| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 股票预测的理论基础 | 第13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 基本面分析 | 第13-14页 |
| 1.3.2 技术分析 | 第14-15页 |
| 1.3.3 量化分析 | 第15-17页 |
| 1.4 目前股票市场预测中存在的问题 | 第17页 |
| 1.5 创新点及论文结构 | 第17-20页 |
| 1.5.1 本文创新 | 第17-18页 |
| 1.5.2 研究内容 | 第18-20页 |
| 1.6 技术路线 | 第20-21页 |
| 2 混合去噪基础理论介绍 | 第21-26页 |
| 2.1 小波理论的发展 | 第21页 |
| 2.2 小波变换 | 第21-22页 |
| 2.3 多分辨率分析及信号的分解重构 | 第22-23页 |
| 2.3.1 多分辨率分析 | 第22-23页 |
| 2.3.2 多分辨率分析的信号分解及重构原理 | 第23页 |
| 2.4 小波降噪的原理及阈值选取 | 第23-24页 |
| 2.5 偏微分方程去噪的发展 | 第24-26页 |
| 3 神经网络基础理论介绍 | 第26-36页 |
| 3.1 神经网络的理论发展 | 第26页 |
| 3.2 BP神经网络 | 第26-27页 |
| 3.3 BP神经网络算法 | 第27-30页 |
| 3.4 GRNN神经网络 | 第30-34页 |
| 3.4.1 GRNN神经网络的发展 | 第30-31页 |
| 3.4.2 GRNN神经网络 | 第31-33页 |
| 3.4.3 GRNN神经网络相对BP神经网络的优点 | 第33-34页 |
| 3.5 动态神经网络 | 第34-36页 |
| 4 几种改进的混合预测模型的建立 | 第36-42页 |
| 4.1 两种数据处理模型的建立 | 第36-38页 |
| 4.2 两种预测模型的建立 | 第38-39页 |
| 4.3 几种改进的混合预测模型 | 第39-42页 |
| 4.3.1 小波去噪BP—DNN混合预测模型 | 第40页 |
| 4.3.2 小波去噪GRNN—DNN混合预测模型 | 第40页 |
| 4.3.3 小波与偏微分方程去噪BP—DNN混合预测模型 | 第40页 |
| 4.3.4 小波与偏微分方程去噪GRNN—DNN混合预测模型 | 第40-42页 |
| 5 实证分析 | 第42-57页 |
| 5.1 数据的提取和去噪 | 第42-45页 |
| 5.1.1 数据的小波去噪 | 第42-43页 |
| 5.1.2 数据的小波与偏微分方程去噪 | 第43-45页 |
| 5.2 各种模型对沪深300指数的预测 | 第45-53页 |
| 5.2.1 BP—DNN模型数对沪深300指数的预测 | 第46-52页 |
| 5.2.2 GRNN—DNN模型对沪深300指数的预测 | 第52-53页 |
| 5.3 结果对比 | 第53-57页 |
| 5.3.1 预测效果对比 | 第53-54页 |
| 5.3.2 预测效果图形对比 | 第54-56页 |
| 5.3.3 去噪数据图形对比 | 第56-57页 |
| 6 总结与展望 | 第57-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
