| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-14页 |
| 1.2 本文的研究内容及主要贡献 | 第14页 |
| 1.3 本文的结构安排 | 第14-17页 |
| 第二章 金融数据分析方法 | 第17-23页 |
| 2.1 传统的统计学分析方法 | 第17-18页 |
| 2.2 基于预测的分析方法 | 第18-20页 |
| 2.3 基于强化学习的分析方法 | 第20-23页 |
| 第三章 基于深度学习的金融时间序列预测 | 第23-33页 |
| 3.1 堆叠去噪自编码 | 第23-25页 |
| 3.1.1 自编码 | 第23-24页 |
| 3.1.2 堆叠去噪自编码 | 第24-25页 |
| 3.2 长短期记忆神经网络(Long Short-Term Memory,LSTM) | 第25-27页 |
| 3.2.1 循环神经网络 | 第25-26页 |
| 3.2.2 长短期记忆神经网络 | 第26-27页 |
| 3.3 基于深度学习的金融时间序列预测模型 | 第27页 |
| 3.4 实证分析 | 第27-33页 |
| 3.4.1 实验数据及实验设计 | 第27-30页 |
| 3.4.2 衡量指标 | 第30页 |
| 3.4.3 实验结果 | 第30-33页 |
| 第四章 基于深度学习和强化学习的金融交易系统 | 第33-43页 |
| 4.1 直接强化学习交易框架 | 第33-35页 |
| 4.2 循环强化学习算法 | 第35页 |
| 4.3 性能函数 | 第35-37页 |
| 4.3.1 可微的夏普比率 | 第35-36页 |
| 4.3.2 可微的索尼提比率 | 第36-37页 |
| 4.4 基于深度学习和强化学习的金融交易系统 | 第37-38页 |
| 4.5 实证分析 | 第38-43页 |
| 4.5.1 实验数据 | 第38-39页 |
| 4.5.2 实验设计 | 第39-40页 |
| 4.5.3 实验结果 | 第40-43页 |
| 第五章 结论与展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-51页 |
| 在读期间发表的学术论文与取得的研究成果 | 第51页 |