2008年毕业于北京航空航天大学系统工程专业，获工学博士学位。现为首都经济贸易大学管理工程学院院长助理。研究领域为量化金融、机器学习、风险管理等；主持或参与项目16项；发表SCI、EI等高水平学术论文30余篇。

目录

1绪论

1.1研究背景及意义

1.1.1研究背景

1.1.2研究意义

1.2研究现状

1.2.1国内研究现状

1.2.2国外研究现状

1.3主要贡献

1.3.1在运用机器学习算法方面的主要贡献

1.3.2在运用深度学习算法方面的主要贡献

2理论基础

2.1量化择时

2.1.1择时策略

2.1.2策略类型

2.1.3市场有效性理论

2.1.4技术指标

2.2支持向量机

2.2.1线性支持向量机

2.2.2非线性支持向量机

2.3深度学习和神经网络

2.3.1卷积神经网络

2.3.2循环神经网络

2.3.3激活函数

3基于SVM的股票择时研究

3.1模型构建原则

3.1.1数据获取

3.1.2数据拆分

3.1.3数据预处理

3.1.4特征指标与预测变量的选择

3.1.5参数寻优

3.1.6训练择时模型

3.1.7分析择时效果

3.1.8测试模型

3.2模型构建

3.2.1设定择时条件

3.2.2特征指标

3.3改进算法

3.3.1萤火虫算法

3.3.2改进萤火虫算法

3.3.3参数寻优

3.4个股实证分析

3.4.1MFA算法有效性验证

3.4.2个股实证指标

3.4.3平安银行个股实证

3.4.4中信证券个股实证

3.5指数实证分析结果

3.5.1中证500指数

3.5.2创业板指数

3.5.3沪深300指数

4基于深度学习的股票择时研究

4.1指标获取

4.1.1指标介绍

4.1.2指标可视化

4.2数据预处理

4.2.1数据正则化

4.2.2维度分析

4.3混合CNN-RNN模型的构建

4.3.1模型构建思路

4.3.2模型构建流程

4.3.3模型结构

4.3.4模型评估

4.4基于UCI数据集的实证研究

4.4.1实验数据

4.4.2参数设置

4.4.3实验结果

4.5基于股票市场指标数据的实证研究

4.5.1实验数据

4.5.2参数设置

4.5.3实验结果

5结论与展望

5.1结论

5.2展望

参考文献

附录混合CNN-RNN模型代码