| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 研究思路与研究框架 | 第10-12页 |
| 1.2.1 研究思路 | 第10-11页 |
| 1.2.2 研究框架 | 第11-12页 |
| 1.3 研究的创新点与不足之处 | 第12-14页 |
| 1.3.1 创新点 | 第12-13页 |
| 1.3.2 不足之处与展望 | 第13-14页 |
| 第2章 文献综述 | 第14-20页 |
| 2.1 传统方法预测股票市场的文献综述 | 第14-15页 |
| 2.2 神经网络预测股票市场的相关文献综述 | 第15-18页 |
| 2.3 注意力机制在神经网络领域应用的文献综述 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 模型介绍 | 第20-40页 |
| 3.1 基于多层感知机的网络模型 | 第20-24页 |
| 3.1.1 多层感知机的前向传播 | 第22页 |
| 3.1.2 多层感知机的误差反向传播 | 第22-23页 |
| 3.1.3 多层感知机的权重和偏置更新 | 第23-24页 |
| 3.1.4 本文构造的多层感知机 | 第24页 |
| 3.2 基于CNN的网络模型 | 第24-30页 |
| 3.2.1 卷积神经网络的前向传导 | 第26-27页 |
| 3.2.2 卷积神经网络的反向传导 | 第27-29页 |
| 3.2.3 本文构造的基于卷积神经网络的模型 | 第29-30页 |
| 3.3 基于RNN的递归网络模型 | 第30-32页 |
| 3.3.1 RNN输出前向传播 | 第30-31页 |
| 3.3.2 RNN误差反向传播 | 第31页 |
| 3.3.3 RNN权重及偏置更新 | 第31-32页 |
| 3.4 基于LSTM的递归神经网络模型 | 第32-35页 |
| 3.4.1 LSTM输出向前传播 | 第32-33页 |
| 3.4.2 LSTM误差反向传递 | 第33-34页 |
| 3.4.3 LSTM权重及偏置更新 | 第34-35页 |
| 3.5 基于GRU的递归神经网络模型 | 第35-37页 |
| 3.5.1 GRU输出向前传播 | 第35-36页 |
| 3.5.2 GRU误差反向传递 | 第36页 |
| 3.5.3 GRU权重和偏置的更新 | 第36-37页 |
| 3.6 基于注意力机制的递归网络模型 | 第37-38页 |
| 3.7 本章小结 | 第38-40页 |
| 第4章 实证分析 | 第40-53页 |
| 4.1 样本选取和实验设置 | 第40-41页 |
| 4.1.1 样本选取 | 第40页 |
| 4.1.2 实验设置 | 第40-41页 |
| 4.2 基本模型验证与对比 | 第41-43页 |
| 4.3 进一步研究 | 第43-52页 |
| 4.3.1 探究不同结构下基于CNN的模型的性能 | 第43-45页 |
| 4.3.2 探究不同结构下递归神经网络模型的预测性能 | 第45-50页 |
| 4.3.3 新冠疫情期间各个模型的预测表现 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 在读期间发表的学术论文与取得的研究成果 | 第59页 |
| 已发表论文 | 第59页 |
| 已发表报刊 | 第59页 |
| 已出版书籍 | 第59页 |