| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究的目的和意义 | 第15-16页 |
| 1.4 论文结构 | 第16-17页 |
| 第二章 股票预测的关键性问题 | 第17-25页 |
| 2.1 股票预测面临的关键问题 | 第17-18页 |
| 2.2 股票预测的影响因素 | 第18-19页 |
| 2.3 传统的投资分析方法 | 第19-22页 |
| 2.3.1 基本分析法 | 第20页 |
| 2.3.2 技术分析法 | 第20页 |
| 2.3.3 证券组合分析法 | 第20-21页 |
| 2.3.4 时间序列分析法 | 第21-22页 |
| 2.3.5 非线性系统分析法 | 第22页 |
| 2.4 预测方法的比较 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 人工神经网络模型 | 第25-37页 |
| 3.1 人工神经网络分析 | 第25-26页 |
| 3.2 BP神经网络及算法 | 第26-32页 |
| 3.2.1 BP神经网络 | 第26-28页 |
| 3.2.2 BP神经网络算法 | 第28-32页 |
| 3.3 BP神经网络算法在股市预测中存在的问题 | 第32-35页 |
| 3.3.1 网络泛化 | 第33-34页 |
| 3.3.2 输入量的确定 | 第34-35页 |
| 3.3.3 参数的调节 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 改进的BP算法在股市预测中的作用 | 第37-49页 |
| 4.1 BP算法的改进 | 第37-39页 |
| 4.1.1 动量法 | 第37-38页 |
| 4.1.2 学习率自适应调整 | 第38-39页 |
| 4.1.3 动量—自适应学习速率调整算法 | 第39页 |
| 4.2 基于灰色模型的改进BP神经网络 | 第39-41页 |
| 4.2.1 GM(1,1)模型简介 | 第39-40页 |
| 4.2.2 灰色预测及分类 | 第40-41页 |
| 4.2.3 基于GM(1,1)模型的BP神经网络改进 | 第41页 |
| 4.3 改进BP神经网络模型的建立及预测 | 第41-47页 |
| 4.3.1 网络拓扑结构的设计 | 第42-43页 |
| 4.3.2 改进BP网络模型的建立及预测 | 第43-46页 |
| 4.3.3 改进BP网络模型的建立步骤 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 基于BP神经网络的股市预测模型在MATLAB中的实现 | 第49-57页 |
| 5.1 初始数据的选取及处理 | 第49-52页 |
| 5.2 改进的神经网络模型的拟合 | 第52-55页 |
| 5.3 仿真实验及误差分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 结论与展望 | 第57-61页 |
| 6.1 本文工作 | 第57-58页 |
| 6.2 本文贡献 | 第58-59页 |
| 6.3 不足和展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录A 攻读硕士学位期间科研及学术论文 | 第67页 |