基于深度学习算法的上市公司投资决策支持模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 企业电子商务发展现状 | 第10-11页 |
| 1.2.2 股票分析理论研究现状 | 第11-12页 |
| 1.2.3 神经网络理论研究现状 | 第12-13页 |
| 1.3 研究内容及创新点和难点 | 第13-15页 |
| 1.3.1 主要内容和框架 | 第13-14页 |
| 1.3.2 创新点和难点 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 2 股票质量分析理论及深度神经网络 | 第16-34页 |
| 2.1 股票质量分析理论 | 第16-19页 |
| 2.1.1 影响股票质量的因素 | 第16-17页 |
| 2.1.2 股票质量分析常用指标 | 第17-19页 |
| 2.2 人工神经网络模型 | 第19-28页 |
| 2.2.1 人工神经网络基本构造 | 第19-21页 |
| 2.2.2 人工神经网络训练过程 | 第21-22页 |
| 2.2.3 人工神经网络常用模型 | 第22-28页 |
| 2.3 深度学习 | 第28-33页 |
| 2.3.1 深度学习定义 | 第28页 |
| 2.3.2 深度学习方法 | 第28-29页 |
| 2.3.3 BP神经网络算法 | 第29-30页 |
| 2.3.4 LSTM神经网络算法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 指标评价体系及数据准备 | 第34-41页 |
| 3.1 样本数据准备 | 第34-35页 |
| 3.1.1 获取标准 | 第34页 |
| 3.1.2 研究对象界定 | 第34-35页 |
| 3.1.3 数据来源 | 第35页 |
| 3.2 指标评价体系 | 第35-38页 |
| 3.2.1 指标选择 | 第35页 |
| 3.2.2 指标意义 | 第35-38页 |
| 3.3 样本数据的预处理 | 第38-40页 |
| 3.3.1 非数值型指标量化 | 第38页 |
| 3.3.2 指标数据的降维处理 | 第38-39页 |
| 3.3.3 指标数据的标准化 | 第39-40页 |
| 3.3.4 指标数据的离散化 | 第40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 深度神经网络模型在股票质量评价中的应用 | 第41-49页 |
| 4.1 LSTM神经网络评价预测模型的建立 | 第41-44页 |
| 4.1.1 预测模型的结构设计 | 第41-42页 |
| 4.1.2 激活函数的选取 | 第42-43页 |
| 4.1.3 其他相关参数设置 | 第43-44页 |
| 4.2 评价结果的仿真与实现 | 第44-47页 |
| 4.2.1 原始数据处理结果 | 第44-45页 |
| 4.2.2 结果在python中的实现 | 第45-47页 |
| 4.3 实验结果的分析 | 第47-48页 |
| 4.4 投资决策支持 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 附录 重要代码 | 第55-56页 |
| 致谢 | 第56页 |
