| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景、目的与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究目的与意义 | 第14-15页 |
| 1.2 研究内容 | 第15页 |
| 1.3 研究方法与技术路线 | 第15-18页 |
| 1.4 章节安排 | 第18-19页 |
| 1.5 本文创新点 | 第19页 |
| 1.6 本章小结 | 第19-21页 |
| 第二章 文献综述 | 第21-27页 |
| 2.1 投资择时综述 | 第21-22页 |
| 2.2 收益率分布预测综述 | 第22-23页 |
| 2.3 投资组合理论综述 | 第23-24页 |
| 2.4 文献评述 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于机器学习的大类资产择时模型 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 模型构建 | 第27-32页 |
| 3.2.1 Bagging算法 | 第28-29页 |
| 3.2.2 极限学习机 | 第29-30页 |
| 3.2.3 基于深度信念网络的集成模型 | 第30-32页 |
| 3.3 实证研究 | 第32-40页 |
| 3.3.1 实验设计 | 第32-37页 |
| 3.3.2 结果分析 | 第37-40页 |
| 3.3.3 实证小结 | 第40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于分解集成技术的收益率分布预测模型 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 模型构建 | 第41-48页 |
| 4.2.1 集成经验模态分解(EEMD) | 第41-43页 |
| 4.2.2 神经网络分位数回归模型(QRNN) | 第43-46页 |
| 4.2.3 基于EEMD与QRNN的集成预测模型 | 第46-48页 |
| 4.3 实证分析 | 第48-53页 |
| 4.3.1 实验设计 | 第48-49页 |
| 4.3.2 评价标准 | 第49-50页 |
| 4.3.3 结果分析 | 第50-52页 |
| 4.3.4 实证小结 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 基于投资择时与收益率分布预测的投资组合模型 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 模型构建 | 第55-59页 |
| 5.2.1 联合分布建模 | 第55-56页 |
| 5.2.2 投资组合优化 | 第56-58页 |
| 5.2.3 基于投资择时与收益率分布预测的投资组合模型 | 第58-59页 |
| 5.3 实证分析 | 第59-64页 |
| 5.3.1 实验设计 | 第59-61页 |
| 5.3.2 结果分析 | 第61-63页 |
| 5.3.3 实证小结 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 不足与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 研究成果及发表的学术论文 | 第74-75页 |
| 作者简介 | 第75-76页 |
| 附件 | 第76-77页 |