一、股票模拟交易实验室的探索(论文文献综述)
白迪[1](2021)在《基于基本面指标和代价敏感的股票趋势预测研究》文中认为股票趋势预测研究对投资具有重要意义,其中基本面分析是股票趋势预测中的重要研究方法之一,而基本面信息或指标(如财务指标)主要反映了股票的质量或内在价值。传统的基于基本面分析的股票趋势预测研究中,大都从股票的财务指标和历史交易数据中选取股票特征对股票组合中所有股票的收益率进行预测,再采取某种投资策略对股票进行交易,如多头策略、多空策略;但传统的预测模型在训练过程中大都未考虑到股票收益率预测结果的错误导致的投资损失,即代价敏感问题;除此之外由于股票特征较多,有大量研究对股票进行特征选择,以提高模型预测性能,常用的股票特征选择方法如随机森林和主成分分析等,但这些特征选择方法与预测模型无关。本文的主要工作如下:(1)将传统基于股票基本面的股票趋势预测任务定义为一个端到端的有监督学习的三分类样例均衡和不均衡的分类任务,以及五分类样例均衡的分类任务,预测股票的月收益率排位,并直接输出交易信号,股票特征包括了29个基本面指标和11个由历史交易数据构成的技术指标。(2)针对特征选择与预测模型无关的问题,本文提出使用二进制灰狼优化算法(BGWO,Binary Grey Wolf Optimizer)对股票特征选择,LSTM作为分类器的BGWO-LSTM模型对股票趋势进行预测。(3)提出使用代价敏感学习的方法处理分类器分类错误造成的投资损失问题,代价敏感学习中的关键在于结合股票趋势预测任务的代价敏感矩阵的构建,对于该问题,针对不同的分类情况和投资策略本文共讨论了六种情况下的代价敏感矩阵的设计方案,并构建了相应的分类器。(4)本文使用沪深300指数成分股的数据,预测股票下个月的收益率排位。实验结果表明,在分类类别为3和5时,本文提出的BGWO-LSTM模型在预测中的准确率较基准模型提升了至少1.23%和1.31%,对本文提出的引入代价敏感信息的BGWO-LSTM模型在六种代价敏感情况下进行模拟交易时,均取得了较好的试验结果,较未引入代价敏感信息模型的年化收益率提升了至少35%,分别超过平均投资组合和沪深300指数的年化收益率的至少6%和23%,验证了本文提出的引入代价敏感信息的BGWO-LSTM模型在基于基本面指标的股票趋势预测中的有效性。
王立民,周育良[2](2021)在《证券交易虚拟仿真实验教学平台建设与应用》文中研究指明基于人工智能技术设计开发了证券交易虚拟仿真实验教学平台,包括实验教学管理系统和虚拟仿真交易。通过多情景实验设计和无时限实验实施,实现了证券交易现代化教学,智能化的实验考核系统有效提高了实验教学质量。该平台可以实现人机、师生、生生之间多角色交互性虚拟仿真实验,提高了学生参与实验的兴趣。
潘唯一[3](2020)在《基于机器学习技术的量化投资策略研究》文中提出近年来,以神经网络为代表的机器学习模型在自然语言处理、图像识别等领域取得了极大的成就。金融投资行业作为经济社会中最为高效的行业,向来重视最新的科学技术与金融实务的融合。于是,将相关模型方法用于金融领域的研究也成为了学界和业界的研究热点。本文对基于机器学习算法的量化投资研究现状做了综述总结,而后主要从两个方面开展了研究:基于横截面数据的量化选股策略研究和基于时间序列数据的量化交易择时策略研究。具体如下:(1)基于随机分布嵌入(Randomly Distributed Embedding,RDE)的量化选股研究。本研究以目标股票的同行业股价数据为数据源,基于随机分布嵌入框架,预测股票的涨跌幅。具体而言,以行业内股票的历史数据为输入,构建行业股票吸引子在低维空间的投影,实现对目标股票的一个预测。将多个低维空间的预测综合起来,实现对目标股票未来涨跌幅的预测。(2)基于卷积神经网络的量化择时研究。本研究以单只股票的历史交易数据为输入,使用卷积神经网络及梯度提升树预测股票买卖点。基于股票日频数据较少的特点,采取使用人工特征的方法降低模型复杂度。针对训练集数据类别不平衡的特点,尝试使用调整阈值,模型融合等方法改善模型效果。将基于机器学习的算法合理运用到量化策略研究中可以获得较好的效果。基于大量的实验对比,本文认为基于对股票市场数据特点的认识,将新的机器学习算法合理转化运用到量化策略研究中,可以获得超过传统模型的预测效果,为在证券市场中获得超额收益提供支持。
