| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-15页 |
| 1.2.1 小波分析在金融时间序列分析上的应用 | 第11-13页 |
| 1.2.2 神经网络在金融时间序列分析上的应用 | 第13页 |
| 1.2.3 深度学习网络在金融时间序列分析上的应用 | 第13-15页 |
| 1.3 研究内容与结构安排 | 第15-16页 |
| 1.4 研究创新 | 第16-17页 |
| 第2章 相关基础理论与模型介绍 | 第17-29页 |
| 2.1 股指分析预测理论 | 第17-18页 |
| 2.1.1 股指价格影响因素 | 第17页 |
| 2.1.2 股指价格预测难点 | 第17-18页 |
| 2.1.3 常用方法 | 第18页 |
| 2.2 小波分析相关理论 | 第18-22页 |
| 2.2.1 小波分析概念 | 第18-19页 |
| 2.2.2 多分辨分析与Mallat算法 | 第19-22页 |
| 2.3 堆叠自编码器相关理论 | 第22-25页 |
| 2.3.1 自编码器 | 第22-25页 |
| 2.3.2 堆叠自编码器 | 第25页 |
| 2.4 长短期记忆神经网络相关理论 | 第25-29页 |
| 2.4.1 循环神经网络 | 第25-27页 |
| 2.4.2 长短期记忆神经网络 | 第27-29页 |
| 第3章 股指价格预测模型的构建 | 第29-44页 |
| 3.1 模型设计框架 | 第29-30页 |
| 3.2 输入数据选择 | 第30页 |
| 3.3 小波去噪模块 | 第30-36页 |
| 3.3.1 小波去噪的原理 | 第30-31页 |
| 3.3.2 小波基函数的选择 | 第31-34页 |
| 3.3.3 阈值的确定 | 第34-36页 |
| 3.4 数据归一化处理方法 | 第36页 |
| 3.5 深度学习网络预测模型结构与参数选择 | 第36-42页 |
| 3.5.1 激活函数 | 第37-38页 |
| 3.5.2 优化器方法(Optimizer): | 第38-40页 |
| 3.5.3 防止模型过拟合的方法 | 第40-41页 |
| 3.5.4 模型参数的优化选择方法 | 第41-42页 |
| 3.6 评价指标选取 | 第42-43页 |
| 3.7 算法实现工具 | 第43页 |
| 3.8 本章小结 | 第43-44页 |
| 第4章 基于长短期记忆深度学习网络的股指价格预测分析 | 第44-52页 |
| 4.1 输入数据 | 第44页 |
| 4.2 小波去噪的小波基函数与阈值函数 | 第44-45页 |
| 4.3 模型训练方法 | 第45-46页 |
| 4.4 堆叠自编码器结构与参数 | 第46页 |
| 4.5 长短期记忆神经网络结构与参数 | 第46-47页 |
| 4.6 沪深300指数预测结果分析 | 第47-48页 |
| 4.7 沪深300指数模型预测精度分析 | 第48-49页 |
| 4.8 沪深300指数模型盈利能力分析 | 第49-51页 |
| 4.9 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 5.1 研究结论 | 第52-53页 |
| 5.2 研究展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第59页 |