1.6　本书的结构安排

全书分为7章，结构安排如下：

第1章为绪论。介绍本书的研究背景与意义，对国内外关于量化投资、金融预测以及机器学习和强化学习在金融投资领域中的研究、应用情况进行综述，并系统阐述了本书的主要研究目标、内容、框架以及创新点。

第2章为量化投资建模的机器学习理论基础。首先，介绍经验模态分解及其改进方法EEMD和CEEMDAN的原理、过程以及改进思路；其次，详细阐述了多元经验模态分解MEMD方法原理及数据去噪与重构方法；再次，对最大信息系数MIC、支持向量回归以及关联规则挖掘之Apriori算法进行简要介绍；最后，重点阐述了LSTM神经网络结构及其工作原理。

第3章为基于机器学习的股票价格与交易量预测建模。针对高噪声背景下股票价格与交易量分布预测的难题，在分析已有相关计量与统计预测方法的基础上，对本书提出的信号处理与机器学习相结合的五个预测模型，依次从模型构建的思路、具体过程、评估实验以及结果分析等环节进行详细阐述。

第4章为基于机器学习预测的股市指数量化择时研究。针对以第3章构建的股票价格与交易量预测模型为基础提出的三种股票量化择时策略，包括基于EEMD-SVR的CSI 300量化择时策略、基于CEEMDAN-LSTM的指数择时策略以及基于小波低频分量的量化择时策略，分别从策略构建逻辑思路、建模过程以及策略仿真与回测评估的结果分析等角度进行详细、深入的阐述。

第5章为股票行业互动关系建模及择时策略研究。在简要介绍行业互动关系建模的理论基础上，详细阐述MEMD-Apriori行业轮动分析建模及策略的设计与实现、MEMD-SVC指数涨跌分类预测建模以及相应的申万一级行业MEMD-SVC择时策略的设计与实现，并给出了两个策略的回测实验结果以及分析评估结论。

第6章为基于深度强化学习的在线最优投资组合构建研究。对深度学习、强化学习以及深度强化学习的国内外文献进行分类综述，并详细介绍了三类学习方法的理论基础；然后，深入阐述基于DDPG的在线最优投资组合管理模型构建过程，包括模型交易的基本设置、状态值、动作、奖励等核心内容，并进一步详细介绍了DDPG最优组合模型的实现过程以及评估实验的结果分析等内容。

第7章为总结与展望。总结本书的主要内容，分析本书研究的局限性，并对今后需进一步研究的重要问题和内容进行展望。