| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-15页 |
| 1.1 选题依据与研究意义 | 第9-10页 |
| 1.1.1 选题依据 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外相关研究文献综述 | 第10-13页 |
| 1.2.1 国内市场有效性的研究现状 | 第10-11页 |
| 1.2.2 数据挖掘技术在金融市场中应用的研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文研究方法和创新点 | 第14-15页 |
| 1.4.1 研究方法 | 第14页 |
| 1.4.2 本文创新点 | 第14-15页 |
| 2 相关理论 | 第15-29页 |
| 2.1 量化择时理论 | 第15-16页 |
| 2.2 市场有效理论 | 第16-17页 |
| 2.2.1 有效市场理论 | 第16页 |
| 2.2.2 ADF单位根检验法 | 第16-17页 |
| 2.3 支持向量机 | 第17-19页 |
| 2.4 人工神经网络 | 第19-25页 |
| 2.4.1 人工神经元 | 第19-20页 |
| 2.4.2 神经网络 | 第20-22页 |
| 2.4.3 多层感知器 | 第22-23页 |
| 2.4.4 反向传导算法 | 第23-25页 |
| 2.5 深度学习理论 | 第25-29页 |
| 2.5.1 深度学习概述 | 第25-26页 |
| 2.5.2 深度学习的基本思想 | 第26页 |
| 2.5.3 深度学习算法 | 第26-29页 |
| 3 基于深度学习的量化择时策略的构建 | 第29-32页 |
| 3.1 模型的构建思路 | 第29-30页 |
| 3.2 模型中指标的选取 | 第30页 |
| 3.3 模型评价指标 | 第30-32页 |
| 4 深度学习在量化择时中的实证分析 | 第32-48页 |
| 4.1 数据描述性统计与检验 | 第32-37页 |
| 4.1.1 数据描述性统计 | 第32-36页 |
| 4.1.2 运用ADF单位根检验市场的有效性 | 第36-37页 |
| 4.2 模型的实证分析 | 第37-39页 |
| 4.3 基于深度学习的沪深300指数量化择时策略分析 | 第39-48页 |
| 5 结论与建议 | 第48-50页 |
| 5.1 基于深度学习的择时策略能具有较高的推广能力 | 第48页 |
| 5.2 未来研究展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 附录 R程序 | 第53-55页 |
| 后记 | 第55页 |
