| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 导论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文的结构与创新 | 第11-13页 |
| 1.3.1 本文的结构 | 第11-12页 |
| 1.3.2 本文的创新 | 第12-13页 |
| 第二章 资产选取:长短期记忆网络的构建 | 第13-33页 |
| 2.1 人工神经网络(ANN) | 第13-19页 |
| 2.1.1 ANN模型整体框架 | 第13-15页 |
| 2.1.2 激活函数的选择 | 第15-17页 |
| 2.1.3 前向传播与反向传播 | 第17-19页 |
| 2.2 循环神经网络(RNN) | 第19-25页 |
| 2.2.1 RNN模型整体框架 | 第19-21页 |
| 2.2.2 交叉熵 | 第21-22页 |
| 2.2.3 RNN的前向传播与反向传播 | 第22-25页 |
| 2.3 长短期记忆网络LSTM | 第25-32页 |
| 2.3.1 LSTM模型整体框架 | 第25-26页 |
| 2.3.2 LSTM缓解梯度消失 | 第26-28页 |
| 2.3.3 优化函数 | 第28-31页 |
| 2.3.4 Dropout解决过拟合 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 资产配置:神经网络附加配置层 | 第33-38页 |
| 3.1 控制最大回撤条件下的资产最优配置 | 第33-35页 |
| 3.1.1 单一风险资产与单一无风险资产的最优策略 | 第33页 |
| 3.1.2 多风险资产与单一无风险资产的最优策略 | 第33-35页 |
| 3.2 基于回撤控制投资组合策略的改进 | 第35-37页 |
| 3.2.1 动态回撤区间 | 第35-36页 |
| 3.2.2 只控制风险资产的回撤 | 第36-37页 |
| 3.2.3 不允许做空和加杠杆约束下的局部最优化 | 第37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 模型设计 | 第38-44页 |
| 4.1 模型整体框架 | 第38-41页 |
| 4.2 模型参数选择 | 第41-42页 |
| 4.3 模型具体实现方法 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实证分析 | 第44-49页 |
| 5.1 模型过拟合检验 | 第44-45页 |
| 5.2 预测结果分析 | 第45-47页 |
| 5.2.1 精确率 | 第45-46页 |
| 5.2.2 AUC | 第46-47页 |
| 5.3 投资结果分析 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |