| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状与发展趋势 | 第11-13页 |
| 1.2.1 研究现状 | 第11-12页 |
| 1.2.2 发展趋势 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织与结构 | 第14-16页 |
| 第2章 相关技术 | 第16-34页 |
| 2.1 量化选股策略 | 第16-19页 |
| 2.1.1 量化选股策略的发展历程 | 第16-17页 |
| 2.1.2 多因子选股模型 | 第17-19页 |
| 2.2 机器学习方法 | 第19-25页 |
| 2.2.1 机器学习方法的发展历程 | 第19-20页 |
| 2.2.2 梯度提升决策树 | 第20-23页 |
| 2.2.3 域显因式分解机 | 第23-25页 |
| 2.3 深度学习方法 | 第25-32页 |
| 2.3.1 深度学习方法的发展历程 | 第25-26页 |
| 2.3.2 深度神经网络 | 第26-29页 |
| 2.3.3 序列模型 | 第29-32页 |
| 2.4 本章总结 | 第32-34页 |
| 第3章 基于GBDT与FFM融合模型的股票因子筛选方法 | 第34-44页 |
| 3.1 问题描述 | 第34页 |
| 3.2 主体思想 | 第34页 |
| 3.3 模型细节 | 第34-38页 |
| 3.3.1 GBDT模型的特征重构 | 第35-36页 |
| 3.3.2 FFM模型的输入 | 第36-37页 |
| 3.3.3 因子筛选 | 第37-38页 |
| 3.4 实验设计与结果分析 | 第38-43页 |
| 3.4.1 实验数据预处理 | 第38-39页 |
| 3.4.2 实验环境 | 第39-40页 |
| 3.4.3 实验结果与分析 | 第40-43页 |
| 3.5 本章总结 | 第43-44页 |
| 第4章 基于多因子LSTM模型的股票价格预测方法 | 第44-60页 |
| 4.1 问题描述 | 第44页 |
| 4.2 主体思想 | 第44页 |
| 4.3 模型细节 | 第44-50页 |
| 4.3.1 多因子LSTM的输入层与循环层 | 第44-46页 |
| 4.3.2 多因子LSTM模型的输出层 | 第46-47页 |
| 4.3.3 多因子LSTM模型的训练加速 | 第47-48页 |
| 4.3.4 多因子LSTM模型的训练与预测 | 第48-50页 |
| 4.4 实验与结果分析 | 第50-58页 |
| 4.4.1 实验数据 | 第51-52页 |
| 4.4.2 股票数据预处理 | 第52-53页 |
| 4.4.3 实验环境 | 第53-54页 |
| 4.4.4 实验结果与分析 | 第54-58页 |
| 4.5 本章总结 | 第58-60页 |
| 第5章 多因子股票预测系统 | 第60-68页 |
| 5.1 需求分析 | 第60页 |
| 5.2 多因子股票预测系统 | 第60-64页 |
| 5.2.1 股票数据收集与处理模块 | 第61页 |
| 5.2.2 股票因子筛选与股票价格预测模块 | 第61-63页 |
| 5.2.3 股票组合收益预测模块 | 第63-64页 |
| 5.3 系统应用与测试 | 第64-65页 |
| 5.4 本章总结 | 第65-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 本文工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第78页 |