陈春,武剑,刘志芳[4](2020)在《模拟交易在金融专业实践教学中的应用探索》文中研究表明加强实践教学是提升教学质量的重要环节。为适应新形势的要求,深圳电大金融专业基于专业实践教学的需要,对实践教学环节中的"社会调查"进行了改革,利用校企合作的方式采用模拟软件进行外汇(股票)模拟交易,提高了学生的技能,取得了一定的成效,但仍然存在操作对象单一、学生风险防范意识不强等问题。为此需要进一步完善实践教学环节,丰富模拟交易内容和完善成绩评定标准,以推动教学改革向纵深发展,提升整体的专业教学质量。
袁杰[5](2020)在《基于神经网络的量化交易策略研究与实现》文中研究表明随着计算机技术的快速发展,量化交易技术被金融机构和个人投资者广泛使用。量化交易技术利用计算机技术、数学工具和综合性的数据来做出合理的交易决策。有许多研究旨在通过机器学习方法预测股票市场价格并获得超额回报。近年来,深度学习方法受到了极大的关注,并被成功应用于许多领域。它可以应用于解决金融市场交易问题。因此,本文的主要研究内容是构造基于神经网络和深度学习的模型用于预测中国A股市场股票价格的未来趋势,并构建能够获取超额收益的量化交易策略。本论文的主要研究内容如下。首先,本文建立了基于深度学习和神经网络的模型,以预测股价的未来趋势。本文利用历史价格数据和股票技术指标作为模型输入,建立回归模型预测股票价格的未来收益率,分类模型预测股票价格的未来涨跌。本文基于这些模型构建了量化交易策略并使用真实历史数据进行模拟交易。实验结果表明,这些模型具有预测股票价格未来趋势的能力,并且基于这些模型的交易策略能够获得超额收益。。其次,本文提出了基于深度强化学习方法构建量化交易策略的方法。本文提出了优化单一资产买卖时机的强化学习环境,以及用于优化投资组合中多个资产权重的环境。然后,使用深度Q网络算法和策略梯度算法来以最大化收益为目标训练深度强化学习模型,并基于深度强化学习模型构建交易策略。实验结果表明,这些交易策略的收益与风险表现优于买入持有策略。最后,本文设计并实现了一个交易策略回测平台,该平台能够利用历史数据进行模拟交易,生成模拟交易结果并分析策略的风险和盈利能力。该系统由四个模块组成,分别负责数据获取与处理,模型的训练和计算,交易策略的回测,以及为用户提供交互界面。
杨振华[6](2020)在《基于深度学习和文本挖掘的股票预测研究》文中进行了进一步梳理金融市场是国家资本市场的重要组成部分,它在保持国民经济的良好快速发展势头中有着不可替代的作用。股票作为其中的典型代表,深受投资者的关注。通过对股票走势的研究和预测,投资者希望挖掘成功的获利模式,管理者则可以进行干涉调控。由于股票数据非线性强,波动性大,至今没有突破性的进展,不过其巨大的挑战性和诱惑力依旧促使着人们不断地探索。随着智能金融,量化投资等概念的不断深化,人们需要找到更强大的智能算法应用于金融市场。机器学习和深度学习方法因其强大的表征学习能力而在许多领域都取得了卓越的成果。在此趋势下,两种学习方法渐渐被应用在金融领域。随着对股市建模完整性的需要和数据体量的增加,文本信息逐渐成为学者们研究股票的挖掘对象,由于股票预测还在研究阶段,构建有效的投资组合成为股票投资的常用方法,而神经网络模型也可帮助实现这一目标。本文的主要贡献如下:1)对股票交易时机预测进行研究,使用自适应阈值分段线性表示算法为每个交易日生成交易标签,提出将技术指标因子构建成多通道图片作为输入,结合卷积神经网络建立了完整的交易时机预测模型。以前一日收盘价的预测结果指导交易,实验表明模型的预测分类性能具有实际意义。结合投资策略和组合投资的模拟交易结果表明,该模型适合短期交易,且提供了较多的获利机会。2)探索挖掘基本面信息进行股票涨跌预测。采集证券公司发布的研究报告和企业财务报表披露的财务指标。面向研究报告,应用卡方检验和词袋模型进行文本表示,实验比较得出随机森林的效果优势明显。面向财务指标数据,提出了特征工程构建和局部归一化的思路,以此降低企业差异带来的财务指标数值差距,提高了分类预测的准确率。在预测股票中长期走势的任务中,两项实验的最佳准确率都达到了60%以上。3)对建立有效的指数跟踪股票组合进行研究,提出基于神经网络的“解码-编码”模型。解码网络从指数中还原个股信息,利用相关系数挑选出还原效果好的股票作为组合成份,编码网络模拟组合构建过程,通过训练确定组合权重。在对上证指数的组合构建中证明本文方法的有效性。
