| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章、绪论 | 第16-24页 |
| 1.1、课题来源 | 第16页 |
| 1.2、选题背景及意义 | 第16-19页 |
| 1.3、预期难点与创新 | 第19-20页 |
| 1.4、研究内容与思路 | 第20-23页 |
| 1.5、本章小结 | 第23-24页 |
| 第二章、相关理论及模型概述 | 第24-44页 |
| 2.1、国内外研究现状 | 第24-32页 |
| 2.1.1、大数据风控 | 第24-27页 |
| 2.1.2、资金预测定性分析 | 第27-28页 |
| 2.1.3、资金预测定量分析 | 第28-32页 |
| 2.2、余额宝预测模型整体描述 | 第32-43页 |
| 2.2.1、余额宝数据集分析 | 第32-41页 |
| 2.2.2、影响投资者申赎因素分析 | 第41页 |
| 2.2.3、余额宝资金预测模型描述 | 第41-43页 |
| 2.3、本章小结 | 第43-44页 |
| 第三章、面向时序关系的YEB_ARIMA | 第44-68页 |
| 3.1、余额宝申赎量时间序列分析 | 第44-48页 |
| 3.1.1、时间序列定义 | 第44-46页 |
| 3.1.2、线性时间序列模型的选择 | 第46-48页 |
| 3.2、YEB_ARIMA预测模型描述 | 第48-57页 |
| 3.2.1、YEB_ARIMA模型定义与原理 | 第49-50页 |
| 3.2.2、YEB_ARIMA模型建立过程 | 第50-57页 |
| 3.3、YEB_ARIMA建模结果 | 第57-67页 |
| 3.4、本章小结 | 第67-68页 |
| 第四章、面向网络特性的YEB_LSTM | 第68-84页 |
| 4.1、YEB_LSTM预测模型描述 | 第68-72页 |
| 4.2、YEB_LSTM网络设计 | 第72-79页 |
| 4.2.1、网络参数选择 | 第73-74页 |
| 4.2.2、余额宝数据预处理 | 第74-75页 |
| 4.2.3、模型特征抽取 | 第75-78页 |
| 4.2.4、网络结构设计 | 第78-79页 |
| 4.3、YEB_LSTM建模结果 | 第79-83页 |
| 4.4、本章小结 | 第83-84页 |
| 第五章、模型评估与优化 | 第84-103页 |
| 5.1、YEB_Hybrid集成预测模型 | 第84-89页 |
| 5.1.1、YEB_Hybrid模型描述 | 第84-86页 |
| 5.1.2、YEB_Hybrid建模结果 | 第86-89页 |
| 5.2、模型评估方法介绍 | 第89-92页 |
| 5.2.1、残差噪声特性检验 | 第90页 |
| 5.2.2、Ljung-BoxQ-test相关性检验 | 第90-91页 |
| 5.2.3、误差计算指标 | 第91-92页 |
| 5.3、模型评估与优化 | 第92-101页 |
| 5.3.1、YEB_ARIMA模型评价与优化 | 第92-95页 |
| 5.3.2、YEB_LSTM模型评价与优化 | 第95-98页 |
| 5.3.3、YEB_Hybrid模型评价与优化 | 第98-101页 |
| 5.4、同类实验对比分析 | 第101-102页 |
| 5.5、本章小结 | 第102-103页 |
| 第六章、最优资金预留比例建议 | 第103-109页 |
| 6.1、资金预留比例计算方法 | 第103-105页 |
| 6.2、资金预留比例预测结果 | 第105-106页 |
| 6.3、风险控制建议 | 第106-108页 |
| 6.4、本章小结 | 第108-109页 |
| 第七章、结论与展望 | 第109-112页 |
| 7.1、结论 | 第109-111页 |
| 7.2、展望 | 第111-112页 |
| 致谢 | 第112-113页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第113-114页 |
| 作者在攻读硕士学位期间所作的项目 | 第114-115页 |
| 参考文献 | 第115-119页 |