| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 影响股指因素的相关研究 | 第10-11页 |
| 1.3 基于神经网络模型的股票价格的相关研究 | 第11-13页 |
| 1.4 研究内容 | 第13页 |
| 1.5 研究方法与创新之处 | 第13-15页 |
| 1.5.1 研究方法 | 第13-14页 |
| 1.5.2 创新之处 | 第14-15页 |
| 2 基于主成分分析的市场情绪模型 | 第15-34页 |
| 2.1 指标选取 | 第16-24页 |
| 2.1.1 股指交易信息信息统计描述 | 第16-18页 |
| 2.1.2 宏观经济指标统计描述 | 第18-21页 |
| 2.1.3 舆情数据统计描述 | 第21-24页 |
| 2.2 模型指标相关性分析 | 第24-29页 |
| 2.2.1 相关分析基本理论及方法 | 第24-27页 |
| 2.2.2 指标的相关性分析 | 第27-29页 |
| 2.3 基于主成分分析的市场情绪指数构建 | 第29-34页 |
| 2.3.1 主成分分析的基本思想 | 第29页 |
| 2.3.2 主成分模型中的各统计量 | 第29-30页 |
| 2.3.3 基于主成分分析构建市场情绪指数 | 第30-34页 |
| 3 PCA-NARX神经网络模型 | 第34-42页 |
| 3.1 动态神经网络(DNN)概要 | 第34页 |
| 3.2 NARX神经网络 | 第34-35页 |
| 3.3 PCA-NARX神经网络模型 | 第35-37页 |
| 3.3.1 误差函数 | 第35-36页 |
| 3.3.2 权值初始化 | 第36页 |
| 3.3.3 PCA-NARX神经网络模型的构建 | 第36-37页 |
| 3.4 模型的训练算法 | 第37-42页 |
| 3.4.1 Levenberg-Marquardt算法 | 第37-38页 |
| 3.4.2 Bayesian-Regularization算法 | 第38-40页 |
| 3.4.3 Scaled Conjugate Gradient算法 | 第40-42页 |
| 4 实验仿真 | 第42-60页 |
| 4.1 不同训练算法的收敛性分析 | 第42-44页 |
| 4.2 模型训练结果分析 | 第44-46页 |
| 4.3 模型验证结果及误差分析 | 第46-53页 |
| 4.4 不同算法预测结果对比分析 | 第53-55页 |
| 4.5 不同模型预测结果对比分析 | 第55-60页 |
| 5 研究结论及展望 | 第60-62页 |
| 5.1 研究结果 | 第60页 |
| 5.2 研究不足与展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录A：作者攻读硕士学位期间发表论文及科研情况 | 第65-66页 |
| 致谢 | 第66页 |