魏侨池[7](2019)在《基于多类特征的股票走势预测及推荐系统》文中提出随着人工智能和经济的发展,市面上出现了越来越多的智能股票投资产品。这类产品基于人工智能算法,为用户提供股票推荐等功能。如果能够设计出有效的股票预测和股票推荐算法,将会进一步提升智能股票投资产品的实际用户体验,也会为人工智能和经济发展同时带来进步。为此本文开展了如下的几项工作。考虑到A股的涨跌非常容易受到多方面因素影响,所以本文融合了多个类型的特征,包括股票公司的基本面数据、股票的财报财务数据、股票的行情数据等。由于特征较多,所以需要对多种特征进行合理有效的特征选择以降低数据的维度,提取出重要特征并抛弃意义较小和引入噪音的特征。对此本文将对多种特征选择方法进行实验,找出对股票预测最有效的特征选择方法。另外为了对股票数据进行建模,本文设计了一系列的针对股票数据集的特征工程工作和数据集构造方案,构造了适合建模的数据集。模型方面,结合多种深度学习方法可以克服传统预测方法面临的许多困难与局限,同时避免人为因素的影响。本文首先使用传统机器学习方法(SVM、LR以及DNN)来对股票的非时序特征进行建模,并使用RNN和CNN类模型来对股票的时序相关特征进行建模。然后,本文提出了一种时序与非时序模型结合的深度模型,该模型可以同时处理非时序特征和时序特征,其“Wide”部分负责处理非时序特征,“Deep”部分负责处理时序相关特征。然后模型再对两部分提取到的特征统合建模。该模型在F1值等评价标准上高于其他基础模型。为了更加精准地进行股票推荐,本文在上述模型的基础上,分别构造了分类数据集和回归数据集,分别对两个数据集建模后,借鉴模型融合的方法,使用两个上层模型对两个基模型的结果继续建模,将得到的基分类器特征列权重用于计算股票的推荐分数。基于该推荐分数,对股票进行排序推荐,在对推荐进行传统评价的基础上,本文还通过模拟交易计算了收益率和超额收益率等投资评价指标,使推荐结果更具现实意义。另外,为了能让用户操作整个推荐和模拟交易的流程,本文又基于Django框架构建了一个股票推荐系统。用户可以定义自己喜欢的推荐时间段和推荐股票数,系统将自动为其推荐对应的股票,并进行模拟交易。推荐系统也将会展示股票推荐的各项结果。
潘红红[8](2019)在《A大学金融实验室建设项目进度管理研究》文中进行了进一步梳理A大学金融实验室第三期建设工程是A大学专业群对接产业链项目的一个重要组成部分,它能否顺利建设、按期完工,对整个项目起到了非常重要的作用。在A大学金融实验室前两期的建设中,由于采用的是粗放式的管理,从而在建设过程中出现了职责不清、任务不明、工序混乱、随意变更计划等问题,导致实际工期拖延和项目成本增加。因此在接下来的第三期实验室建设过程中,为了确保金融实验室建设项目完成预期的目标,必须要对整个项目实施合理的计划和控制。文中首先介绍了A大学金融实验室项目的整体概况,通过分析前两期建设管理当中存在的问题及原因,提出进行项目进度管理的必要性。其次从第三期金融实验室建设项目的实际情况入手,运用项目进度控制的理论和方法、工具,对项目进行WBS工作结构分解,通过Project软件绘制项目的甘特图和网络图,运用关键路径法对项目的进度计划进行分析,并提出了如何进行进度计划优化的主要对策。再次,在项目实际建设过程中,收集项目的实际进度数据,分析偏差,查找原因,并提出改善措施,最终确保了A大学金融实验室第三期建设的如期完成。通过研究表明,与前两期项目的管理相比,通过使用项目进度的原理,编制合理的进度计划,并在项目实际过程中进行监测,同时做好各种纠偏及保障措施,可以取得较好的效果。最后希望通过本文的研究,探索进度管理在高校实验室建设当中的应用思路,并为以后类似实验室建设项目提供借鉴和指导。
