基于神经网络的股票拆单算法的分析与研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题来源及研究背景 | 第12-13页 |
| 1.2 国内外相关技术研究现状 | 第13-14页 |
| 1.2.1 算法交易研究现状 | 第13页 |
| 1.2.2 人工神经网络国内外研究现状 | 第13-14页 |
| 1.3 研究目的及意义 | 第14-15页 |
| 1.4 论文研究内容及构成 | 第15-17页 |
| 第2章 相关技术及理论概述 | 第17-34页 |
| 2.1 算法交易 | 第17-19页 |
| 2.1.1 算法交易的概念和起源 | 第17-18页 |
| 2.1.2 算法交易的优势及市场影响 | 第18-19页 |
| 2.2 股票拆单算法 | 第19-23页 |
| 2.2.1 VWAP策略 | 第19-23页 |
| 2.2.2 TWAP算法 | 第23页 |
| 2.3 神经网络 | 第23-25页 |
| 2.3.1 神经网络的起源与发展 | 第23-24页 |
| 2.3.2 神经网络的广泛应用 | 第24-25页 |
| 2.4 神经网络模型 | 第25-33页 |
| 2.4.1 神经元模型 | 第25-26页 |
| 2.4.2 RNN的定义及结构 | 第26-30页 |
| 2.4.3 LSTM神经网络算法 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于神经网络的股票预测模型研究 | 第34-52页 |
| 3.1 分类和回归 | 第34-35页 |
| 3.2 基于神经网络的回归预测模型设计 | 第35-37页 |
| 3.2.1 回归模型性能评价指标 | 第37页 |
| 3.3 基于神经网络的分类预测模型设计 | 第37-40页 |
| 3.3.1 分类模型的性能评价指标 | 第39-40页 |
| 3.4 建立特征集 | 第40-43页 |
| 3.5 数据预处理 | 第43-46页 |
| 3.5.1 数据清洗和归一化 | 第43-46页 |
| 3.5.2 训练数据和测试数据 | 第46页 |
| 3.6 神经网络模型训练 | 第46-51页 |
| 3.6.1 梯度下降法 | 第47-50页 |
| 3.6.2 欠拟合与过拟合 | 第50-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第4章 神经网络预测模型实证结果及比较分析 | 第52-61页 |
| 4.1 开发环境Anaconda | 第52-54页 |
| 4.1.1 Tensorflow神经网络框架应用 | 第52-54页 |
| 4.2 回归模型与分类模型训练结果对比分析 | 第54-55页 |
| 4.3 有效特征因子分析 | 第55-57页 |
| 4.4 参数调优 | 第57-58页 |
| 4.5 LSTM神经网络回归预测模型应用效果 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
