| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 相关领域研究现状及存在的问题 | 第12-18页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.2.3 存在的问题 | 第17-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 第二章 相关理论 | 第21-39页 |
| 2.1 股票市场常用术语和相关技术指标 | 第21-23页 |
| 2.2 股票预测方法分类 | 第23-24页 |
| 2.2.1 基本分析方法 | 第23-24页 |
| 2.2.2 技术分析方法 | 第24页 |
| 2.3 机器学习 | 第24页 |
| 2.4 神经网络 | 第24-31页 |
| 2.4.1 人工神经元模型 | 第25-27页 |
| 2.4.2 感知机模型 | 第27-28页 |
| 2.4.3 神经网络 | 第28-31页 |
| 2.5 信息融合 | 第31-32页 |
| 2.6 集成学习 | 第32-37页 |
| 2.6.1 集成学习概述 | 第32页 |
| 2.6.2 个体学习器 | 第32页 |
| 2.6.3 Boosting算法 | 第32-36页 |
| 2.6.4 Bagging算法 | 第36页 |
| 2.6.5 结合策略 | 第36-37页 |
| 2.7 本章小结 | 第37-39页 |
| 第三章 基于单视角特征数据模型的股票预测 | 第39-47页 |
| 3.1 单视角特征数据构造方法 | 第39页 |
| 3.2 SVFD-BPNN模型 | 第39-40页 |
| 3.3 基于SVFD-BPNN模型的股票预测 | 第40-45页 |
| 3.3.1 SVFD | 第41-44页 |
| 3.3.2 SVFD-BPNN模型的网络结构设计 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于多视角特征数据模型的股票预测 | 第47-55页 |
| 4.1 多视角特征数据构造方法 | 第47页 |
| 4.2 MVFDIF-BPNN模型 | 第47-48页 |
| 4.3 MVFDIL-BPNN模型 | 第48-49页 |
| 4.3.1 MVFDIL-BPNN模型结构 | 第48页 |
| 4.3.2 BagMVFDIL-BPNN算法 | 第48-49页 |
| 4.4 基于MVFDIF-BPNN模型的股票预测 | 第49-51页 |
| 4.4.1 MVFDIF | 第49-51页 |
| 4.4.2 MVFDIF-BPNN模型的网络结构设计 | 第51页 |
| 4.5 基于MVFDIL-BPNN模型的股票预测 | 第51-53页 |
| 4.5.1 MVFDIL | 第52页 |
| 4.5.2 MVFDIL-BPNN模型的网络结构设计 | 第52-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 股票预测模型实证分析 | 第55-77页 |
| 5.1 基于SVFD-BPNN模型的股票预测实证分析 | 第55-60页 |
| 5.1.1 基于SVFD-BPNN模型的股票预测最优网络结构 | 第55-58页 |
| 5.1.2 基于SVFD-BPNN模型的股票预测结果及分析 | 第58-60页 |
| 5.2 基于MVFDIF-BPNN模型的股票预测实证分析 | 第60-64页 |
| 5.2.1 基于MVFDIF-BPNN模型的股票预测最优网络结构 | 第60-63页 |
| 5.2.2 基于MVFDIF-BPNN模型的股票预测结果及分析 | 第63-64页 |
| 5.3 基于MVFDIL-BPNN模型的股票预测实证分析 | 第64-75页 |
| 5.3.1 MVFDIL-BPNN模型的股票预测最优网络结构 | 第65-68页 |
| 5.3.2 基于MVFDIL-BPNN模型的股票预测结果及分析 | 第68-75页 |
| 5.4 各模型实验对比结果及分析 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 本文工作总结 | 第77-78页 |
| 未来工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 | 第83-89页 |
| 攻读硕士学位期间取得的科研成果 | 第89-91页 |
| 致谢 | 第91-92页 |
