| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和研究意义 | 第12-13页 |
| 1.2 国内外研究发展和现状 | 第13-15页 |
| 1.3 研究框架 | 第15-16页 |
| 1.4 论文的创新点 | 第16-18页 |
| 第二章 相关理论概述 | 第18-34页 |
| 2.1 算法交易 | 第18-20页 |
| 2.1.1 算法交易的概念 | 第18页 |
| 2.1.2 算法交易的策略类型 | 第18-19页 |
| 2.1.3 算法交易的优势 | 第19-20页 |
| 2.2 VWAP算法交易策略 | 第20-22页 |
| 2.2.1 VWAP价格 | 第20页 |
| 2.2.2 VWAP策略的原理 | 第20-21页 |
| 2.2.3 VWAP策略的不足 | 第21-22页 |
| 2.3 随机森林 | 第22-26页 |
| 2.3.1 决策树模型 | 第22-25页 |
| 2.3.2 Bagging算法 | 第25-26页 |
| 2.3.3 随机森林算法 | 第26页 |
| 2.4 神经网络 | 第26-32页 |
| 2.4.1 神经网络的发展历程 | 第27页 |
| 2.4.2 多层前馈神经网络 | 第27-30页 |
| 2.4.3 误差反向传播算法 | 第30-31页 |
| 2.4.4 激活函数 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于随机森林和前馈神经网络的日内成交量比例预测模型 | 第34-42页 |
| 3.1 日内成交量比例预测模型的设计 | 第34-35页 |
| 3.2 收益率和成交量比例的相关性分析 | 第35-38页 |
| 3.2.1 相关系数的介绍 | 第35-37页 |
| 3.2.2 相关系数的实证检验 | 第37-38页 |
| 3.3 改进的日内成交量比例预测模型 | 第38-39页 |
| 3.4 模型的评价指标 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 两种模型的实证分析 | 第42-52页 |
| 4.1 数据的选取与预处理 | 第42-45页 |
| 4.1.1 数据的来源 | 第42页 |
| 4.1.2 数据的预处理 | 第42-43页 |
| 4.1.3 训练集和测试集 | 第43-45页 |
| 4.2 模型的训练 | 第45-46页 |
| 4.3 模型的结果及分析 | 第46-48页 |
| 4.4 VWAP算法结果及分析 | 第48-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 不足与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 学位论文评阅及答辩情况表 | 第59页 |