| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-18页 |
| 1.1.1 研究背景 | 第16-17页 |
| 1.1.2 研究意义 | 第17-18页 |
| 1.2 文献综述 | 第18-21页 |
| 1.3 本文研究内容与方法 | 第21-22页 |
| 1.3.1 研究内容 | 第21页 |
| 1.3.2 研究方法 | 第21-22页 |
| 1.4 论文创新点与不足 | 第22-23页 |
| 1.4.1 创新点 | 第22页 |
| 1.4.2 论文不足 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 2 相关概念与理论基础 | 第24-36页 |
| 2.1 股票预测分析基本理论 | 第24-26页 |
| 2.1.1 股票预测的理论基础 | 第24-25页 |
| 2.1.2 股价预测面临的问题 | 第25-26页 |
| 2.2 神经网络 | 第26-32页 |
| 2.2.1 生物神经元与人工神经元 | 第26-27页 |
| 2.2.2 BP神经网络概述 | 第27-28页 |
| 2.2.3 神经网络激活函数 | 第28-29页 |
| 2.2.4 神经网络拓扑结构 | 第29-31页 |
| 2.2.5 BP神经网络算法的优缺点 | 第31-32页 |
| 2.3 遗传算法 | 第32-35页 |
| 2.3.1 遗传算法的基本原理 | 第32-33页 |
| 2.3.2 遗传算法的基本流程 | 第33-35页 |
| 2.3.3 遗传算法的优缺点 | 第35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于PCA-GA-BPNN股价预测模型 | 第36-52页 |
| 3.1 样本数据的选取和预处理 | 第36-42页 |
| 3.1.1 样本数据的选取 | 第36-37页 |
| 3.1.2 样本数据的预处理 | 第37-42页 |
| 3.2 BP神经网络的初始化 | 第42-47页 |
| 3.2.1 BP神经网络结构的确定 | 第42-43页 |
| 3.2.2 BP神经网络参数的确定 | 第43页 |
| 3.2.3 BP神经网络算法流程 | 第43-47页 |
| 3.3 遗传算法优化神经网络 | 第47-51页 |
| 3.3.1 遗传算法优化神经网络的结构 | 第47页 |
| 3.3.2 遗传算法优化神经网络的权值 | 第47-49页 |
| 3.3.3 基于PCA-GA-BPNN股价预测模型 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 PCA-GA-BPNN模型在股价预测中的运用及其评价 | 第52-65页 |
| 4.1 评价标准 | 第52-53页 |
| 4.1.1 预测值与实际值的误差 | 第52页 |
| 4.1.2 涨跌研判的准确率 | 第52-53页 |
| 4.2 不同网络模型仿真结果比较 | 第53-61页 |
| 4.2.1 BP网络模型 | 第54-55页 |
| 4.2.2 PCA-BP网络模型 | 第55-56页 |
| 4.2.3 GA-BP网络模型 | 第56-57页 |
| 4.2.4 PCA-GA-BP网络模型 | 第57-58页 |
| 4.2.5 几种模型预测结果与实际结果比较 | 第58-61页 |
| 4.3 本文模型和其它模型结果比较 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 5 总结与展望 | 第65-68页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 附录 | 第71-91页 |