| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9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 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容与结构框架 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 结构框架 | 第14-15页 |
| 1.4 研究方法和技术路线 | 第15-17页 |
| 1.4.1 研究方法 | 第15-16页 |
| 1.4.2 技术路线 | 第16-17页 |
| 2 股指预测基础 | 第17-25页 |
| 2.1 金融市场预测常用分析方法 | 第17-19页 |
| 2.1.1 证券投资分析法 | 第17-18页 |
| 2.1.2 线性分析法 | 第18页 |
| 2.1.3 非线性预测方法 | 第18-19页 |
| 2.1.4 数据挖掘预测方法 | 第19页 |
| 2.2 股市主要变量 | 第19-23页 |
| 2.3 金融市场预测存在的难题 | 第23-25页 |
| 3 人工神经网络 | 第25-35页 |
| 3.1 人工神经元 | 第25-28页 |
| 3.2 BP神经网络结构 | 第28-29页 |
| 3.3 反向传播算法 | 第29-34页 |
| 3.4 基于神经网络的股票预测模型及存在的问题 | 第34-35页 |
| 4 改进的GA-BP神经网络预测模型 | 第35-46页 |
| 4.1 PCA-BP神经网络模型理论基础 | 第35-38页 |
| 4.1.1 主成份分析的基本思想 | 第35页 |
| 4.1.2 主成分分析的数学模型 | 第35-36页 |
| 4.1.3 主成分分析的步骤 | 第36-37页 |
| 4.1.4 PCA-BP神经网络模型 | 第37-38页 |
| 4.2 GA-BP神经网络模型理论基础 | 第38-42页 |
| 4.2.1 遗传算法概述 | 第38-39页 |
| 4.2.2 遗传算法的基本原理 | 第39-41页 |
| 4.2.3 遗传算法的执行过程及特点 | 第41-42页 |
| 4.3 改进的GA-BP神经网络预测模型 | 第42-46页 |
| 4.3.1 GA-BP神经网络组合模型 | 第42-43页 |
| 4.3.2 GA-BP神经网络适应度函数的分析和改进 | 第43-44页 |
| 4.3.3 模型评价指标 | 第44-46页 |
| 5 实验结果分析 | 第46-69页 |
| 5.1 实验数据 | 第46-48页 |
| 5.2 单一BP神经网络的实验与结果分析 | 第48-53页 |
| 5.3 PCA-BP神经网络的实验与结果分析 | 第53-59页 |
| 5.4 GA-BP神经网络的实验与结果分析 | 第59-62页 |
| 5.5 IGA-BP神经网络的实验与结果分析 | 第62-69页 |
| 6 结论与展望 | 第69-71页 |
| 6.1 结论 | 第69-70页 |
| 6.2 后续工作展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间取得的成果 | 第74-75页 |
| 附录 | 第75-81页 |
| 致谢 | 第81页 |