王立民,邹芸珂,刘浩[9](2019)在《国内外金融实验室的比对分析》文中进行了进一步梳理通过将北美典型的金融工程实验室的建立、开放对象、软硬件情况、规模以及它们的实验方向进行介绍和分析,将国外大学金融实验室与国内大学的金融实验室进行对比,找出国内与国外在金融实验室方面的差距,并提出了一些金融实验室建设和改进的意见。
罗艺璇[10](2018)在《投资者个人特质及家庭环境对投资收益影响的实验研究》文中研究表明近年来,许多经验学家和实验经济学家都认为,人们的个人特质或外界环境如何影响他们在资本市场中的行为和收益是一个值得探究的问题。对此,本文从个人投资者内在特质与环境的角度出发,选取风险态度、认知能力、年龄以及家庭环境等因素进行探究,在现有研究的基础上,以更加全面的方式对影响投资者投资收益的因子进行综合的刻画。本文在国内外学者理论研究的基础上,建立对于个人内、外影响因素的综合测度框架,创新性的采用实验室纸笔实验与线上模拟交易相结合的方法,对各影响因素进行实证研究,并对现象之间的内在联系进行进一步的分析和检验。基于数据分析,本文得出的结论有:(1)在显着的熊市行情下,投资者对风险及损失的厌恶程度与投资者收益之间具有非线性相关关系。(2)投资者的个人认知能力会影响其投资收益,且认知能力的影响过程受专业学习影响的共同作用。(3)在熊市的情况下,年轻化投资者中,年龄与投资收益呈负相关关系。(4)投资者家庭的知识与投资经验积累越多,投资者的投资收益越高。而家庭环境与风险态度的交互作用对投资者收益具有影响。在研究结果的基础上,本文从投资者与监管机构的角度提出针对性建议,旨在减少冲动入市以及非理性投资行为对市场的冲击,降低市场大幅波动机率,促进中国证券市场更加平稳、有序的发展。
二、股票模拟交易实验室的探索(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、股票模拟交易实验室的探索(论文提纲范文)
(1)基于基本面指标和代价敏感的股票趋势预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于股票历史交易数据的股票时间序列预测相关研究 |
1.2.2 基于基本面分析的股票时间序列预测相关研究 |
1.2.3 总结与分析 |
1.3 本文主要研究内容 |
1.4 本文组织架构 |
第2章 问题定义及相关研究 |
2.1 金融时间序列的表示 |
2.2 本文研究问题描述 |
2.3 股票趋势预测中常见的方法 |
2.3.1 多层感知机 |
2.3.2 循环神经网络 |
2.4 本章小节 |
第3章 实验数据获取及处理 |
3.1 股票特征数据获取 |
3.2 缺失数据处理 |
3.3 实验数据集构建 |
3.4 数据归一化处理 |
3.5 数据集划分 |
3.6 本章小结 |
第4章 基于BGWO的股票特征选择实验及分析 |
4.1 引言 |
4.2 灰狼优化算法 |
4.2.1 等级划分 |
4.2.2 包围猎物 |
4.2.3 狩猎 |
4.2.4 攻击和探索猎物 |
4.3 基于BGWO的股票特征选择 |
4.4 基于BGWO的股票特征选择实验分析 |
4.4.1 分类评价指标 |
4.4.2 实验模型 |
4.4.3 实验环境 |
4.4.4 实验结果及分析 |
4.5 本章小结 |
第5章 基于代价敏感学习的股票趋势预测 |
5.1 引言 |
5.2 本文使用的投资策略 |
5.2.1 多空策略 |
5.2.2 多头策略 |
5.3 代价敏感学习 |
5.4 不同情况下代价矩阵的设计 |
5.4.1 用于多空策略的均衡数据三分类问题代价矩阵 |
5.4.2 用于多头策略的均衡数据三分类问题代价矩阵 |
5.4.3 用于多空策略的均衡数据五分类问题代价矩阵 |
5.4.4 用于多头策略的均衡数据五分类问题代价矩阵 |
