| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 概述 | 第14-18页 |
| 1.2 本研究的贡献 | 第18-19页 |
| 1.3 章节安排 | 第19-20页 |
| 第二章 深度学习基础研究 | 第20-36页 |
| 2.1 序列分析 | 第21页 |
| 2.2 神经网络 | 第21-23页 |
| 2.3 递归神经网络 | 第23-31页 |
| 2.3.1 递归神经网络的训练 | 第26-28页 |
| 2.3.2 递归神经网络的长期依赖问题 | 第28-29页 |
| 2.3.3 长短期记忆网络 | 第29-31页 |
| 2.4 优化 | 第31-32页 |
| 2.5 正则 | 第32-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 财经新闻分析模型 | 第36-64页 |
| 3.1 相关工作 | 第38-40页 |
| 3.2 中文分词 | 第40-48页 |
| 3.2.1 相关工作 | 第41-42页 |
| 3.2.2 基于无监督学习的中文分词改进算法 | 第42-44页 |
| 3.2.3 实验与分析 | 第44-48页 |
| 3.3 基于递归自编码器的财经新闻特征提取 | 第48-57页 |
| 3.3.1 递归自编码器 | 第48-51页 |
| 3.3.2 贪心的财经新闻特征提取 | 第51-54页 |
| 3.3.3 实验与分析 | 第54-57页 |
| 3.4 基于双向长短期记忆网络的财经新闻分析 | 第57-62页 |
| 3.4.1 基于双向长短期记忆网络的财经新闻分析模型 | 第57-60页 |
| 3.4.2 实验与分析 | 第60-62页 |
| 3.5 本章小节 | 第62-64页 |
| 第四章 金融时间序列分析模型及融合分析模型 | 第64-80页 |
| 4.1 相关工作 | 第65-69页 |
| 4.2 基于深度长短期记忆网络的金融时间序列分析 | 第69-75页 |
| 4.2.1 数据预处理 | 第69页 |
| 4.2.2 目标函数 | 第69-70页 |
| 4.2.3 基于深度长短期记忆网络的金融时间序列分析模型 | 第70-72页 |
| 4.2.4 实验与分析 | 第72-75页 |
| 4.3 结合财经新闻分析模型及金融时间序列分析模型 | 第75-78页 |
| 4.3.1 基于深度学习的融合分析模型 | 第75-76页 |
| 4.3.2 实验与分析 | 第76-78页 |
| 4.4 本章小结 | 第78-80页 |
| 第五章 总结与展望 | 第80-83页 |
| 5.1 总结 | 第80-81页 |
| 5.2 未来工作 | 第81-83页 |
| 参考文献 | 第83-93页 |
| 致谢 | 第93-94页 |
| 攻读学位期间发表的学术论文 | 第94页 |
