| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统资产组合算法 | 第13-14页 |
| 1.2.2 多目标遗传算法与差分进化算法 | 第14-15页 |
| 1.2.3 应用于金融领域的深度学习算法 | 第15-16页 |
| 1.3 研究内容和研究方法 | 第16-18页 |
| 1.3.1 研究问题定义 | 第16-17页 |
| 1.3.2 研究方法和研究框架 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 1.5 论文创新点 | 第19-20页 |
| 第二章 面向资金分配的单期约束多目标遗传算法 | 第20-41页 |
| 2.1 约束多目标优化问题 | 第20-23页 |
| 2.1.1 约束多目标优化问题模型 | 第20页 |
| 2.1.2 切比雪夫聚合函数与帕累托优化 | 第20-21页 |
| 2.1.3 实际应用中的资金分配模型 | 第21-23页 |
| 2.2 CMOEA/DFA的详细算法过程及优化细节 | 第23-27页 |
| 2.2.1 初始激活函数A(x) | 第24-25页 |
| 2.2.2 改进的遗传选择算法GSFA | 第25页 |
| 2.2.3 改进的差分进化算法DEFA | 第25-26页 |
| 2.2.4 改进的修复算法REFA | 第26-27页 |
| 2.3 增加CVar和信息熵的四目标遗传算法模型 | 第27-29页 |
| 2.4 模型数据传输流程说明 | 第29页 |
| 2.5 本章实验 | 第29-39页 |
| 2.5.1 实验数据 | 第29-35页 |
| 2.5.2 实验设计 | 第35-36页 |
| 2.5.3 结果分析 | 第36-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 改进的在线动态多期资金分配模型 | 第41-48页 |
| 3.1 固定周期在线动态多期模型 | 第41-42页 |
| 3.2 基于SVM变动周期在线动态多期模型 | 第42-43页 |
| 3.3 基于模糊理论的帕累托解集选择算法 | 第43-44页 |
| 3.4 本章实验 | 第44-46页 |
| 3.4.1 实验数据 | 第44页 |
| 3.4.2 实验设计 | 第44-45页 |
| 3.4.3 结果分析 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于深度学习的投资模型组合降维算法 | 第48-58页 |
| 4.1 深度学习模型 | 第48-51页 |
| 4.2 栈式自编码器 | 第51-52页 |
| 4.3 基于深度学习的投资模型组合降维算法详细流程 | 第52-53页 |
| 4.3.1 自动编码模块 | 第52-53页 |
| 4.3.2 校准模块 | 第53页 |
| 4.3.3 验证模块 | 第53页 |
| 4.3.4 测试模块 | 第53页 |
| 4.4 本章实验 | 第53-56页 |
| 4.4.1 实验数据 | 第53-54页 |
| 4.4.2 实验设计 | 第54页 |
| 4.4.3 结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 金融大数据量化实验平台和综合实验 | 第58-74页 |
| 5.1 量化研究平台总体介绍 | 第58-61页 |
| 5.1.1 基础数据层 | 第59页 |
| 5.1.2 数据预处理与展示层 | 第59-61页 |
| 5.1.3 模型测试层与资金配置层 | 第61页 |
| 5.2 量化研究平台界而展示 | 第61-67页 |
| 5.3 全文综合实验与分析 | 第67-73页 |
| 5.3.1 实验数据 | 第67页 |
| 5.3.2 实验设计 | 第67页 |
| 5.3.3 结果分析 | 第67-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-82页 |
| 致谢 | 第82-83页 |
| 附件 | 第83页 |