5.4.5 用于多空策略的不均衡数据三分类问题代价矩阵 |
5.4.6 用于多头策略的不均衡数据三分类问题代价矩阵 |
5.5 代价敏感损失函数设计 |
5.6 本章小结 |
第6章 实验及模型评价与分析 |
6.1 模拟交易评价指标 |
6.2 实验分析 |
6.2.1 实验结果 |
6.2.2 实验结果分析 |
6.3 本章小节 |
第7章 总结和展望 |
7.1 本文工作内容总结 |
7.2 未来工作展望 |
附录 A |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(2)证券交易虚拟仿真实验教学平台建设与应用(论文提纲范文)
一、文献综述 |
二、虚拟仿真实验教学平台 |
(一)虚拟仿真交易所 |
1.教师管理端 |
2.学生端 |
3.自动撮合交易系统 |
(二)实验教学管理系统 |
1.系统管理模块 |
2.教师管理模块 |
3.学生模块 |
三、实验平台智能化 |
(一)实验设计智能化 |
(二)教学管理智能化 |
(三)智能化撮合算法 |
四、未来发展 |
(一)平台持续建设与更新 |
(二)面向高校的教学推广应用计划 |
(三)面向社会的推广与持续服务计划 |
(3)基于机器学习技术的量化投资策略研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 将机器学习技术应用于量化策略的研究进展综述 |
1.2.1 基于前馈神经网络模型的量化研究 |
1.2.2 基于循环神经网络模型的量化研究 |
1.2.3 基于卷积神经网络模型的量化研究 |
1.2.4 基于集成学习技术的量化研究 |
1.2.5 研究经验总结 |
1.3 本文主要研究内容 |
第2章 基于随机嵌入方法的量化选股策略研究 |
2.1 量化选股策略 |
2.2 非线性动力学系统建模方法介绍 |
2.2.1 非线性动力学系统建模 |
2.2.2 非延迟嵌入法构建系统吸引子方法——RDE |
2.2.3 RDE算法及实际使用 |
2.3 数据集介绍 |
2.3.1 行业价格走势建模 |
2.3.2 输入输出特征 |
2.3.3 数据集介绍 |
2.4 实验结果及结论 |
2.4.1 评价指标及RDE模型超参确定 |
2.4.2 对比模型 |
2.4.3 模型回归效果对比 |
2.4.4 策略盈利能力对比 |
2.5 小结 |
第3章 基于卷积神经网络的量化择时策略研究 |
3.1 量化择时研究 |
3.1.1 研究流程 |
3.1.2 研究难点及应对 |
3.2 数据集及方法介绍 |
3.2.1 输入输出变量 |
3.2.2 模型选择 |
3.3 实验结果及改进 |
3.3.1 评价指标 |
3.3.2 训练及测试集构造 |
3.3.3 模型超参确定 |
3.3.4 分类效果对比 |
3.3.5 策略盈利能力对比 |
3.4 小结 |
第4章 结论与展望 |
4.1 研究结论 |
4.2 研究展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(4)模拟交易在金融专业实践教学中的应用探索(论文提纲范文)
一、加强实践教学的必要性 |
1. 加强实践教学是提升教学质量的重要环节 |
2. 开放教育实践教学环节比较薄弱 |
3. 模拟交易实用性强,实现了理论与实践的结合 |
二、模拟交易在深圳电大的具体实施 |
1. 安排面授辅导 |
2. 分配账号、密码和一定金额虚拟资产 |
3. 学生登录系统了解行情,然后下单买卖 |
4. 完成自我评价,系统自动评分 |
5. 学生导出实训清单连同实训报告打印上交 |
6. 总结发现问题,加以完善 |
三、目前存在的主要问题 |
1. 模拟实训内容和评分标准单一 |
2. 对学生进行现实交易的指导性不强 |
3. 学生模拟操作缺乏主动性和激励性 |
4. 模拟交易还未真正与相关课程深度融合 |
四、完善模拟交易实践教学环节的建议 |
1. 丰富模拟交易内容和完善成绩评定标准 |
2. 激发学习兴趣和提高风险意识 |
3. 营造无时空限制的网络实践教学环境 |
