基于GARCH和神经网络模型的金融时间序列研究与应用

目录

声明

第一章绪 论

1.1 研究背景

1.1.1 传统时间序列研究

1.1.2 神经网络模型研究现状

1.1.3 传统时间序列和人工神经网络结合

1.2 研究目的

1.3本文研究目标及主要内容

1.4本文组织结构与安排

第二章基于GARCH模型的股票数据特征

2.1 GARCH 模型

2.1.1 ARCH模型

2.1.2 GARCH模型

2.2 提取GARCH 模型数据特征

2.2.1 股票收益率数据检验

2.2.2 获取特征

2.3 技术指标

2.3.1 MACD

2.3.2 RSI

2.3.3 KDJ

2.4 数据预处理

2.4.1 数据获取

2.4.2 数据预处理

2.5 实验结果及分析

2.5.1 实验一

2.5.1 实验二

2.5.3 与现有的研究做比较

2.6 本章小节

第三章构建神经网络的股票预测模型

3.1神经网络模型介绍

3.1.1循环神经网络模型（RNN）

3.1.2 长短时记忆网络模型(LSTM)

3.1.3 卷积神经网络模型（CNN）

3.2 构建网络模型

3.2.1 与现有网络结构比较

3.2.2 网络详细设计

3.3 实验结果及分析

3.3.1 实验评价标准

3.3.2 实验模型设计

3.3.3 不同模型对比实验

3.3.4 时间窗口对比实验

3.3.5 不同的数据特征分组对比实验

3.3.6 验证集对比实验

3.4 本章小结

第四章股票预测系统

4.1 需求分析

4.2 系统设计

4.2.2 相关知识

4.2.3 系统流程图

4.2.4 概要设计

4.2.5 数据的管理

4.3 系统实现

4.3.1 前台展示

4.3.2 后台代码解析

4.4 系统测试

4.5 本章小结

第五章结论与展望

5.1 结论

5.2 展望

参考文献

致谢

作者简介

1 作者简历

2 攻读硕士学位期间发表的学术论文

3 参与的科研项目及获奖情况

4 发明专利

学位论文数据集