社交文本驱动的混合深度序列股票预测模型
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 研究现状 | 第16-19页 |
| 1.2.1 传统股价趋势预测 | 第16-17页 |
| 1.2.2 基于社交媒介信息的股价趋势预测 | 第17-18页 |
| 1.2.3 注意力机制和多模态数据融合 | 第18-19页 |
| 1.3 本文工作与主要贡献 | 第19-20页 |
| 1.4 组织结构 | 第20-22页 |
| 第二章 预备知识 | 第22-32页 |
| 2.1 深度神经网络模型 | 第22-29页 |
| 2.1.1 全连接神经网络 | 第22页 |
| 2.1.2 循环神经网络 | 第22-24页 |
| 2.1.3 长短时记忆网络 | 第24-26页 |
| 2.1.4 优化算法 | 第26页 |
| 2.1.5 深度学习处理文本序列 | 第26-29页 |
| 2.2 基于主题模型的序列特征提取 | 第29-32页 |
| 2.2.1 隐狄利克雷分布 | 第29-30页 |
| 2.2.2 带标签的隐狄利克雷分布 | 第30-32页 |
| 第三章 成对循环神经网络 | 第32-39页 |
| 3.1 数学标记 | 第32-33页 |
| 3.2 问题定义 | 第33页 |
| 3.3 循环神经网络建模股票主题得分序列 | 第33-34页 |
| 3.4 深层次循环神经网络建模社交文本序列 | 第34-36页 |
| 3.5 成对循环神经网络 | 第36-38页 |
| 3.5.1 股价主题得分序列模块 | 第36-37页 |
| 3.5.2 社交文本序列模块 | 第37页 |
| 3.5.3 多模态间融合 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 跨模态的混合循环神经网络 | 第39-48页 |
| 4.1 价格注意力模型 | 第39-42页 |
| 4.1.1 编码端注意力机制 | 第40-41页 |
| 4.1.2 解码端注意力机制 | 第41-42页 |
| 4.2 社交文本序列预处理 | 第42-45页 |
| 4.2.1 基于池化表示的文本序列模型 | 第42-43页 |
| 4.2.2 基于注意力表示的文本序列模型 | 第43-45页 |
| 4.3 多模态数据融合 | 第45-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 实验结果与分析 | 第48-57页 |
| 5.1 实验基本设置 | 第48-49页 |
| 5.2 数据集描述 | 第49-50页 |
| 5.2.1 文本数据集描述 | 第49页 |
| 5.2.2 股价序列数据集描述 | 第49-50页 |
| 5.2.3 基于主题模型提取的情感特征数据集描述 | 第50页 |
| 5.3 基准模型 | 第50-51页 |
| 5.4 模型比较 | 第51-53页 |
| 5.5 擦除实验 | 第53页 |
| 5.6 投资策略及样例分析 | 第53-57页 |
| 5.6.1 股票市场投资策略 | 第53-55页 |
| 5.6.2 案例分析 | 第55页 |
| 5.6.3 错误分析 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间发表论文和科研情况 | 第67页 |
