基于聚类的多时间尺度股票预测方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文的创新点 | 第16-17页 |
| 1.4 研究内容和主要工作 | 第17-20页 |
| 第2章 股票预测和深度学习概述 | 第20-34页 |
| 2.1 股票预测概述 | 第20-21页 |
| 2.2 股票预测的主流方法 | 第21-22页 |
| 2.3 DNN神经网络模型 | 第22-27页 |
| 2.3.1 人工神经网络模型原理 | 第22-24页 |
| 2.3.2 BP神经网络模型理论知识 | 第24-26页 |
| 2.3.3 BP神经网络的优劣势 | 第26-27页 |
| 2.4 LSTM神经网络模型 | 第27-29页 |
| 2.4.1 LSTM神经网络模型理论知识 | 第27-28页 |
| 2.4.2 LSTM神经网络模型的优劣势 | 第28-29页 |
| 2.5 TCN神经网络模型 | 第29-32页 |
| 2.5.1 TCN神经网络模型理论知识 | 第29-32页 |
| 2.5.2 TCN神经网络的优劣势 | 第32页 |
| 2.6 本章小结 | 第32-34页 |
| 第3章 基于簇的股票价格预测方法 | 第34-47页 |
| 3.1 特征选择 | 第34-38页 |
| 3.1.1 数据介绍 | 第34-35页 |
| 3.1.2 相关性分析 | 第35-38页 |
| 3.2 相似性度量 | 第38页 |
| 3.3 聚类结果分析 | 第38-45页 |
| 3.3.1 收盘价和成交量聚类结果分析 | 第39-43页 |
| 3.3.2 聚类股票涨跌分析 | 第43-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 神经网络模型构建和实验分析 | 第47-66页 |
| 4.1 数据预处理 | 第47-51页 |
| 4.1.1 滑动时间窗口 | 第47-48页 |
| 4.1.2 构建样本数据集 | 第48-49页 |
| 4.1.3 样本数据归一化和缺省值处理 | 第49-51页 |
| 4.2 PCA降维 | 第51-54页 |
| 4.2.1 主成分分析的数学模型 | 第51-52页 |
| 4.2.2 PCA-DNN神经网络模型 | 第52-54页 |
| 4.3 DNN神经网络实验与结果分析 | 第54-58页 |
| 4.3.1 DNN神经网络结构设计 | 第54-57页 |
| 4.3.2 DNN实验结果分析 | 第57-58页 |
| 4.4 LSTM神经网络实验与结果分析 | 第58-60页 |
| 4.4.1 LSTM神经网络结构设计 | 第58-59页 |
| 4.4.2 LSTM实验结果分析 | 第59-60页 |
| 4.5 TCN神经网络实验与结果分析 | 第60-62页 |
| 4.5.1 TCN神经网络结构设计 | 第60-62页 |
| 4.5.2 TCN实验结果分析 | 第62页 |
| 4.6 回归模型预测对比 | 第62-65页 |
| 4.7 本章小结 | 第65-66页 |
| 第5章 多时间尺度股票预测 | 第66-80页 |
| 5.1 不同时间尺度数据预处理 | 第66-68页 |
| 5.2 不同时间尺度数据PCA降维 | 第68-70页 |
| 5.3 单一时间尺度实验和结果分析 | 第70-73页 |
| 5.3.1 单一时间尺度的涨跌分析 | 第70-71页 |
| 5.3.2 单一时间尺度的回归分析 | 第71-73页 |
| 5.4 融合时间尺度实验与结果分析 | 第73-77页 |
| 5.4.1 融合时间尺度涨跌分析 | 第73-75页 |
| 5.4.2 融合时间尺度回归分析 | 第75-77页 |
| 5.5 本章小结 | 第77-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 本文总结 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士期间已发表的论文 | 第86-88页 |
| 致谢 | 第88页 |
