| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目的和意义 | 第9-10页 |
| 1.2.1 研究目的 | 第9页 |
| 1.2.2 研究意义 | 第9-10页 |
| 1.3 研究内容、方法和技术路线 | 第10-11页 |
| 1.3.1 研究的内容与方法 | 第10-11页 |
| 1.3.2 研究的技术路线 | 第11页 |
| 1.4 本文的主要贡献 | 第11-13页 |
| 第2章 文献综述与相关理论 | 第13-20页 |
| 2.1 文献综述 | 第13-16页 |
| 2.1.1 金融市场价格预测文献综述 | 第13-15页 |
| 2.1.2 LSTM神经网络模型文献综述 | 第15-16页 |
| 2.2 相关理论 | 第16-19页 |
| 2.2.1 技术分析理论 | 第16-17页 |
| 2.2.2 机器学习预测理论 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 股市时间序列预测问题描述与分析 | 第20-24页 |
| 3.1 股票价格预测问题描述与分析 | 第20-22页 |
| 3.1.1 影响股票价格的影响因素 | 第20-21页 |
| 3.1.2 股票价格预测的难点 | 第21-22页 |
| 3.2 机器学习方法预测的问题描述与分析 | 第22-24页 |
| 第4章 股市时间序列预测方案的理论框架 | 第24-33页 |
| 4.1 传统循环神经网络(RNN) | 第24-29页 |
| 4.1.1 RNN的定义和结构 | 第24-25页 |
| 4.1.2 RNN模型的训练 | 第25-29页 |
| 4.1.3 RNN结构的优势和不足 | 第29页 |
| 4.2 改进的RNN——LSTM神经网络模型 | 第29-33页 |
| 4.2.1 LSTM的定义和结构 | 第29-32页 |
| 4.2.2 深度学习模型的优化方法——Adam优化算法 | 第32-33页 |
| 第5章 基于LSTM模型的股价涨跌预测方案设计 | 第33-44页 |
| 5.1 数据集选取及预处理 | 第33-35页 |
| 5.1.1 数据集选取说明 | 第33页 |
| 5.1.2 输入特征的选择 | 第33-34页 |
| 5.1.3 数据预处理 | 第34-35页 |
| 5.2 模型设计 | 第35-44页 |
| 5.2.1 模型结构 | 第35页 |
| 5.2.2 对比模型的建立 | 第35-37页 |
| 5.2.3 模型实证结果比较分析 | 第37-40页 |
| 5.2.4 模型优化 | 第40-44页 |
| 第6章 股价涨跌预测方案的合理性检验与实施途径 | 第44-48页 |
| 6.1 合理性检验 | 第44-46页 |
| 6.2 实施途径 | 第46-48页 |
| 第7章 研究结论及展望 | 第48-50页 |
| 7.1 研究结论 | 第48页 |
| 7.2 不足之处和展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55-60页 |