| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景与研究意义 | 第13-17页 |
| 1.1.1 研究背景 | 第13-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 研究内容与结构安排 | 第17-21页 |
| 1.2.1 研究内容 | 第17-19页 |
| 1.2.2 结构安排 | 第19-21页 |
| 1.3 研究方法和技术路线 | 第21-22页 |
| 1.3.1 研究方法 | 第21-22页 |
| 1.3.2 技术路线 | 第22页 |
| 1.4 本文的主要贡献与创新 | 第22-25页 |
| 第二章 文献综述 | 第25-39页 |
| 2.1 金融时间序列建模分析 | 第25-26页 |
| 2.2 金融市场的可预测性 | 第26-27页 |
| 2.3 FEPA模型相关文献综述 | 第27-34页 |
| 2.3.1 EMD研究状况 | 第27-30页 |
| 2.3.2 PCA研究状况 | 第30-32页 |
| 2.3.3 人工神经网络研究状况 | 第32-34页 |
| 2.4 深度学习文献综述 | 第34-37页 |
| 2.4.1 深度前馈神经网络 | 第34-35页 |
| 2.4.2 深度递归神经网络 | 第35-37页 |
| 2.4.3 深度分合神经网络 | 第37页 |
| 2.5 本章小结 | 第37-39页 |
| 第三章 金融市场预测深度学习的总体架构 | 第39-56页 |
| 3.1 金融市场预测的一般框架 | 第39页 |
| 3.2 参照模型 | 第39-46页 |
| 3.2.1 ARIMA模型 | 第40-41页 |
| 3.2.2 GARCH族模型 | 第41-43页 |
| 3.2.3 人工神经网络模型 | 第43页 |
| 3.2.4 EMD-BPNN模型 | 第43-44页 |
| 3.2.5 WD-BPNN模型 | 第44-45页 |
| 3.2.6 EMD-LPP-BPNN模型 | 第45-46页 |
| 3.3 深度分合神经网络模型 | 第46-48页 |
| 3.3.1 基于经验模态分解的深度分合神经网络 | 第46-47页 |
| 3.3.2 基于小波变换的深度分合神经网络 | 第47-48页 |
| 3.4 FEPA模型 | 第48-55页 |
| 3.4.1 FEPA模型原理和结构 | 第48-49页 |
| 3.4.2 金融时间序列的价格时间尺度空间 | 第49-50页 |
| 3.4.3 金融时间序列经验模态分解 | 第50-51页 |
| 3.4.4 金融时间序列经验模态分解后的降维处理 | 第51页 |
| 3.4.5 FEPA模型训练工具——反向传播神经网络 | 第51-52页 |
| 3.4.6 多尺度金融时间序列的信息融合 | 第52页 |
| 3.4.7 预测一国股指的贝叶斯网络 | 第52-53页 |
| 3.4.8 使用股指数据来预测股指 | 第53-54页 |
| 3.4.9 融合大盘和行业股指预测大盘股指 | 第54-55页 |
| 3.4.10 股指的多步长预测 | 第55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 FEPA模型构建原理 | 第56-79页 |
| 4.1 金融时间序列经验模态分解信号处理 | 第56-68页 |
| 4.1.1 经验模态分析简介 | 第56-57页 |
| 4.1.2 使用滑动窗口提取数据 | 第57-58页 |
| 4.1.3 EMD原理详解 | 第58-67页 |
| 4.1.4 区间EMD分解过程 | 第67-68页 |
| 4.2 经验模态分解后的主成分特征提取 | 第68-74页 |
| 4.2.1 主成分分析综述 | 第68-70页 |
| 4.2.2 主成分分析的原理 | 第70-73页 |
| 4.2.3 EMD分解后的主成分提取 | 第73-74页 |
| 4.3 神经网络预测模型的结构与原理 | 第74-77页 |
| 4.3.1 反向传播神经网络 | 第74-75页 |
| 4.3.2 反向传播神经网络的设计 | 第75-77页 |
| 4.4 本章小结 | 第77-79页 |
| 第五章 沪深300指数实证结果分析讨论 | 第79-91页 |
| 5.1 预测沪深300指数的FEPA模型及实证结果 | 第79-85页 |
| 5.1.1 数据来源 | 第79-80页 |
| 5.1.2 EMD分解结果分析 | 第80-81页 |
| 5.1.3 主成分分析后的特征值和累计贡献率 | 第81-82页 |
| 5.1.4 预测模型的性能标准 | 第82-83页 |
| 5.1.5 实证结果及讨论 | 第83-85页 |
| 5.2 区间EMD分解模型预测效果实证分析 | 第85-88页 |
| 5.2.1 数据来源 | 第85-86页 |
| 5.2.2 实证结果分析 | 第86-88页 |
| 5.2.3 实证结果及讨论 | 第88页 |
| 5.3 基于多时间尺度的神经网络预测模型 | 第88-90页 |
| 5.4 本章小结 | 第90-91页 |
| 第六章 澳大利亚股指实证结果分析讨论 | 第91-96页 |
| 6.1 预测澳大利亚股指的FEPA模型及实证结果 | 第91-95页 |
| 6.1.1 数据来源 | 第91-92页 |
| 6.1.2 EMD分解结果分析 | 第92-93页 |
| 6.1.3 主成分分析后的特征值和累计贡献率 | 第93-94页 |
| 6.1.4 实证结果及讨论 | 第94-95页 |
| 6.2 本章小结 | 第95-96页 |
| 第七章 外汇实证结果分析讨论 | 第96-104页 |
| 7.1 预测外汇的FEPA模型及实证结果 | 第96-102页 |
| 7.1.1 数据来源 | 第96-98页 |
| 7.1.2 EMD分解结果分析 | 第98-99页 |
| 7.1.3 主成分分析后的特征值和累计贡献率 | 第99-101页 |
| 7.1.4 实证结果及讨论 | 第101-102页 |
| 7.2 本章小结 | 第102-104页 |
| 第八章 基于Copula理论的股票市场的非对称性影响检测和预测 | 第104-115页 |
| 8.1 从单市场预测模型向多市场预测模型的扩展 | 第104-105页 |
| 8.2 计量模型 | 第105-107页 |
| 8.2.1 Copula函数的定义 | 第105页 |
| 8.2.2 Copula函数簇 | 第105-106页 |
| 8.2.3 Copula函数是更合理的相关性测度指标 | 第106页 |
| 8.2.4 非对称性影响的定义 | 第106-107页 |
| 8.3 基于Copula理论的神经网络预测模型实证分析 | 第107-114页 |
| 8.3.1 主要国际股票市场指数数据特征 | 第107页 |
| 8.3.2 单位根检验 | 第107-109页 |
| 8.3.3 影响力排序与贝叶斯网络 | 第109-111页 |
| 8.3.4 检验模型效果的参数 | 第111页 |
| 8.3.5 基于不同时期和不同引导市场下的预测研究 | 第111-113页 |
| 8.3.6 预测结果评估 | 第113-114页 |
| 8.4 本章小结 | 第114-115页 |
| 第九章 全文总结与展望 | 第115-118页 |
| 9.1 全文总结 | 第115-116页 |
| 9.2 后续工作展望 | 第116-118页 |
| 致谢 | 第118-119页 |
| 参考文献 | 第119-130页 |
| 攻读博士学位期间取得的成果 | 第130-131页 |
