改进的卷积神经网络在金融预测中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 金融预测 | 第12页 |
| 1.2 研究背景及意义 | 第12-13页 |
| 1.3 金融预测研究综述 | 第13-15页 |
| 1.3.1 定性预测方法 | 第13页 |
| 1.3.2 定量预测方法 | 第13页 |
| 1.3.3 基于数据挖掘的预测方法 | 第13-15页 |
| 1.4 本文主要内容 | 第15-17页 |
| 2 深度学习与支持向量机 | 第17-34页 |
| 2.1 人工神经网络 | 第17-22页 |
| 2.1.1 单个神经元 | 第17-18页 |
| 2.1.2 神经网络结构 | 第18-19页 |
| 2.1.3 BP网络 | 第19-22页 |
| 2.2 深度学习 | 第22-28页 |
| 2.2.1 深度置信网络 | 第23-25页 |
| 2.2.2 堆栈自编码网络 | 第25-26页 |
| 2.2.3 卷积神经网络 | 第26-28页 |
| 2.3 支持向量机 | 第28-33页 |
| 2.3.1 最优分类面 | 第29-31页 |
| 2.3.2 非线性映射 | 第31-32页 |
| 2.3.3 核函数 | 第32-33页 |
| 2.3.4 序列最小化算法 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 基于卷积神经网络的股票指数预测模型 | 第34-61页 |
| 3.1 基于CNN的股票指数预测模型 | 第34-37页 |
| 3.1.1 构建CNN股票指数预测模型 | 第34-35页 |
| 3.1.2 输入样本选择：滑动窗口技术 | 第35-36页 |
| 3.1.3 CNN模型结构参数关系 | 第36页 |
| 3.1.4 CNN模型算法实现 | 第36-37页 |
| 3.2 模型参数对预测结果的影响 | 第37-51页 |
| 3.2.1 数据预处理 | 第37-38页 |
| 3.2.2 卷积层和降采样层对预测结果的影响 | 第38-41页 |
| 3.2.3 卷积核大小对预测结果的影响 | 第41-44页 |
| 3.2.4 卷积核个数对预测结果的影响 | 第44-47页 |
| 3.2.5 输入样本长度对预测结果的影响 | 第47-50页 |
| 3.2.6 确立CNN股票指数预测模型 | 第50-51页 |
| 3.3 基于CNN-SVM的股票指数预测模型 | 第51-55页 |
| 3.3.1 构建CNN-SVM股票指数预测模型 | 第51-52页 |
| 3.3.2 SVM核函数 | 第52-55页 |
| 3.4 实证分析 | 第55-57页 |
| 3.4.1 数据说明 | 第55-56页 |
| 3.4.2 实验结果及分析 | 第56-57页 |
| 3.5 本章小结 | 第57-61页 |
| 4 基于卷积神经网络的汇率预测模型 | 第61-82页 |
| 4.1 基于CNN的汇率预测模型 | 第62页 |
| 4.2 模型参数对预测结果的影响 | 第62-74页 |
| 4.2.1 卷积层和降采样层对预测结果的影响 | 第63-65页 |
| 4.2.2 卷积核大小对预测结果的影响 | 第65-68页 |
| 4.2.3 卷积核个数对预测结果的影响 | 第68-70页 |
| 4.2.4 输入样本长度对预测结果的影响 | 第70-73页 |
| 4.2.5 确立CNN汇率预测模型 | 第73-74页 |
| 4.3 基于CNN-SVM的汇率预测模型 | 第74-81页 |
| 4.3.1 构建CNN-SVM汇率预测模型 | 第74页 |
| 4.3.2 SVM核函数选取 | 第74-77页 |
| 4.3.3 实证分析 | 第77-81页 |
| 4.4 本章小结 | 第81-82页 |
| 5 总结和展望 | 第82-84页 |
| 5.1 主要工作和创新点 | 第82-83页 |
| 5.2 展望 | 第83-84页 |
| 参考文献 | 第84-87页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第87-88页 |
| 致谢 | 第88页 |