4. 实现专业课程教学与模拟交易的深度融合 |
5. 建立教学环节反馈机制 |
(5)基于神经网络的量化交易策略研究与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 课题研究内容 |
1.4 本文组织结构 |
第二章 相关技术 |
2.1 量化投资的特点和主要方法 |
2.2 神经网络与深度学习 |
2.2.1 多层感知机 |
2.2.2 循环神经网络 |
2.3 强化学习 |
2.3.1 强化学习的基本原理 |
2.3.2 强化学习方法简介 |
2.4 本章小结 |
第三章 基于神经网络的股票价格走势预测 |
3.1 输入特征的选择 |
3.2 数据集构建与预处理 |
3.2.1 数据获取 |
3.2.2 数据预处理 |
3.2.3 用滑动窗口方式构建数据集 |
3.3 神经网络模型设计 |
3.3.1 网络结构设计 |
3.3.2 损失函数选择 |
3.4 使用预测模型构建量化交易策略 |
3.5 实验与分析 |
3.5.1 评价指标 |
3.5.2 实验结果及分析 |
3.6 本章小结 |
第四章 基于深度强化学习的量化交易策略 |
4.1 强化学习环境设计 |
4.1.1 交易单个资产的个股择时环境 |
4.1.2 交易多个资产建立投资组合的环境 |
4.2 基于DQN算法优化个股择时策略 |
4.2.1 训练过程 |
4.2.2 网络结构 |
4.2.3 实验结果 |
4.3 基于Policy Gradient算法优化投资组合 |
4.3.1 训练过程 |
4.3.2 网络结构 |
4.3.3 实验结果 |
4.4 本章小结 |
第五章 交易策略回测平台的设计与实现 |
5.1 需求分析与概要设计 |
5.2 各模块设计与实现 |
5.2.1 数据获取与处理模块 |
5.2.2 模型训练与计算模块 |
5.2.3 策略回测模块 |
5.2.4 用户交互模块 |
5.3 系统展示 |
5.4 本章小结 |
第六章 总结和展望 |
6.1 本文工作总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
(6)基于深度学习和文本挖掘的股票预测研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容及创新点 |
1.3.1 研究内容 |
1.3.2 创新点 |
1.4 论文章节安排 |
第二章 股票预测与模型算法概述 |
2.1 引言 |
2.2 股票市场 |
2.3 预测方法 |
2.4 深度学习和机器学习模型 |
2.4.1 传统神经网络 |
2.4.2 卷积神经网络 |
2.4.3 K近邻算法(KNN) |
2.4.4 支持向量机(SVM) |
2.4.5 随机森林算法(RF) |
2.5 小结 |
第三章 基于CNN和指标因子的股票交易时机预测 |
3.1 引言 |
3.2 预测方法设计 |
3.3 数据获取与预处理 |
3.3.1 标签生成方法 |
3.3.2 输入数据预处理 |
3.4 模型与分类结果分析 |
3.4.1 多指标通道卷积神经网络 |
3.4.2 分类实验与结果 |
3.4.3 纠正策略与结果 |
3.5 模拟交易 |
3.5.1 交易策略 |
3.5.2 模拟交易结果 |
3.5.3 结合投资组合 |
3.5.4 结合深度强化学习的探索 |
3.6 小结 |
第四章 基于基本面信息和随机森林的涨跌预测方法 |
4.1 引言 |
4.2 研究报告挖掘预测方法 |
4.2.1 研究报告数据获取 |
4.2.2 文本向量表示方法 |
4.2.3 文本预处理 |
4.2.4 文本向量生成和涨跌标签生成 |
4.2.5 实验结果与讨论 |
4.3 使用财务指标的预测方法 |
4.3.1 财务指标特征构建 |
4.3.2 归一化方式的讨论 |
4.3.3 实验结果 |
4.4 小结 |
第五章 基于神经网络的指数跟踪投资组合构建方法 |
5.1 引言 |
5.2 模型介绍 |
5.2.1 解码选股模型 |
