基于大數(shù)據(jù)+深度學習的中國金融市場波動性及預警機制研究

第1章 引言
1.1 問題提出
1.2 研究動態(tài)
1.3 研究內容
1.4 創(chuàng)新點與價值
第2章 大數(shù)據(jù)背景下的金融波動性研究
2.1 金融波動性的界定
2.2 金融市場波動性理論
2.3 傳統(tǒng)模型對波動性預測文獻綜述
2.4 深度學習波動性預測文獻綜述
2.5 文獻述評
第3章 深度學習理論與模型
3.1 從機器學習到神經(jīng)網(wǎng)絡
3.2 從神經(jīng)網(wǎng)絡到深度學習
3.3 深度學習主要模型
3.4 深度學習在金融領域中的應用
第4章 基于Python的深度學習實現(xiàn)方式
4.1 Python與深度學習
4.2 Python的特征
4.3 Python的運行環(huán)境
4.4 Python在金融領域中的應用
第5章 基于大數(shù)據(jù) 深度學習的人民幣匯率波動性預測
5.1 引言
5.2 文獻綜述
5.3 研究設計
5.4 大數(shù)據(jù)及預處理
5.5 實證結果及分析
5.6 結論及啟示
第6章 基于大數(shù)據(jù) 深度學習的上證綜指波動率預測
6.1 引言
6.2 文獻綜述
6.3 深度學習模型選擇
6.4 大數(shù)據(jù)選擇及預處理
6.5 實證研究
6.6 結論及啟示
第7章 基于大數(shù)據(jù) 深度學習的滬深300股指期貨價格波動性預測
7.1 引言
7.2 文獻綜述
7.3 研究設計
7.4 大數(shù)據(jù)處理
7.5 實證研究
7.6 結論及啟示
第8章 基于高頻數(shù)據(jù)和EN-LSTM模型的黃金期貨短期波動率預測
8.1 引言
8.2 文獻回顧
8.3 研究設計
8.4 數(shù)據(jù)處理
8.5 實證研究
8.6 結論及啟示
第9章 基于多維高頻數(shù)據(jù)和LSTM模型的滬深300股指期貨極端風險預警
9.1 引言
9.2 研究設計
9.3 實證研究
9.4 結論及啟示
第10章 防范中國金融市場過度波動的對策建議
10.1 理順實體經(jīng)濟與金融市場的良性互動關系
10.2 推進人工智能在金融交易中的應用場景
10.3 合理運用量化交易機制
10.4 全面升級大數(shù)據(jù)時代的金融監(jiān)管
10.5 培育大數(shù)據(jù)時代下的理性投資者
第11章 研究結論與后續(xù)展望
11.1 研究結論
11.2 研究展望
參考文獻
附錄
附錄1 人民幣匯率波動性預測的Python程序代碼
附錄2 人民幣匯率波動性預測的部分原始數(shù)據(jù)
附錄3 上證綜指波動性預測的Python程序代碼
附錄4 上證綜指波動性預測樣本數(shù)據(jù)來源及缺失值填充
附錄5 上證綜指波動性預測樣本多維原始數(shù)據(jù)表
附錄6 滬深300股指期貨波動性預測樣本多維原始數(shù)據(jù)表
附錄7 滬深300股指期貨波動性預測樣本高頻率原始數(shù)據(jù)表
附錄8 滬深300股指期貨波動性預測樣本2010～2018年偶發(fā)事件匯總
附錄9 滬市黃金期貨的部分原始數(shù)據(jù)
附錄10 滬深黃金期貨波動性預測的Python程序
后記