利用多任务特征交互的股票波动预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 课题的研究背景 | 第10-11页 |
| 1.1.2 课题的研究目的及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 多源数据融合 | 第11-12页 |
| 1.2.2 基于舆情分析的股市波动预测 | 第12-16页 |
| 1.3 课题研究工作及系统框架 | 第16-17页 |
| 1.3.1 课题研究工作 | 第16页 |
| 1.3.2 系统整体框架 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 1.5 本章总结 | 第18-20页 |
| 第二章 相关技术 | 第20-28页 |
| 2.1 特征交互 | 第20-21页 |
| 2.2 张量基础 | 第21-24页 |
| 2.3 时间序列网络 | 第24-26页 |
| 2.4 本章总结 | 第26-28页 |
| 第三章 股票关联性挖掘 | 第28-38页 |
| 3.1 基于特征交互的关联挖掘 | 第28-32页 |
| 3.1.1 设计思想 | 第28-30页 |
| 3.1.2 基于特征交互的关联挖掘的实现 | 第30-32页 |
| 3.2 其他三种关联挖掘方法 | 第32-33页 |
| 3.2.1 基于历史波动趋势的关联挖掘 | 第32页 |
| 3.2.2 基于Pearson相关分析的关联挖掘 | 第32-33页 |
| 3.2.3 基于社交媒体共现分析的关联挖掘 | 第33页 |
| 3.3 实验结果分析 | 第33-35页 |
| 3.4 本章总结 | 第35-38页 |
| 第四章 基于张量的多源异构数据融合 | 第38-46页 |
| 4.1 基于结构化词概念聚类的事件提取 | 第38-41页 |
| 4.2 基于影响力衰退的情感计算 | 第41-44页 |
| 4.3 基于张量的数据融合 | 第44-45页 |
| 4.4 本章总结 | 第45-46页 |
| 第五章 基于张量的股票波动预测模型 | 第46-58页 |
| 5.1 子模式协同算法设计与实现(SMC) | 第46-49页 |
| 5.2 基于张量的股票波动预测时序模型 | 第49-50页 |
| 5.3 模型性能评估 | 第50-57页 |
| 5.3.1 数据获取及描述 | 第51-52页 |
| 5.3.2 实验设置及评价指标 | 第52-53页 |
| 5.3.3 对比算法 | 第53-55页 |
| 5.3.4 实验结果 | 第55-57页 |
| 5.4 本章总结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58页 |
| 6.2 后续研究展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |
