基于机器学习的量化投资建模研究

博士后期间的科研成果

参考文献

7.2 研究展望

7.1 研究总结

7 总结与展望

6.6 小结

6.5 DDPG算法实现及实验结果分析

6.4 基于DDPG的自动化投资组合模型构建

6.3 深度强化学习的理论基础

6.2 深度强化学习在金融领域应用研究概述

6.1 最优投资组合构建难点与机器学习方法优势分析

6 基于深度强化学习的在线最优投资组合构建研究

5.4 小结

5.3 申万一级行业MEMD-SVC择时策略的设计与实现

5.2 MEMD-Apriori行业轮动分析及策略实现

5.1 行业互动关系建模的理论分析

5 股票行业互动关系建模及择时策略研究

4.5 小结

4.4 基于小波低频分量的量化择时策略

4.3 基于CEEMDAN-LSTM的指数择时策略研究

4.2 基于低频分量EEMD-SVR建模的CSI 300量化择时策略

4.1 股票指数量化投资概述

4 基于机器学习预测的股市指数量化择时研究

3.7 小结

3.6 基于M-LSTM的股票指数日内交易量分布预测

3.5 基于CEEMDAN-LSTM的股票指数预测建模

3.4 基于EEMD-SVR的股票指数预测建模

3.3 遗传算法改进的EMD-SVR股票指数预测建模

3.2 EMD分解下基于SVR的股票价格集成预测

3.1 股票价格预测方法概述

3 基于机器学习的股票价格与交易量预测建模

2.7 小结

2.6 LSTM网络结构与工作原理

2.5 关联规则挖掘之Apriori算法

2.4 ε-不敏感的支持向量回归模型

2.3 最大信息系数MIC

2.2 多元经验模态分解与数据重构

2.1 经验模态分解及其改进方法

2 量化投资建模的机器学习理论基础

1.6 本书的结构安排

1.5 研究特色与创新点

1.4 研究思路及框架

1.3 研究目标及内容

1.2 国内外研究现状综述

1.1 研究背景及意义

1 绪论

摘要

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

摘要

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状综述

1.3 研究目标及内容

1.4 研究思路及框架

1.5 研究特色与创新点

1.6 本书的结构安排

2 量化投资建模的机器学习理论基础

2.1 经验模态分解及其改进方法

2.2 多元经验模态分解与数据重构

2.3 最大信息系数MIC

2.4 ε-不敏感的支持向量回归模型

2.5 关联规则挖掘之Apriori算法

2.6 LSTM网络结构与工作原理

2.7 小结

3 基于机器学习的股票价格与交易量预测建模

3.1 股票价格预测方法概述

3.2 EMD分解下基于SVR的股票价格集成预测

3.3 遗传算法改进的EMD-SVR股票指数预测建模

3.4 基于EEMD-SVR的股票指数预测建模

3.5 基于CEEMDAN-LSTM的股票指数预测建模

3.6 基于M-LSTM的股票指数日内交易量分布预测

3.7 小结

4 基于机器学习预测的股市指数量化择时研究

4.1 股票指数量化投资概述

4.2 基于低频分量EEMD-SVR建模的CSI 300量化择时策略

4.3 基于CEEMDAN-LSTM的指数择时策略研究

4.4 基于小波低频分量的量化择时策略

4.5 小结

5 股票行业互动关系建模及择时策略研究

5.1 行业互动关系建模的理论分析

5.2 MEMD-Apriori行业轮动分析及策略实现

5.3 申万一级行业MEMD-SVC择时策略的设计与实现

5.4 小结

6 基于深度强化学习的在线最优投资组合构建研究

6.1 最优投资组合构建难点与机器学习方法优势分析

6.2 深度强化学习在金融领域应用研究概述

6.3 深度强化学习的理论基础

6.4 基于DDPG的自动化投资组合模型构建

6.5 DDPG算法实现及实验结果分析

6.6 小结

7 总结与展望

7.1 研究总结

7.2 研究展望

参考文献

博士后期间的科研成果