| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 预期收益的研究 | 第11-13页 |
| 1.2.2 深度学习在金融市场应用的研究 | 第13-14页 |
| 1.2.3 价格预测的研究 | 第14-15页 |
| 1.3 研究的内容与框架 | 第15页 |
| 1.4 技术线路图 | 第15-17页 |
| 第二章 LSTM神经网络建模方法 | 第17-27页 |
| 2.1 LSTM神经网络原理及结构 | 第17-19页 |
| 2.1.1 LSTM核心思想 | 第17页 |
| 2.1.2 LSTM神经网络结构 | 第17-19页 |
| 2.2 LSTM神经网络算法 | 第19-23页 |
| 2.2.1 时序反向传播算法(BPTT) | 第19-22页 |
| 2.2.2 权重梯度计算 | 第22-23页 |
| 2.3 模型设计和诊断 | 第23-27页 |
| 2.3.1 数据说明 | 第23-24页 |
| 2.3.2 单变量输入LSTM模型 | 第24页 |
| 2.3.3 多变量输入LSTM模型 | 第24-25页 |
| 2.3.4 LSTM网络结构设计及优化 | 第25-27页 |
| 第三章 基于LSTM股指及其成分股的价格预测 | 第27-38页 |
| 3.1 LSTM神经网络模型股指价格的预测 | 第27-32页 |
| 3.1.1 数据平稳性研究 | 第27-28页 |
| 3.1.2 不同参数组对股指预测的影响 | 第28-30页 |
| 3.1.3 单变量输入LSTM预测股指趋势 | 第30-31页 |
| 3.1.4 多变量输入LSTM预测股指趋势 | 第31-32页 |
| 3.2 LSTM模型预测成分股价格 | 第32-36页 |
| 3.2.1 沪深300指数成分股选取 | 第32-33页 |
| 3.2.2 成分股预测结果 | 第33-35页 |
| 3.2.3 回测交易结果 | 第35-36页 |
| 3.3 预测模型的比较分析 | 第36-38页 |
| 第四章 基于多因子模型的股票预期收益研究 | 第38-49页 |
| 4.1 多因子模型 | 第38页 |
| 4.2 基于Fama-French三因子预期收益研究 | 第38-42页 |
| 4.2.1 Fama-French三因子在A股市场上的验证 | 第39-40页 |
| 4.2.2 三因子分析 | 第40-42页 |
| 4.2.3 沪深300成分股的Fama-French三因子策略回测结果 | 第42页 |
| 4.3 基于六因子模型对A股的实证研究 | 第42-49页 |
| 4.3.1 因子选取与构建 | 第42-45页 |
| 4.3.2 fama-macbeth回归结果分析 | 第45-49页 |
| 第五章 LSTM预测与因子时效性的组合对预期收益的影响 | 第49-56页 |
| 5.1 因子的特征分析 | 第49-51页 |
| 5.2 因子的时序分析 | 第51-53页 |
| 5.3 LSTM预测与因子择时选股策略组合的实证研究 | 第53-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 6.1 主要结论及创新 | 第56-57页 |
| 6.1.1 主要结论 | 第56页 |
| 6.1.2 创新 | 第56-57页 |
| 6.2 不足之处 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 在学期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
