| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.2 文献综述 | 第8-10页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 研究内容和框架 | 第10-11页 |
| 1.4 本文的创新之处 | 第11页 |
| 2 股价预测的关键问题分析 | 第11-19页 |
| 2.1 股价预测的评价指标 | 第11-16页 |
| 2.2 股票预测面临的问题 | 第16-17页 |
| 2.3 股票预测方法的分析 | 第17-19页 |
| 2.3.1 证券投资分析方法 | 第17页 |
| 2.3.2 模型预测方法 | 第17-18页 |
| 2.3.3 神经网络预测方法 | 第18页 |
| 2.3.4 灰色预测方法 | 第18-19页 |
| 3 BP神经网络概述 | 第19-29页 |
| 3.1 人工神经网络 | 第19-22页 |
| 3.1.1 神经元激活函数 | 第19-20页 |
| 3.1.2 网络结构 | 第20-21页 |
| 3.1.3 学习算法 | 第21-22页 |
| 3.2 BP神经网络结构 | 第22页 |
| 3.3 BP神经网络算法 | 第22-27页 |
| 3.3.1 工作信号正向传递子过程 | 第24-25页 |
| 3.3.2 误差信号反向传递子过程 | 第25-27页 |
| 3.4 BP神经网络的优势与缺陷 | 第27-28页 |
| 3.4.1 BP神经网络的优势 | 第27页 |
| 3.4.2 BP神经网络的缺陷 | 第27-28页 |
| 3.5 本文提出的综合股价预测模型 | 第28-29页 |
| 4 基于BP神经网络的综合股价预测模型的建立 | 第29-40页 |
| 4.1 主成分分析法降维 | 第29-31页 |
| 4.1.1 主成分分析法的基本原理 | 第29-30页 |
| 4.1.2 主成分分析方法降维的具体步骤 | 第30-31页 |
| 4.2 思维进化法算法优化BP神经网络 | 第31-35页 |
| 4.2.1 思维进化算法的基本原理 | 第32-33页 |
| 4.2.2 思维进化算法优化BP神经网络的基本思路 | 第33页 |
| 4.2.3 思维进化算法优化BP神经网络的具体步骤 | 第33-35页 |
| 4.3 综合股价预测模型及对比模型的设计 | 第35-40页 |
| 4.3.1 综合股价预测模型的建立 | 第35-39页 |
| 4.3.2 对比模型的建立 | 第39-40页 |
| 5 仿真测试 | 第40-59页 |
| 5.1 数据的选择 | 第40页 |
| 5.2 数据预处理 | 第40-42页 |
| 5.2.1 主成分分析降维 | 第40-42页 |
| 5.2.2 数据归一化 | 第42页 |
| 5.3 模型参数的确定 | 第42-51页 |
| 5.3.1 隐含层的确定 | 第42-43页 |
| 5.3.2 学习率的确定 | 第43-44页 |
| 5.3.3 激活函数的确定 | 第44-46页 |
| 5.3.4 训练函数的确定 | 第46-48页 |
| 5.3.5 思维进化算法优化初始权值和阈值 | 第48-51页 |
| 5.4 仿真测试结果分析 | 第51-55页 |
| 5.4.1 预测效果评价指标 | 第51页 |
| 5.4.2 综合股价预测模型结果分析 | 第51-55页 |
| 5.5 对比模型预测结果分析 | 第55-59页 |
| 5.5.1 无降维模型预测结果 | 第55-56页 |
| 5.5.2 无优化模型预测结果 | 第56-58页 |
| 5.5.3 不同模型预测效果的比较分析 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 研究结论 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |