| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第1章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 网络舆情对股市影响 | 第16-17页 |
| 1.2.2 网络文本挖掘法 | 第17页 |
| 1.2.3 股市预测方法 | 第17-19页 |
| 1.3 目前存在问题分析 | 第19页 |
| 1.4 研究内容和创新点 | 第19页 |
| 1.5 论文结构与章节安培 | 第19-21页 |
| 第2章 相关理论知识 | 第21-32页 |
| 2.1 文本挖掘 | 第21-23页 |
| 2.1.1 网络爬虫(Python Spyder) | 第21-22页 |
| 2.1.2 中文分词(Python Jieba) | 第22页 |
| 2.1.3 词频和词语-逆文档频数(TF-IDF) | 第22-23页 |
| 2.1.4 文本向量空间模型(VSM) | 第23页 |
| 2.2 CEEMDAN算法 | 第23-25页 |
| 2.2.1 经验模态分解法(EMD) | 第23-24页 |
| 2.2.2 完全集合经验模态分解(CEEMDAN) | 第24-25页 |
| 2.3 Elman神经网络 | 第25-26页 |
| 2.4 鲸鱼算法(WOA) | 第26-28页 |
| 2.5 改进鲸鱼算法(IWOA) | 第28-29页 |
| 2.6 AdaBoost算法介绍 | 第29-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 数据采集与规范化处理 | 第32-43页 |
| 3.1 样本数据采集 | 第32-33页 |
| 3.1.1 股评数据获取 | 第32-33页 |
| 3.1.2 收盘价数据获取 | 第33页 |
| 3.2 文本数据预处理 | 第33-38页 |
| 3.2.1 中文分词 | 第34页 |
| 3.2.2 去停用词 | 第34-35页 |
| 3.2.3 合并同义词 | 第35-36页 |
| 3.2.4 计算权重 | 第36页 |
| 3.2.5 文本表示 | 第36-38页 |
| 3.3 属性选择 | 第38-42页 |
| 3.3.1 Boruta初步选择属性 | 第38-39页 |
| 3.3.2 CEEMDAN算法属性分解及重构 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 AdaBoost-IWOA-Elman预测模型构建 | 第43-57页 |
| 4.1 Elman神经网络构建 | 第43-45页 |
| 4.1.1 Elman神经网络构建流程 | 第43页 |
| 4.1.2 Elman神经网络模型参数设计 | 第43-45页 |
| 4.2 WOA-Elman预测模型构建 | 第45-49页 |
| 4.2.1 WOA-Elman模型构建思想及流程 | 第45-46页 |
| 4.2.2 WOA算法参数设计 | 第46-49页 |
| 4.3 IWOA-Elman预测模型构建 | 第49-51页 |
| 4.3.1 IWOA-Elman模型构建流程 | 第49-50页 |
| 4.3.2 IWOA算法参数设计 | 第50-51页 |
| 4.4 AdaBoost-IWOA-Elman预测模型构建 | 第51-52页 |
| 4.4.1 AdaBoost-IWOA-Elman模型构建流程 | 第51页 |
| 4.4.2 AdaBoost算法参数设计 | 第51-52页 |
| 4.5 预测结果 | 第52页 |
| 4.6 本章小结 | 第52-57页 |
| 第5章 实验结果及对比讨论 | 第57-65页 |
| 5.1 数据归一化及评估指标 | 第57-58页 |
| 5.1.1 样本数据归一化 | 第57页 |
| 5.1.2 评估指标 | 第57-58页 |
| 5.2 算法性能分析 | 第58-59页 |
| 5.2.1 权重对WOA算法的影响 | 第58页 |
| 5.2.2 适应度分析 | 第58-59页 |
| 5.3 预测结果 | 第59-60页 |
| 5.4 对比分析 | 第60-64页 |
| 5.4.1 预测结果对比 | 第60-62页 |
| 5.4.2 预测效果对比 | 第62-63页 |
| 5.4.3 预测误差分析 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 附录A 攻读学位期间取得的科研成果 | 第74页 |
