| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-7页 |
| 1 前言 | 第7-11页 |
| 1．1 神经网络的概念、发展和应用 | 第7-8页 |
| 1．2 几点启示——本文工作的背景 | 第8-9页 |
| 1．3 神经网络在股市分析中的应用概述 | 第9页 |
| 1．4 论文的内容及其安排 | 第9-11页 |
| 2 前馈网络的结构研究 | 第11-14页 |
| 2．1 前馈神经网络的定义及其函数逼近能力 | 第11-12页 |
| 2．2 多层前馈网络的结构设计 | 第12-13页 |
| 2．3 神经网络用于多变量时间序列预测 | 第13-14页 |
| 3 前向神经网络的学习算法及其改进 | 第14-26页 |
| 3．1 多层前馈神经网络的学习及算法 | 第14-17页 |
| 3．1．1 反向传播（back propagation）算法及推导 | 第14-17页 |
| 3．1．2 传统算法的局限性讨论 | 第17页 |
| 3．2 参数自适应的BP算法 | 第17-22页 |
| 3．2．1 问题的提出 | 第17-18页 |
| 3．2．2 参数自适应BP算法 | 第18-21页 |
| 3．2．3 参数自适应BP算法的分析与讨论 | 第21-22页 |
| 3．3 BP网络模型及其C++实现 | 第22-26页 |
| 4 网络的泛化能力研究 | 第26-33页 |
| 4．1 结构参数 | 第26-28页 |
| 4．2 样本的数量和质量 | 第28页 |
| 4．3 训练方法 | 第28-30页 |
| 4．4 有关的C++实现 | 第30-33页 |
| 5 面向应用的神经网络系统设计方法 | 第33-37页 |
| 5．1 股票市场的两种基本分析方法 | 第33页 |
| 5．2 人工神经网络在股市中的应用概述 | 第33-34页 |
| 5．3 面向应用目标的神经网络系统设计方法 | 第34-37页 |
| 5．3．1 评鉴确定问题 | 第34-35页 |
| 5．3．2 问题具体化 | 第35页 |
| 5．3．3 设计 | 第35-36页 |
| 5．3．4 实现、构造系统 | 第36页 |
| 5．3．5 评价调试系统 | 第36页 |
| 5．3．6 投入目标环境 | 第36-37页 |
| 6 多模混合神经网络系统 | 第37-45页 |
| 6．1 NN与FS的结合 | 第37-38页 |
| 6．2 模糊逻辑方法的引入 | 第38-40页 |
| 6．2．1 股市中的模糊时间序列 | 第38-39页 |
| 6．2．2 用隶属度描述股市中的模糊变量 | 第39-40页 |
| 6．3 预处理及样本的选定 | 第40-43页 |
| 6．3．1 基础因素分析和技术分析 | 第40-43页 |
| 6．3．2 输入输出及样本的确定 | 第43页 |
| 6．4 系统的结构 | 第43-45页 |
| 7 系统应用结果的分析 | 第45-52页 |
| 7．1 系统的应用 | 第45页 |
| 7．2 系统的分析 | 第45-47页 |
| 7．2．1 结构参数分析 | 第45-46页 |
| 7．2．2 算法参数分析 | 第46-47页 |
| 7．2．3 预测准确度判决的规则 | 第47页 |
| 7．3 应用结果分析和实用建议 | 第47-52页 |
| 7．3．1 预测结果 | 第47-49页 |
| 7．3．2 结果分析 | 第49-50页 |
| 7．3．3 进一步的工作 | 第50-52页 |
| 总结 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55页 |