5.2.2 编码组合模型 |
5.3 实验结果与讨论 |
5.3.1 数据采集与预处理 |
5.3.2 实验设置 |
5.3.3 实验结果 |
5.4 小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
附录 :攻读硕士期间研究成果 |
(7)基于多类特征的股票走势预测及推荐系统(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题来源及研究的目的和意义 |
1.1.1 课题来源 |
1.1.2 课题研究的背景和意义 |
1.2 国内外在该方向的研究现状及分析 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 国内外研究现状的分析 |
1.3 主要研究内容 |
1.3.1 特征工程 |
1.3.2 股票建模 |
1.3.3 股票推荐和推荐系统 |
1.4 本文章节安排 |
第2章 针对A股股票的数据集构造和特征工程 |
2.1 引言 |
2.2 数据的收集和清洗 |
2.3 数据集的构造和预处理 |
2.4 针对股票数据集特色的特征工程 |
2.5 针对股票数据集的特征选择 |
2.6 基于超额收益的任务目标 |
2.7 实验 |
2.7.1 数据集构造方案对比实验 |
2.7.2 特征工程对比实验 |
2.7.3 特征选择对比实验 |
2.7.4 任务目标对比实验 |
2.8 本章小结 |
第3章 时序结构与非时序结构结合的深度模型 |
3.1 引言 |
3.2 三种类型数据集的构造 |
3.3 基于各类传统模型的股票数据集建模 |
3.4 基于各类深度模型的股票数据集建模 |
3.5 多结构结合的深度模型 |
3.6 实验 |
3.6.1 实验数据 |
3.6.2 实验方法 |
3.6.3 实验结果及分析 |
3.7 本章小结 |
第4章 基于模型融合的股票推荐和推荐系统 |
4.1 引言 |
4.2 基于推荐目标的分类模型和回归模型 |
4.3 基于模型融合的推荐算法 |
4.4 基于本文算法的股票推荐系统的搭建 |
4.5 实验 |
4.5.1 实验数据 |
4.5.2 实验方法和评价指标 |
4.5.3 实验结果 |
4.6 本章小结 |
结论 |
参考文献 |
致谢 |
(8)A大学金融实验室建设项目进度管理研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究的背景及意义 |
1.1.1 研究的背景 |
1.1.2 研究的意义 |
1.2 国内外研究现状 |
1.2.1 项目进度管理的研究现状 |
1.2.2 实验室建设项目管理的研究现状 |
1.3 研究内容和研究方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 论文的主要研究成果 |
1.5 论文的技术路线图 |
第2章 相关理论基础 |
2.1 项目进度管理 |
2.2 项目进度计划编制 |
2.2.1 编制的方法 |
2.2.2 编制的原则 |
2.2.3 编制的步骤 |
2.3 项目进度控制 |
2.3.1 S型曲线法 |
2.3.2 挣值法 |
2.4 本章小结 |
第3章 A大学金融实验室建设项目概述 |
3.1 第三期实验室建设项目概况 |
3.2 往期项目建设情况 |
3.3 往期项目建设存在的问题 |
3.4 本章小结 |
第4章 A大学金融实验室建设项目进度计划编制 |
4.1 进度计划编制步骤 |
4.2 项目范围制定 |
4.3 项目工作分解 |
4.4 项目活动排序 |
4.4.1 影响项目活动排序的因素 |
4.4.2 项目活动排序的结果 |
4.5 项目活动时间估算 |
4.6 编制项目进度计划 |
4.7 项目进度计划优化 |
4.8 本章小结 |
第5章 A大学金融实验室建设项目进度控制 |
5.1 项目进度控制过程 |
5.2 项目进度监测 |
5.3 金融实验室项目进度的检查方法 |
5.3.1 S型曲线法的应用 |
