| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 前言 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究问题和意义 | 第8-10页 |
| 1.3 研究方法 | 第10页 |
| 1.4 研究贡献 | 第10页 |
| 1.5 论文结构 | 第10-12页 |
| 第2章 文献综述 | 第12-24页 |
| 2.1 基本面分析和技术面分析 | 第12-14页 |
| 2.1.1 基本面分析 | 第12页 |
| 2.1.2 技术面分析 | 第12-14页 |
| 2.2 股票市场横断面分析 | 第14-15页 |
| 2.2.1 资产定价模型 | 第14页 |
| 2.2.2 价格异常 | 第14-15页 |
| 2.3 股票分析中的概念漂移 | 第15-17页 |
| 2.3.1 概念漂移基本概念 | 第15页 |
| 2.3.2 垂直概念漂移 | 第15-16页 |
| 2.3.3 水平概念漂移 | 第16页 |
| 2.3.4 股票市场中的概念漂移 | 第16-17页 |
| 2.4 基于智能学习算法的算法交易和股票市场知识发现 | 第17-20页 |
| 2.4.1 股票分析中的数据挖掘算法 | 第17-18页 |
| 2.4.2 数据挖掘技术在股票分析中的主要应用 | 第18-19页 |
| 2.4.3 股票市场知识发现技术 | 第19-20页 |
| 2.5 因果发现 | 第20-24页 |
| 2.5.1 因果关系的概念及因果发现的意义 | 第20页 |
| 2.5.2 股票分析中的因果分析方法 | 第20-21页 |
| 2.5.3 智能因果发现算法在其他领域的应用 | 第21-22页 |
| 2.5.4 因果发现领域的主要局限 | 第22-23页 |
| 2.5.5 研究对智能因果发现的改进 | 第23-24页 |
| 第3章 方法论 | 第24-28页 |
| 3.1 Fama-French框架 | 第24页 |
| 3.2 利用ANMCPT模型进行因果发现 | 第24-28页 |
| 3.2.1 加性噪声模型(ANM) | 第25页 |
| 3.2.2 利用条件概率表的加性噪声模型(ANMCPT) | 第25-28页 |
| 第4章 实验数据 | 第28-31页 |
| 4.1 数据集Ⅰ | 第28-29页 |
| 4.2 数据集Ⅱ | 第29-31页 |
| 第5章 实验结果和分析 | 第31-38页 |
| 5.1 基于数据集I的横断面回归分析实验 | 第31-34页 |
| 5.2 ANMCPT模型实验 | 第34-38页 |
| 5.2.1 对数据集Ⅰ的再分析以及分析结果 | 第34页 |
| 5.2.2 数据集Ⅱ的分析结果 | 第34-38页 |
| 第6章 总结 | 第38-40页 |
| 参考文献 | 第40-55页 |
| 致谢 | 第55-56页 |
| 附录 | 第56-58页 |
| 在学期间的科研成果及发表的学术论文 | 第58-59页 |
| 发表的论文成果 | 第58页 |
| 参与的科研项目 | 第58-59页 |
| 获奖情况 | 第59页 |