神经网络在股票型基金业绩持续性研究中的运用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 选题背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 文献综述 | 第14-18页 |
| 1.2.1 基金业绩持续性及其测算方法评价 | 第14-15页 |
| 1.2.2 我国股票型基金特征分析 | 第15-16页 |
| 1.2.3 神经网络算法的运用与优势 | 第16-17页 |
| 1.2.4 相关文献评述 | 第17-18页 |
| 1.3 论文的主要内容及创新点 | 第18-21页 |
| 1.3.1 主要内容 | 第18-19页 |
| 1.3.2 研究方法 | 第19-20页 |
| 1.3.3 创新之处 | 第20-21页 |
| 第2章 基金业绩持续性与神经网络算法 | 第21-28页 |
| 2.1 基金业绩的持续性 | 第21-23页 |
| 2.1.1 基金投资绩效评估指标 | 第21-22页 |
| 2.1.2 基金业绩持续性的涵义 | 第22页 |
| 2.1.3 业绩持续性相关理论 | 第22-23页 |
| 2.2 基金业绩持续性测算的传统方法及缺陷 | 第23-25页 |
| 2.2.1 基金业绩持续性测算的传统方法 | 第23-24页 |
| 2.2.2 传统测算方法的局限性 | 第24-25页 |
| 2.3 神经网络算法介绍及优势分析 | 第25-28页 |
| 2.3.1 神经网络算法原理 | 第25-27页 |
| 2.3.2 神经网络算法优势分析 | 第27-28页 |
| 第3章 神经网络模型实证设计 | 第28-32页 |
| 3.1 样本采集与数据描述 | 第28-29页 |
| 3.2 神经网络与传统方法对比研究设计 | 第29-32页 |
| 3.2.1 传统方法作为参照组的设计 | 第29-30页 |
| 3.2.2 神经网络模型设立 | 第30-32页 |
| 第4章 实证结果及分析 | 第32-52页 |
| 4.1 基金业绩持续性一般方法与测算结果 | 第32-39页 |
| 4.1.1 秩相关系数法 | 第32-35页 |
| 4.1.2 扫描统计量法 | 第35-37页 |
| 4.1.3 横截面回归法 | 第37-39页 |
| 4.2 基于神经网络模型的持续性测算结果 | 第39-45页 |
| 4.3 多种测算方法结果的检测与比较分析 | 第45-52页 |
| 第5章 对股票型基金业绩持续性测算及应用的建议 | 第52-54页 |
| 5.1 对我国股票型基金业绩持续性测算的建议 | 第52-53页 |
| 5.1.1 充分考虑基金业绩的信息 | 第52页 |
| 5.1.2 对基金进行有效分类分别考虑 | 第52页 |
| 5.1.3 改进神经网络算法 | 第52-53页 |
| 5.2 对参考基金业绩持续性进行投资决策的建议 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第59-60页 |
| 附录B 神经网络设计代码 | 第60-67页 |
| 致谢 | 第67页 |
