| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 选题背景 | 第15-16页 |
| 1.2 股市研究意义和目的 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.3.1 股市预测方法 | 第17-19页 |
| 1.3.2 影响力模型 | 第19页 |
| 1.4 本文特色分析与组织结构 | 第19-21页 |
| 第二章 基本理论及股价同步性 | 第21-26页 |
| 2.1 贝叶斯定理 | 第21页 |
| 2.2 贝叶斯网络 | 第21-22页 |
| 2.3 股价同步性 | 第22-25页 |
| 2.3.1 股价同步性的含义 | 第22-23页 |
| 2.3.2 股价同步性的度量方法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于影响力传动的Kuramoto股市预测模型 | 第26-40页 |
| 3.1 概述 | 第26页 |
| 3.2 Kuramoto模型 | 第26-27页 |
| 3.2.1 Kuramoto模型的概念 | 第26-27页 |
| 3.2.2 对于同步的认识 | 第27页 |
| 3.3 基于影响力传动的Kuramoto股市预测 | 第27-33页 |
| 3.3.1 收盘价涨幅 | 第28页 |
| 3.3.2 影响力 | 第28-30页 |
| 3.3.3 影响力传动因子-相对均线距离 | 第30-31页 |
| 3.3.4 股市中的Kuramoto模型形式化 | 第31-32页 |
| 3.3.5 协方差 | 第32页 |
| 3.3.6 影响力传动的Kuramoto股市预测模型 | 第32-33页 |
| 3.4 实验数据处理以及实验结果分析 | 第33-39页 |
| 3.4.1 实验环境以及数据集 | 第33页 |
| 3.4.2 K2算法学习网络结构,并进行优化 | 第33-35页 |
| 3.4.3 最优耦合强度k_c的学习 | 第35页 |
| 3.4.4 模型训练和数据预测 | 第35-38页 |
| 3.4.5 SVM模型对比实验 | 第38页 |
| 3.4.6 实验结果分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 分层次影响力的股市趋势预测模型 | 第40-56页 |
| 4.1 概述 | 第40-41页 |
| 4.2 从重要技术指标中提取影响力传动因子 | 第41-46页 |
| 4.2.1 影响力传动因子之-MACD指标 | 第41页 |
| 4.2.2 影响力传动因子之-成交量有效放量比 | 第41-42页 |
| 4.2.3 影响力传动因子之-极限宽指标 | 第42-44页 |
| 4.2.4 影响力传动因子之-移动平均线的状态组合 | 第44-46页 |
| 4.3 分层次影响力的股市趋势预测模型 | 第46-48页 |
| 4.3.1 分层次影响力 | 第46-47页 |
| 4.3.2 赋权的方法 | 第47页 |
| 4.3.3 分层次影响力的股市趋势预测模型算法步骤 | 第47-48页 |
| 4.4 实验数据处理和实验结果分析 | 第48-55页 |
| 4.4.1 从大智慧客户端上下载分时线股市交易数据 | 第48页 |
| 4.4.2 网络结构的学习 | 第48-49页 |
| 4.4.3 传动因子指标的对比及选择 | 第49-51页 |
| 4.4.4 模型训练和股市趋势预测 | 第51-54页 |
| 4.4.5 实验预测准确度对比以及实验结果分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 论文工作总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第62-63页 |
| 1) 参加的学术交流与科研项目 | 第62页 |
| 2) 发表的学术论文(含专利和软件著作权) | 第62-63页 |
