基于深度残差网络的股票价格趋势预测模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 研究现状与应用场景 | 第14-18页 |
| 1.2.1 线性模型 | 第15-16页 |
| 1.2.2 支持向量机SVM | 第16页 |
| 1.2.3 人工神经网络ANN | 第16-17页 |
| 1.2.4 递归神经网络RNN | 第17-18页 |
| 1.2.5 卷积神经网络CNN | 第18页 |
| 1.3 本文的研究方向及内容安排 | 第18-22页 |
| 1.3.1 论文目标 | 第18-19页 |
| 1.3.2 论文创新点 | 第19页 |
| 1.3.3 论文内容安排 | 第19-22页 |
| 第二章 基本理论 | 第22-36页 |
| 2.1 SVM | 第22-23页 |
| 2.2 DNN | 第23-27页 |
| 2.2.1 感知机 | 第23-24页 |
| 2.2.2 多层感知机(MLP) | 第24-25页 |
| 2.2.3 反向传播算法(BP) | 第25页 |
| 2.2.4 梯度下降算法(GD) | 第25-27页 |
| 2.3 CNN | 第27-29页 |
| 2.3.1 CNN网络结构 | 第27-28页 |
| 2.3.2 CNN进行分类 | 第28-29页 |
| 2.4 ResNet | 第29-34页 |
| 2.4.1 残差学习 | 第30-31页 |
| 2.4.2 快捷连接 | 第31-32页 |
| 2.4.3 Bottleneck残差模块 | 第32-33页 |
| 2.4.4 批标准化处理 | 第33-34页 |
| 2.5 股票T+0策略 | 第34-36页 |
| 第三章 股票预测流程 | 第36-58页 |
| 3.1 股票预测框架 | 第36-38页 |
| 3.2 数据获取和清洗 | 第38-39页 |
| 3.3 数据预处理 | 第39-41页 |
| 3.3.1 数据清理 | 第40页 |
| 3.3.2 归一化处理 | 第40-41页 |
| 3.4 提取特征值 | 第41-45页 |
| 3.4.1 线性特征 | 第42页 |
| 3.4.2 量价指标 | 第42页 |
| 3.4.3 技术指标特征 | 第42-43页 |
| 3.4.4 图形特征 | 第43-45页 |
| 3.5 提取涨跌标签 | 第45-49页 |
| 3.5.1 不平衡分类问题 | 第45-46页 |
| 3.5.2 设定类别阈值 | 第46-47页 |
| 3.5.3 样本集划分 | 第47-49页 |
| 3.6 预测模型 | 第49-56页 |
| 3.6.1 SVM | 第49-50页 |
| 3.6.2 DNN | 第50页 |
| 3.6.3 CNN | 第50-53页 |
| 3.6.4 ResNet | 第53-56页 |
| 3.7 股票T+O交易策略 | 第56-58页 |
| 第四章 实验结果与分析 | 第58-80页 |
| 4.1 实验数据及环境设置 | 第58-60页 |
| 4.2 ResNet模型参数敏感性分析 | 第60-66页 |
| 4.2.1 评价指标 | 第61页 |
| 4.2.2 网络层数 | 第61-62页 |
| 4.2.3 学习率 | 第62-64页 |
| 4.2.4 批量大小 | 第64-65页 |
| 4.2.5 小结 | 第65-66页 |
| 4.3 与其他论文中模型进行对比 | 第66-67页 |
| 4.4 与深度学习模型对比 | 第67-72页 |
| 4.4.1 准确率(ACC) | 第67-69页 |
| 4.4.2 召回率(Recall) | 第69-70页 |
| 4.4.3 F1值 | 第70-71页 |
| 4.4.4 特异性(TNR) | 第71-72页 |
| 4.4.5 小结 | 第72页 |
| 4.5 交易策略进行回测 | 第72-78页 |
| 4.5.1 策略评价指标 | 第73-74页 |
| 4.5.2 实验结果 | 第74-78页 |
| 4.6 本章小结 | 第78-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 主要工作的总结 | 第80-81页 |
| 5.2 后续工作的展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88页 |
