基于组合模型的股市趋势预测方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 时间序列中模式挖掘方法的研究现状 | 第15-16页 |
| 1.2.2 金融时间序列预测的研究现状 | 第16页 |
| 1.2.3 组合模型的研究现状 | 第16-17页 |
| 1.3 本文研究内容与技术路线 | 第17-18页 |
| 1.4 论文结构 | 第18-20页 |
| 第2章 基于模式挖掘的趋势预测方法 | 第20-46页 |
| 2.1 相关技术介绍 | 第20-29页 |
| 2.1.1 时间序列分段线性表示 | 第20-23页 |
| 2.1.1.1 分段聚集近似算法 | 第21页 |
| 2.1.1.2 滑动窗口算法 | 第21页 |
| 2.1.1.3 极值点算法 | 第21-22页 |
| 2.1.1.4 自顶向下算法 | 第22-23页 |
| 2.1.1.5 自底向上算法 | 第23页 |
| 2.1.2 时间序列相似性度量方式 | 第23-28页 |
| 2.1.2.1 欧式距离 | 第24页 |
| 2.1.2.2 DTW距离 | 第24-26页 |
| 2.1.2.3 MVM距离 | 第26-28页 |
| 2.1.3 时间序列上的聚类算法 | 第28-29页 |
| 2.2 模式挖掘算法 | 第29-34页 |
| 2.2.1 子序列聚类无意义问题与解决方案 | 第29-31页 |
| 2.2.2 RPD算法 | 第31-34页 |
| 2.3 基于模式匹配的预测算法 | 第34-38页 |
| 2.4 实验与评价 | 第38-45页 |
| 2.4.1 实验数据 | 第39页 |
| 2.4.2 对照方案 | 第39-40页 |
| 2.4.2.1 随机游走模型 | 第39-40页 |
| 2.4.2.2 ARIMA模型 | 第40页 |
| 2.4.3 评估方法 | 第40-42页 |
| 2.4.4 PPEM参数对其影响 | 第42页 |
| 2.4.5 对照实验与讨论 | 第42-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 基于LSTM的趋势预测方法 | 第46-57页 |
| 3.1 RNN的基本原理 | 第46-48页 |
| 3.2 LSTM的基本结构 | 第48-49页 |
| 3.3 RNN常用的网络拓扑结构 | 第49-52页 |
| 3.4 深度学习中的相关技术 | 第52-53页 |
| 3.4.1 Dropout技术 | 第52页 |
| 3.4.2 超参数搜索技术 | 第52-53页 |
| 3.5 实验与评价 | 第53-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第4章 模型组合与评估 | 第57-65页 |
| 4.1 组合模型的基本思想 | 第57-58页 |
| 4.2 基于权重分配的线性组合模型 | 第58-59页 |
| 4.3 基于误差修正的组合模型 | 第59-60页 |
| 4.4 实验与评估 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-69页 |
| 5.1 本文工作总结 | 第65-67页 |
| 5.2 本文创新点 | 第67页 |
| 5.3 未来工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第74页 |
