| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 导论 | 第10-16页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.1.1 研究的背景 | 第10页 |
| 1.1.2 研究的意义 | 第10-11页 |
| 1.2 研究思路和方法 | 第11-12页 |
| 1.3 研究主要内容及框架 | 第12-14页 |
| 1.3.1 研究主要内容 | 第12-13页 |
| 1.3.2 研究框架 | 第13-14页 |
| 1.4 研究创新和不足 | 第14-16页 |
| 第二章 文献综述 | 第16-24页 |
| 2.1 相关理论介绍 | 第16-20页 |
| 2.1.1 时间序列长记忆性理论 | 第16-17页 |
| 2.1.2 BP神经网络基本结构 | 第17-20页 |
| 2.2 国内外相关研究 | 第20-24页 |
| 2.2.1 时间序列长记忆性研究 | 第20-22页 |
| 2.2.2 BP神经网络的股价预测应用 | 第22-24页 |
| 第三章 股票数据时间序列长记忆性研究 | 第24-29页 |
| 3.1 时间序列长记忆性检验方法 | 第24-26页 |
| 3.1.1 R/S检验及其修正 | 第24-25页 |
| 3.1.2 GPH检验 | 第25-26页 |
| 3.2 时间序列长记忆性的实证研究 | 第26-29页 |
| 3.2.1 研究对象及样本选取 | 第26-27页 |
| 3.2.2 自相关系数图分析 | 第27页 |
| 3.2.3 修正R/S检验及GPH检验 | 第27-28页 |
| 3.2.4 实证研究结论 | 第28-29页 |
| 第四章 BP神经网络模型优化 | 第29-36页 |
| 4.1 样本结构突变检验 | 第29-31页 |
| 4.1.1 Bai-Perron检验 | 第29-30页 |
| 4.1.2 检验结果分析 | 第30-31页 |
| 4.2 输入层变量确定 | 第31-33页 |
| 4.3 隐藏层神经元个数确定 | 第33-34页 |
| 4.3.1 十折交叉验证 | 第33页 |
| 4.3.2 自定义AIC准则 | 第33-34页 |
| 4.4 改进算法——增加动量项 | 第34-36页 |
| 第五章 基于BP神经网络的股票收盘价格指数预测 | 第36-59页 |
| 5.1 训练集数据构建神经网络 | 第36-51页 |
| 5.1.1 全样本区间BP神经网络构建 | 第36-43页 |
| 5.1.2 结构突变调整后的样本区间BP神经网络构建 | 第43-51页 |
| 5.2 测试集数据应用神经网络进行预测 | 第51-55页 |
| 5.3 BP神经网络预测模型效果评估 | 第55-59页 |
| 5.3.1 全样本区间BP神经网络预测效果评估 | 第55-57页 |
| 5.3.2 结构突变调整后样本区间BP神经网络预测效果评估 | 第57-59页 |
| 第六章 基于BP神经网络的股价指数预测应用—改进均线策略 | 第59-75页 |
| 6.1 改进均线策略构建与应用 | 第59-67页 |
| 6.1.1 交易信号定义 | 第59页 |
| 6.1.2 交易方式假设 | 第59-60页 |
| 6.1.3 全样本区间神经网络预测结果具体应用 | 第60-63页 |
| 6.1.4 结构突变调整后样本区间神经网络预测结果具体应用 | 第63-66页 |
| 6.1.5 预测结果应用评述 | 第66-67页 |
| 6.2 改进均线策略绩效评价 | 第67-75页 |
| 6.2.1 全样本区间预测结果应用策略绩效评价 | 第67-71页 |
| 6.2.2 结构突变调整后样本区间预测结果应用策略绩效评价 | 第71-75页 |
| 第七章 研究结论与展望 | 第75-77页 |
| 7.1 研究主要结论 | 第75-76页 |
| 7.2 研究不足与展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80-81页 |
