| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的目的及意义 | 第9-10页 |
| 1.3 国内外相关技术研究现状 | 第10-15页 |
| 1.3.1 深度学习理论及相关技术研究现状 | 第10-12页 |
| 1.3.2 金融时间序列预测模型研究现状 | 第12-13页 |
| 1.3.3 股票趋势信息呈现方法现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 1.5 本文的章节结构 | 第16-17页 |
| 第2章 股票时序数据集构建 | 第17-22页 |
| 2.1 引言 | 第17页 |
| 2.2 用于构建数据集的股票品种筛选及数据收集 | 第17-20页 |
| 2.3 股票时序数据处理 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于深度学习的股票时序预测模型研究 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 深度学习模型结构及相应构建方法 | 第22-26页 |
| 3.2.1 循环神经网络（RNN） | 第22-24页 |
| 3.2.2 长短时记忆网络（LSTM） | 第24-26页 |
| 3.3 基于LSTM的股票时序数据预测模型设计 | 第26-30页 |
| 3.3.1 构建训练输入及对应的训练输出 | 第26-27页 |
| 3.3.2 LSTM网络结构设计 | 第27页 |
| 3.3.3 LSTM网络激活函数选取 | 第27-28页 |
| 3.3.4 避免过拟合问题的LSTM网络结构设计 | 第28-29页 |
| 3.3.5 LSTM网络模型训练方法优化 | 第29-30页 |
| 3.4 实验设置及结果分析 | 第30-33页 |
| 3.4.1 实验设置及评测标准 | 第30-31页 |
| 3.4.2 实验结果及分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于ARIMA模型的股票时序预测模型研究 | 第34-46页 |
| 4.1 引言 | 第34页 |
| 4.2 基于股票时序预测问题的常规ARIMA模型结构及其构建 | 第34-42页 |
| 4.2.1 股票时序数据平稳性及其检验方法 | 第34-37页 |
| 4.2.2 非平稳时序的平稳化处理方法 | 第37页 |
| 4.2.3 基于ARIMA模型的股票时序预测模型结构设计 | 第37-41页 |
| 4.2.4 模型拟合优度的评价标准及模型择优 | 第41-42页 |
| 4.3 结合小波变换降噪的DB-ARIMA模型方法研究 | 第42-44页 |
| 4.4 实验设置及结果分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于混合模型的股票时序预测方法研究 | 第46-55页 |
| 5.1 引言 | 第46页 |
| 5.2 混合模型整体架构简述及实现 | 第46-48页 |
| 5.3 实验设置及结果分析 | 第48-53页 |
| 5.3.1 实验环境及评测标准 | 第48页 |
| 5.3.2 混合模型与深度学习模型、DB-ARIMA模型的对比 | 第48-50页 |
| 5.3.3 基于Facebook Prophet模型的对比评测 | 第50-52页 |
| 5.3.4 相关文献模型的对比评测 | 第52-53页 |
| 5.4 股票信息服务平台实现 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |
