基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第11-20页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 BP神经网络在股市的应用 | 第12-13页 |
| 1.2.2 深度神经网络研究现状 | 第13-14页 |
| 1.2.3 递归神经网络研究现状 | 第14-17页 |
| 1.3 主要内容及本文创新 | 第17-18页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 本文创新之处 | 第17-18页 |
| 1.4 本文的组织结构与技术路线 | 第18-20页 |
| 1.4.1 本文组织结构 | 第18-19页 |
| 1.4.2 技术路线 | 第19-20页 |
| 2 神经网络相关理论基础 | 第20-29页 |
| 2.1 传统递归神经网络RNN | 第20-22页 |
| 2.1.1 RNN的定义和网络结构 | 第20页 |
| 2.1.2 RNN的模型训练 | 第20-22页 |
| 2.2 LSTM深度神经网络 | 第22-25页 |
| 2.2.1 LSTM的定义和网络结构 | 第22-23页 |
| 2.2.2 LSTM的模型训练 | 第23-25页 |
| 2.3 神经网络训练的优化方法 | 第25-27页 |
| 2.3.1 SGD | 第26页 |
| 2.3.2 RMSprop | 第26页 |
| 2.3.3 Adam | 第26-27页 |
| 2.4 过拟合解决方法 | 第27-29页 |
| 2.4.1 Dropout | 第27-28页 |
| 2.4.2 L2正则化 | 第28-29页 |
| 3 基于LSTM的模型构建 | 第29-37页 |
| 3.1 输入特征的选择 | 第29-34页 |
| 3.1.1 交易类指标 | 第29-33页 |
| 3.1.2 财务指标 | 第33-34页 |
| 3.2 主成分分析 | 第34页 |
| 3.3 牛熊市判别 | 第34-35页 |
| 3.4 模型设计 | 第35-37页 |
| 3.4.1 模型结构 | 第35-36页 |
| 3.4.2 对比模型的建立 | 第36-37页 |
| 4 股市实证分析 | 第37-55页 |
| 4.1 实验平台 | 第37页 |
| 4.2 数据集选取及预处理 | 第37-38页 |
| 4.3 样本选取 | 第38-49页 |
| 4.3.1 输入特征 | 第38-41页 |
| 4.3.2 主成分分析 | 第41-45页 |
| 4.3.3 时间序列长度 | 第45-47页 |
| 4.3.4 样本数量 | 第47-49页 |
| 4.4 深度神经网络结构 | 第49-50页 |
| 4.5 优化方法 | 第50-51页 |
| 4.6 牛熊市模型及其优化 | 第51-54页 |
| 4.7 LSTM与RNN、BP对比 | 第54-55页 |
| 5 结论与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 在校期间发表论文及成果 | 第60-61页 |
| 附录 | 第61-67页 |
| 致谢 | 第67页 |
