| 中文摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 人工智能简介 | 第15-17页 |
| 1.3 研究目的和意义 | 第17页 |
| 1.4 文献综述 | 第17-18页 |
| 1.5 本文思路 | 第18-19页 |
| 1.6 论文创新点 | 第19页 |
| 第二章 人工智能选股基础理论 | 第19-22页 |
| 2.1 量化投资基础理论 | 第19-20页 |
| 2.2 资本资产定价模型 | 第20-21页 |
| 2.3 多因素模型 | 第21-22页 |
| 第三章 数据收集及预处理 | 第22-36页 |
| 3.1 股票池 | 第22页 |
| 3.2 备选因子池 | 第22-25页 |
| 3.3 因子和标签提取 | 第25-26页 |
| 3.4 数据清洗 | 第26-29页 |
| 3.4.1 缺失值处理 | 第26-27页 |
| 3.4.2 异常值处理 | 第27-29页 |
| 3.5 特征预处理 | 第29-32页 |
| 3.5.1 无纲量化 | 第29-30页 |
| 3.5.2 行业市值中性化 | 第30-31页 |
| 3.5.3 分布调整 | 第31-32页 |
| 3.6 因子挑选方法 | 第32页 |
| 3.7 分类模型评价指标 | 第32-35页 |
| 3.7.1 正确率 | 第32-34页 |
| 3.7.2 ROC曲线和AUC | 第34-35页 |
| 3.8 策略指标评价体系 | 第35-36页 |
| 3.8.1 年化超额收益率 | 第35页 |
| 3.8.2 年化超额波动率 | 第35-36页 |
| 3.8.3 信息比率 | 第36页 |
| 3.8.4 最大回撤 | 第36页 |
| 第四章 朴素贝叶斯分类算法 | 第36-41页 |
| 4.1 朴素贝叶斯分类算法原理 | 第37-38页 |
| 4.2 朴素贝叶斯分类算法优缺点 | 第38-39页 |
| 4.2.1 朴素贝叶斯分类算法优点 | 第38页 |
| 4.2.2 朴素贝叶斯分类算法缺点 | 第38-39页 |
| 4.3 朴素贝叶斯分类算法应用于选股 | 第39页 |
| 4.4 朴素贝叶斯算法步骤 | 第39-40页 |
| 4.5 朴素贝叶斯算法具体处理 | 第40-41页 |
| 4.5.1 贝叶斯估计法 | 第40页 |
| 4.5.2 下溢出问题 | 第40-41页 |
| 第五章 线性判别分类算法 | 第41-48页 |
| 5.1 线性判别分类算法原理 | 第41页 |
| 5.2 线性判别分析法步骤 | 第41-42页 |
| 5.3 Ledoit-Wolf方差缩减法 | 第42-48页 |
| 5.3.1 样本协方差估计中存在的问题 | 第42页 |
| 5.3.2 协方差估计的改进思路 | 第42-48页 |
| 第六章 二次判别分类算法 | 第48-49页 |
| 6.1 二次判别分类算法原理 | 第48页 |
| 6.2 二次判别分类算法步骤 | 第48-49页 |
| 第七章 实证分析 | 第49-56页 |
| 7.1 标签生成 | 第49页 |
| 7.2 训练集生成 | 第49-50页 |
| 7.2.1 交叉验证集 | 第49-50页 |
| 7.2.2 滚动训练集 | 第50页 |
| 7.3 训练期选择 | 第50-51页 |
| 7.4 因子选择 | 第51-52页 |
| 7.5 分类器比较 | 第52-53页 |
| 7.6 多策略回测 | 第53-56页 |
| 第八章 结论及展望 | 第56-58页 |
| 8.1 实证结论 | 第56-57页 |
| 8.1.1 线性判别分类模型总体表现优于逻辑回归 | 第56页 |
| 8.1.2 线性判别分类模型总体表现优于其他分类模型 | 第56页 |
| 8.1.3 标签化有利于模型效果提升 | 第56-57页 |
| 8.2 展望 | 第57-58页 |
| 8.2.1 论文不足之处 | 第57页 |
| 8.2.2 展望 | 第57-58页 |
| 附录 | 第58-63页 |
| 参考文献 | 第63-64页 |
| 致谢 | 第64-65页 |
| 学位论文评阅及答辩情况表 | 第65页 |