| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 机器学习及其研究现状 | 第9-13页 |
| 1.2.1 机器学习的发展 | 第9页 |
| 1.2.2 机器学习主要算法 | 第9-12页 |
| 1.2.3 机器学习在证券数据研究中的应用 | 第12-13页 |
| 1.3 论文主要工作与安排 | 第13-15页 |
| 第二章 证券历史数据预处理 | 第15-30页 |
| 2.1 数据获取 | 第15-17页 |
| 2.1.1 Tushare | 第15-16页 |
| 2.1.2 数据下载 | 第16-17页 |
| 2.2 证券多周期历史数据计算 | 第17-22页 |
| 2.3 证券数据技术指标计算 | 第22-24页 |
| 2.4 证券数据标签制作 | 第24-30页 |
| 2.4.1 证券数据趋势分类 | 第24-28页 |
| 2.4.2 证券数据趋势续航力 | 第28页 |
| 2.4.3 证券数据趋势强度 | 第28-30页 |
| 第三章 建立机器学习模型 | 第30-54页 |
| 3.1 Keras | 第30-31页 |
| 3.1.1 Keras简介 | 第30页 |
| 3.1.2 Keras环境搭建 | 第30-31页 |
| 3.2 输入数据的归一化 | 第31-32页 |
| 3.2.1 数据归一化的作用 | 第31-32页 |
| 3.2.2 输入数据归一化 | 第32页 |
| 3.3 卷积神经网络提取证券数据趋势特征 | 第32-47页 |
| 3.3.1 卷积神经网络模型 | 第32-34页 |
| 3.3.2 SDNet模型 | 第34-37页 |
| 3.3.3 SDNet模型提取趋势二分类特征 | 第37-41页 |
| 3.3.4 SDNet模型提取趋势四分类特征 | 第41-44页 |
| 3.3.5 SDNet模型与回归结合的多任务模型 | 第44-47页 |
| 3.4 长短期记忆网络提取证券数据趋势特征 | 第47-54页 |
| 3.4.1 长短期记忆网络 | 第47-48页 |
| 3.4.2 SDLSTM模型 | 第48-49页 |
| 3.4.3 SDLSTM模型提取趋势二分类特征 | 第49-51页 |
| 3.4.4 SDLSTM模型提取趋征四分类特征 | 第51-52页 |
| 3.4.5 SDLSTM模型与回归结合的多任务模型 | 第52-54页 |
| 第四章 回溯测试 | 第54-62页 |
| 4.1 回溯测试概述 | 第54页 |
| 4.2 模型回测结果 | 第54-60页 |
| 4.2.1 SDNet模型回测结果 | 第55-58页 |
| 4.2.2 SDLSTM模型回测结果 | 第58-60页 |
| 4.3 结果分析 | 第60-62页 |
| 第五章 文章总结与展望 | 第62-63页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者在读期间科研成果简介 | 第66-67页 |
| 致谢 | 第67页 |