| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第10-17页 |
| 1.1 选题背景与研究意义 | 第10-14页 |
| 1.1.1 选题背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-14页 |
| 1.2 研究内容 | 第14-15页 |
| 1.3 论文章节安排 | 第15-17页 |
| 第二章 文献综述 | 第17-25页 |
| 2.1 金融时间序列分析研究方法 | 第17-21页 |
| 2.2 粒子群优化算法的演进 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 基于SAPSO与QPSO的神经网络预测模型的对比分析 | 第25-44页 |
| 3.1 BP神经网络结构设计 | 第25-28页 |
| 3.2 粒子群优化算法 | 第28-30页 |
| 3.3 模拟退火粒子群优化算法 | 第30-33页 |
| 3.3.1 模拟退火粒子群优化算法概述 | 第30-32页 |
| 3.3.2 基于SAPSO算法的神经网络预测模型 | 第32-33页 |
| 3.4 量子行为粒子群优化算法 | 第33-40页 |
| 3.4.1 量子行为粒子群优化算法概述 | 第33-39页 |
| 3.4.2 基于QPSO算法的神经网络预测模型 | 第39-40页 |
| 3.5 基于SAPSO与QPSO的神经网络预测模型的实验对比分析 | 第40-43页 |
| 3.5.1 数据来源及步骤 | 第40-41页 |
| 3.5.2 参数设定 | 第41-42页 |
| 3.5.3 结果及分析 | 第42页 |
| 3.5.4 结论 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 程序化交易研究与分析 | 第44-51页 |
| 4.1 实验分析 | 第44-49页 |
| 4.1.1 数据来源 | 第44页 |
| 4.1.2 过程及步骤 | 第44-45页 |
| 4.1.3 分析与结论 | 第45-49页 |
| 4.2 本章小结 | 第49-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-60页 |
| 附录A | 第60-63页 |
| 附录B | 第63-65页 |
| 附录C | 第65-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士期间发表论文和参与课题 | 第68页 |