| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 目的及意义 | 第12-13页 |
| 1.2 研究现状综述 | 第13-15页 |
| 1.3 研究思路和行文框架 | 第15-18页 |
| 1.3.1 研究思路 | 第15-16页 |
| 1.3.2 论文结构 | 第16-18页 |
| 第二章 相关理论概述 | 第18-24页 |
| 2.1 金融时间序列 | 第18页 |
| 2.2 多因子选股模型 | 第18-21页 |
| 2.2.1 回归法 | 第19-20页 |
| 2.2.2 打分法 | 第20-21页 |
| 2.2.3 分类法 | 第21页 |
| 2.3 RNN递归神经网络 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 RNN-ACT模型与奇异点的有意义片段检测 | 第24-34页 |
| 3.1 RNN-ACT模型 | 第24-28页 |
| 3.1.1 RNN-ACT结构 | 第24-27页 |
| 3.1.2 RNN-ACT算法 | 第27-28页 |
| 3.1.3 RNN-ACT模型优点 | 第28页 |
| 3.2 奇异点的有意义片段检测 | 第28-32页 |
| 3.2.1 奇异点的定义 | 第28-29页 |
| 3.2.2 相对奇异点的定义 | 第29页 |
| 3.2.3 奇异点的有意义片段检测的意义 | 第29页 |
| 3.2.4 短期趋势的定义与检测 | 第29-30页 |
| 3.2.5 反转形态定义与检测 | 第30-31页 |
| 3.2.6 奇异点有意义片段检测 | 第31-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 多因子模型构建与实证分析 | 第34-52页 |
| 4.1 理论模型构建 | 第34-36页 |
| 4.2 数据预处理与因子筛选 | 第36-39页 |
| 4.2.1 数据准备 | 第36页 |
| 4.2.2 数据结构 | 第36-37页 |
| 4.2.3 候选因子的选取 | 第37-38页 |
| 4.2.4 数据预处理 | 第38-39页 |
| 4.2.5 因子有效性检验及筛选 | 第39页 |
| 4.3 模型参数设置 | 第39-41页 |
| 4.4 模型结果分析 | 第41-46页 |
| 4.4.1 学习性能 | 第41-42页 |
| 4.4.2 收益对比 | 第42-43页 |
| 4.4.3 不同分位数比较 | 第43-45页 |
| 4.4.4 离线学习模型的对比分析 | 第45-46页 |
| 4.5 模型参数优化 | 第46-47页 |
| 4.5.1 RNN-ACT参数优化 | 第46页 |
| 4.5.2 训练窗口参数优化 | 第46-47页 |
| 4.6 模型的拓展与优化 | 第47-50页 |
| 4.6.1 基于奇异点模型的仓位管理 | 第48页 |
| 4.6.2 奇异点模型有效性检验 | 第48-50页 |
| 4.7 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-56页 |
| 5.1 研究总结 | 第52-53页 |
| 5.2 论文工作 | 第53页 |
| 5.3 未来展望 | 第53-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 附录 攻读硕士期间的研究成果 | 第62-64页 |
| 附录1 候选因子列表 | 第64-66页 |
| 附录2 因子IC绝对值大于2%的因子列表 | 第66-68页 |
| 附录3 因子t检验结果 | 第68-70页 |
| 附录4 最终因子筛选结果 | 第70-71页 |