| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 文献研究现状综述 | 第9-12页 |
| 1.2.1 国外研究文献现状 | 第9-11页 |
| 1.2.2 国内研究文献现状 | 第11-12页 |
| 1.3 论文的研究思路和研究内容 | 第12-14页 |
| 1.3.1 研究思路 | 第12页 |
| 1.3.2 研究工作 | 第12-14页 |
| 2 股价短期预测的理论与方法 | 第14-21页 |
| 2.1 股价短期预测指标体系 | 第14-17页 |
| 2.2 股价预测的难点 | 第17-18页 |
| 2.3 股价预测的常用方法 | 第18-21页 |
| 3 自动编码器概述 | 第21-33页 |
| 3.1 人工神经网络模型 | 第21-25页 |
| 3.1.1 BP神经网络结构 | 第21-22页 |
| 3.1.2 反向传播算法 | 第22-24页 |
| 3.1.3 BP神经网络的局限性 | 第24-25页 |
| 3.2 自动编码器算法 | 第25-28页 |
| 3.2.1 自动编码器概述 | 第25-27页 |
| 3.2.2 自动编码器类型 | 第27-28页 |
| 3.3 堆栈式自动编码器 | 第28-33页 |
| 3.3.1 无监督预训练 | 第30-32页 |
| 3.3.2 模型微调 | 第32-33页 |
| 4 循环神经网络 | 第33-40页 |
| 4.1 循环神经网络 | 第33-37页 |
| 4.1.1 循环神经网络原理 | 第33页 |
| 4.1.2 循环神经网络理论分析 | 第33-36页 |
| 4.1.3 循环神经网络的优势和问题 | 第36-37页 |
| 4.2 长短时记忆神经网络 | 第37-40页 |
| 4.2.1 长短时记忆神经网络理论分析 | 第37-39页 |
| 4.2.2 长短时记忆神经网络模型的优势及问题 | 第39-40页 |
| 5 基于长短时记忆网络的股价短期预测分析 | 第40-59页 |
| 5.1 基于长短时记忆网络的深度学习模型 | 第40-43页 |
| 5.1.1 模型结构 | 第40-41页 |
| 5.1.2 数据准备 | 第41-43页 |
| 5.1.3 评价指标 | 第43页 |
| 5.1.4 研究工具 | 第43页 |
| 5.2 堆栈式收缩自动编码器结构设计和参数选择 | 第43-48页 |
| 5.2.1 隐藏层节点数的影响 | 第44-46页 |
| 5.2.2 正则化参数的影响 | 第46-48页 |
| 5.3 长短时记忆网络结构设计和参数选择 | 第48-51页 |
| 5.3.1 cell神经元数目对精度的影响 | 第48-49页 |
| 5.3.2 激活函数对精度的影响 | 第49-51页 |
| 5.4 基于长短时记忆网络股价短期预测模型 | 第51-59页 |
| 5.4.1 SCAEs-LSTM算法在股价短期预测的实证分析 | 第51-52页 |
| 5.4.2 几种预测方法的对比分析 | 第52-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 研究结论 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
| A.作者在攻读硕士期间发表论文 | 第66页 |