5.3.2 挣值法的应用 |
5.4 影响项目进度的因素 |
5.5 项目进度纠偏措施 |
5.6 项目进度其他保障措施 |
5.7 本章小结 |
第6章 结论与展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文与研究成果 |
(9)国内外金融实验室的比对分析(论文提纲范文)
1 北美金融实验室简介 |
1.1 建立 |
1.2 规模 |
1.3 开放对象 |
1.4 硬件 |
1.5 软件 |
1.6 用途 |
1.6.1 教育用途的金融实验室 |
1.6.2 研究用途的实验室 |
2 国内外金融实验室对比 |
3 对国内金融实验室改进的意见 |
(10)投资者个人特质及家庭环境对投资收益影响的实验研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究方法和主要内容 |
1.3 论文的难点与创新点 |
1.3.1 文章难点 |
1.3.2 文章创新点 |
第二章 文献综述 |
2.1 投资收益的影响因素 |
2.1.1 投资者的个人特质因素 |
2.1.2 外界环境因素 |
2.2 研究评述 |
第三章 理论分析与研究假设 |
3.1 相关理论 |
3.1.1 行为金融学理论 |
3.1.2 实验经济学 |
3.2 研究假设 |
3.2.1 风险态度与投资收益 |
3.2.2 认知能力与投资收益 |
3.2.3 年龄与投资收益 |
3.2.4 家庭环境与投资收益 |
第四章 研究设计 |
4.1 实验设计思路 |
4.2 样本选取与收益测量 |
4.3 变量选取与实验设计 |
4.3.1 风险态度 |
4.3.2 认知能力 |
4.3.3 年龄 |
4.3.4 家庭环境 |
4.3.5 控制变量 |
4.4 模型建立 |
4.4.1 风险态度模型构建 |
4.4.2 认知能力模型构建 |
4.4.3 年龄模型构建 |
4.4.4 家庭环境模型构建 |
第五章 实证分析 |
5.1 描述性统计 |
5.1.1 样本描述统计 |
5.1.2 收益率描述统计 |
5.2 自变量的综合测度 |
5.2.1 基于二级指标的主成分提取与值的计算 |
5.3 相关性分析 |
5.4 回归分析 |
5.4.1 风险态度与投资收益检验 |
5.4.2 认知能力与投资收益检验 |
5.4.3 年龄与投资收益检验 |
5.4.4 家庭环境与投资收益检验 |
5.5 稳健性检验 |
第六章 结论与建议 |
6.1 研究结论 |
6.2 对于投资者以及监管部门的建议 |
6.2.1 对于投资者的建议 |
6.2.2 对于金融机构的建议 |
6.2.3 对监管部门的建议 |
6.3 未来研究展望 |
参考文献 |
附录 |
致谢 |
四、股票模拟交易实验室的探索(论文参考文献)
- [1]基于基本面指标和代价敏感的股票趋势预测研究[D]. 白迪. 四川大学, 2021
- [2]证券交易虚拟仿真实验教学平台建设与应用[J]. 王立民,周育良. 中国冶金教育, 2021(02)
- [3]基于机器学习技术的量化投资策略研究[D]. 潘唯一. 中国科学院大学(中国科学院大学人工智能学院), 2020(03)
- [4]模拟交易在金融专业实践教学中的应用探索[J]. 陈春,武剑,刘志芳. 天津电大学报, 2020(01)
- [5]基于神经网络的量化交易策略研究与实现[D]. 袁杰. 北京邮电大学, 2020(05)
- [6]基于深度学习和文本挖掘的股票预测研究[D]. 杨振华. 东华大学, 2020(01)
- [7]基于多类特征的股票走势预测及推荐系统[D]. 魏侨池. 哈尔滨工业大学, 2019(02)
- [8]A大学金融实验室建设项目进度管理研究[D]. 潘红红. 华侨大学, 2019(01)
- [9]国内外金融实验室的比对分析[J]. 王立民,邹芸珂,刘浩. 实验技术与管理, 2019(05)
- [10]投资者个人特质及家庭环境对投资收益影响的实验研究[D]. 罗艺璇. 天津大学, 2018(06)