2 回归分析 | 第62-64页 |
| 7.2.1 评估指标 | 第62页 |
| 7.2.2 实验结果 | 第62-64页 |
| 7.3 量化回测 | 第64-75页 |
| 7.3.1 评估指标 | 第64-65页 |
| 7.3.2 实验结果 | 第65-75页 |
| 7.4 实验结论 | 第75-76页 |
| 7.5 本章小结 | 第76-77页 |
| 第八章 总结与展望 | 第77-79页 |
| 8.1 总结 | 第77页 |
| 8.2 展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 附录 | 第82-83页 |
| 硕士期间发表的论文 | 第83-84页 |
| 致谢 | 第84页 |
