| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 前言 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 文献综述 | 第9-11页 |
| 1.2.1 国内研究文献综述 | 第9-10页 |
| 1.2.2 国外研究文献综述 | 第10-11页 |
| 1.3 研究思路与方法 | 第11-12页 |
| 1.3.1 研究思路 | 第11页 |
| 1.3.2 研究方法 | 第11-12页 |
| 1.4 论文创新点 | 第12页 |
| 1.5 论文结构 | 第12-13页 |
| 第二章 量化投资与股票的相关理论 | 第13-19页 |
| 2.1 量化投资策略概述 | 第13-14页 |
| 2.1.1 量化投资的应用 | 第13页 |
| 2.1.2 量化投资的特点 | 第13-14页 |
| 2.2 传统投资与量化投资的比较 | 第14-16页 |
| 2.2.1 传统投资的缺点 | 第14-15页 |
| 2.2.2 量化投资的优点 | 第15页 |
| 2.2.3 传统策略与量化策略对比 | 第15-16页 |
| 2.3 股票价格预测常用的技术方法 | 第16-19页 |
| 2.3.1 传统分析方法 | 第16页 |
| 2.3.2 时间序列分析法 | 第16-17页 |
| 2.3.3 神经网络预测法 | 第17-18页 |
| 2.3.4 其他预测方法 | 第18-19页 |
| 第三章 股价预测的实证研究与比较 | 第19-47页 |
| 3.1 研究对象与评价标准 | 第19-22页 |
| 3.1.1 数据选取与预处理 | 第19-21页 |
| 3.1.2 研究结果评价指标 | 第21-22页 |
| 3.2 主成分分析 | 第22-28页 |
| 3.2.1 主成分分析理论概述 | 第22-24页 |
| 3.2.2 主成分分析法选取输入变量 | 第24-28页 |
| 3.3 基于ARIMA-GARCH模型的股价预测分析 | 第28-35页 |
| 3.4 基于BP神经网络模型的股价预测分析 | 第35-47页 |
| 3.4.1 神经网络简介 | 第35-40页 |
| 3.4.2 BP神经网络在量化投资中的应用 | 第40-41页 |
| 3.4.3 基于BP神经网络的股价预测 | 第41-47页 |
| 第四章 基于遗传算法优化的神经网络 | 第47-55页 |
| 4.1 遗传算法原理与特点 | 第47-48页 |
| 4.1.1 遗传算法原理简介 | 第47-48页 |
| 4.1.2 遗传算法的特点 | 第48页 |
| 4.2 基于遗传算法优化的神经网络 | 第48-49页 |
| 4.2.1 遗传算法在神经网络中的应用 | 第48-49页 |
| 4.2.2 遗传算法优化BP神经网络的算法流程 | 第49页 |
| 4.3 基于遗传算法优化的神经网络对股价的预测分析 | 第49-52页 |
| 4.4 模型对比分析 | 第52-55页 |
| 第五章 总结与展望 | 第55-56页 |
| 5.1 全文总结 | 第55页 |
| 5.2 不足与展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 附录1 主成分分析 | 第58-59页 |
| 附录2 时间序列分析 | 第59-61页 |
| 附录3 神经网络建模 | 第61-63页 |
| 附录4 遗传算法优化的神经网络 | 第63-67页 |
| 致谢 | 第67-68页 |