| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究目的和意义 | 第11-12页 |
| 1.2.1 研究目的 | 第11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.3 研究内容、方法和技术路线 | 第12-15页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 研究方法和技术路线 | 第12-15页 |
| 第二章 文献综述与相关理论 | 第15-30页 |
| 2.1 文献综述 | 第15-18页 |
| 2.1.1 机器学习在量化选股上的应用 | 第15-16页 |
| 2.1.2 财务指标对股价的影响研究 | 第16-17页 |
| 2.1.3 XGBoost的应用 | 第17-18页 |
| 2.2 相关理论 | 第18-30页 |
| 2.2.1 HS300指数概念 | 第18-19页 |
| 2.2.2 量化投资 | 第19-20页 |
| 2.2.3 XGBoost理论 | 第20-25页 |
| 2.2.4 模型融合 | 第25-27页 |
| 2.2.5 马科维茨均值-方差模型理论 | 第27-30页 |
| 第三章 数据预处理 | 第30-41页 |
| 3.1 异常值处理 | 第30-32页 |
| 3.2 缺失值处理 | 第32-34页 |
| 3.3 数据规范化 | 第34-36页 |
| 3.4 数据规约 | 第36-39页 |
| 3.5 连续属性离散化 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 实证分析 | 第41-62页 |
| 4.1 数据统计 | 第41页 |
| 4.2 XGBoost集成学习框架的参数优化 | 第41-48页 |
| 4.3 SVM、LR、RF和XGBoost对比 | 第48-54页 |
| 4.3.1 SVM、LR、RF和XGBoost优缺点 | 第48-52页 |
| 4.3.2 SVM、LR、RF和XGBoost建模效果对比 | 第52-54页 |
| 4.4 模型融合 | 第54-57页 |
| 4.5 投资组合优化 | 第57-59页 |
| 4.6 投资策略收益表现 | 第59-60页 |
| 4.7 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 研究总结 | 第62页 |
| 5.2 研究的不足与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67-82页 |
| 致谢 | 第82页 |