| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的及意义 | 第13-14页 |
| 1.3 国内外研究综述 | 第14-25页 |
| 1.3.1 外汇市场预测的研究综述 | 第14-17页 |
| 1.3.2 外汇市场风险度量研究综述 | 第17-18页 |
| 1.3.3 VaR风险度量方法的研究综述 | 第18-21页 |
| 1.3.4 集成算法的研究综述 | 第21-22页 |
| 1.3.5 深度学习方法的研究综述 | 第22-25页 |
| 1.4 本文研究内容以及创新点 | 第25-28页 |
| 第二章 深度学习理论 | 第28-42页 |
| 2.1 神经网络 | 第29-31页 |
| 2.1.1 神经元 | 第29页 |
| 2.1.2 激活函数 | 第29-31页 |
| 2.2 深度学习模型 | 第31-39页 |
| 2.2.1 深度置信网络(Deep Belief Networks,DBNs) | 第31-34页 |
| 2.2.2 深度多层感知器 | 第34-35页 |
| 2.2.3 循环神经网络(Recurrent Neural Networks,RNNs) | 第35-39页 |
| 2.3 优化算法 | 第39-41页 |
| 2.3.1 共轭梯度法 | 第39-40页 |
| 2.3.2 随机梯度下降算法 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 基于深度学习的外汇市场汇率预测模型 | 第42-48页 |
| 3.1 引言 | 第42页 |
| 3.2 基于深度学习的外汇市场汇率预测模型 | 第42-44页 |
| 3.2.1 数据处理 | 第42-43页 |
| 3.2.2 预测模型结确定 | 第43-44页 |
| 3.2.3 基于深度学习的集成汇率预测 | 第44页 |
| 3.3 实证研究 | 第44-47页 |
| 3.3.1 实验数据 | 第44-45页 |
| 3.3.2 实证结果分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于深度学习的集成VaR风险测度模型 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 VaR风险度量理论 | 第48-50页 |
| 4.3 基于深度学习的VaR风险测度模型 | 第50-53页 |
| 4.3.1 数据处理 | 第50-51页 |
| 4.3.2 分风险估计 | 第51-52页 |
| 4.3.3 总风险集成 | 第52-53页 |
| 4.4 实证研究 | 第53-57页 |
| 4.4.1 实验数据 | 第53-54页 |
| 4.4.2 评价指标 | 第54页 |
| 4.4.3 实证结果分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结和展望 | 第58-60页 |
| 参考文献 | 第60-70页 |
| 致谢 | 第70-72页 |
| 作者和导师简介 | 第72-73页 |
| 附件 | 第73-74页 |