基于深度学习算法的上市公司投资决策支持模型研究
发布时间：2021-11-26 17:34
近年来,互联网在改变大众消费方式的同时也促进了电子商务行业的快速扩张,众多互联网及电子商务领域的企业纷纷开始上市融资,以求企业能获得更持久的发展,同时电子商务因其发展的不确定性以及较大的竞争,也承担着较大的风险。因而,对互联网和电商领域的上市企业的股票进行研究,无论对于企业还是投资者都具有重要的现实意义。上市公司股票作为市场经济的独特产物,不仅是企业投融资的重要手段,也是投资者获利的重要方式,在宏观经济调控、资源配置等方面也发挥着重要作用。文章以涉及互联网和电子商务业务的上市企业股票为研究对象,通过对国内外股票质量评价理论及方法进行研究,提出了利用深度学习算法来建立股票质量评价预测模型,目的是给投资者提供决策支持。研究主要有以下几个内容:首先是背景及思想阐述,文章分析了有关电子商务、股票评价理论与神经网络发展的研究现状,对股票质量的影响因素和常用评价指标进行详细介绍,阐述了神经网络理论、几类常见的结构框架以及本文所采用的算法。其次是基于股票质量影响因素创建指标评价体系,本文选取了实验样本为502家涉及互联网及电商业务的上市公司股票,通过对公司近三年的财务报表和相关网站中披露的信息进行分...
【文章来源】：辽宁师范大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
论文基本框架
图 2.1 影响因素树状图ig.2.1 Influencing factors tree以上各种影响因素，而这些因用数学公式将相关因素进行供各项参考依据是股票分析产收益率（ROE）、市盈率（司前景、短期买点、中期趋量指标、波动性指标、人气：股票质量矩阵；如图 2.2 股票质量极为关键的指标，它能力。一般来说，ROE 越大越况很好的公司。
图 2.2 常用指标Fig.2.2 Common indica经网络模型经网络（Artifiical Nerual Network，ANN元连接而形成的多层网络结构，通过学习容错性、自适应学习能力强、泛化力强等优经网络研究的开始[37]，早期的人工神经网络 1986 年 BP 算法的发现，使得非线性的学习但因多层网络的训练比较复杂，在 2006 年 年，多伦多大学 Hinton 教授发表于《 Sci章称可用无监督预训练来解决深度神经网络络学习的热浪。
【参考文献】：
期刊论文
[1]卷积神经网络在脑脊液图像分类上的应用[J]. 龚震霆,陈光喜,曹建收. 计算机工程与设计. 2017(04)
[2]互学习神经网络训练方法研究[J]. 刘威,刘尚,白润才,周璇,周定宁. 计算机学报. 2017(06)
[3]上市公司破产风险时间效应的理论猜想[J]. 郭婷婷. 求是学刊. 2017(02)
[4]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[5]高管团队特征对企业国际市场进入模式的影响研究——注意力的中介作用[J]. 吴建祖,关斌. 管理评论. 2015(11)
[6]深度神经网络在维吾尔语大词汇量连续语音识别中的应用[J]. 麦麦提艾力·吐尔逊,戴礼荣. 数据采集与处理. 2015(02)
[7]基于SOM神经网络的半监督分类算法[J]. 赵建华. 西华大学学报(自然科学版). 2015(01)
[8]机器学习中知识动态获取在函数逼近中的探究[J]. 何成刚,张燕平,张站,张娟. 微计算机信息. 2010(27)
[9]等效分组级联BP网络模型及其应用[J]. 鲁智勇,张权,张希,唐朝京. 电子学报. 2010(06)
[10]基于财务指标体系的中国上市公司投资价值分析[J]. 刘建容,潘和平. 管理学家(学术版). 2010(05)
博士论文
[1]半监督学习和数值模拟的煤层底板突水预警系统研究[D]. 刘雪艳.太原理工大学 2016
[2]我国股票市场波动非对称特性的研究[D]. 刘毅.同济大学 2008
[3]基于粗集—小波神经网络的煤炭企业管理研究[D]. 蔡振禹.天津大学 2007
[4]中国股票市场的非线性分析与预测[D]. 韩文蕾.西北工业大学 2006
[5]小波网络建模预报方法研究及其在股市预测中的应用[D]. 吕淑萍.哈尔滨工程大学 2004
硕士论文
[1]基于深度学习的主题建模方法研究[D]. 朱佳晖.武汉大学 2017
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于新型特征选择方法的网页浏览和网络视频业务分类研究[D]. 王凯.南京邮电大学 2016
[4]基于改进卷积神经网络算法的研究与应用[D]. 王飞飞.南京邮电大学 2016
[5]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[6]基于神经网络技术的股票买入点预测系统的设计与实现[D]. 张宇.北京工业大学 2016
[7]微表情识别的理论和方法研究[D]. 刘宇灏.东南大学 2016
[8]基于深度学习的问题分类的研究[D]. 周鑫鹏.哈尔滨工业大学 2016
[9]基于文本情感分析的股价预测研究与实现[D]. 戴成骏.重庆大学 2016
[10]中国股指期货市场与现货市场关系的实证分析[D]. 王亚楠.天津大学 2015
本文编号：3520623
【文章来源】：辽宁师范大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
论文基本框架
图 2.1 影响因素树状图ig.2.1 Influencing factors tree以上各种影响因素，而这些因用数学公式将相关因素进行供各项参考依据是股票分析产收益率（ROE）、市盈率（司前景、短期买点、中期趋量指标、波动性指标、人气：股票质量矩阵；如图 2.2 股票质量极为关键的指标，它能力。一般来说，ROE 越大越况很好的公司。
图 2.2 常用指标Fig.2.2 Common indica经网络模型经网络（Artifiical Nerual Network，ANN元连接而形成的多层网络结构，通过学习容错性、自适应学习能力强、泛化力强等优经网络研究的开始[37]，早期的人工神经网络 1986 年 BP 算法的发现，使得非线性的学习但因多层网络的训练比较复杂，在 2006 年 年，多伦多大学 Hinton 教授发表于《 Sci章称可用无监督预训练来解决深度神经网络络学习的热浪。
【参考文献】：
期刊论文
[1]卷积神经网络在脑脊液图像分类上的应用[J]. 龚震霆,陈光喜,曹建收. 计算机工程与设计. 2017(04)
[2]互学习神经网络训练方法研究[J]. 刘威,刘尚,白润才,周璇,周定宁. 计算机学报. 2017(06)
[3]上市公司破产风险时间效应的理论猜想[J]. 郭婷婷. 求是学刊. 2017(02)
[4]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川. 数据采集与处理. 2016(01)
[5]高管团队特征对企业国际市场进入模式的影响研究——注意力的中介作用[J]. 吴建祖,关斌. 管理评论. 2015(11)
[6]深度神经网络在维吾尔语大词汇量连续语音识别中的应用[J]. 麦麦提艾力·吐尔逊,戴礼荣. 数据采集与处理. 2015(02)
[7]基于SOM神经网络的半监督分类算法[J]. 赵建华. 西华大学学报(自然科学版). 2015(01)
[8]机器学习中知识动态获取在函数逼近中的探究[J]. 何成刚,张燕平,张站,张娟. 微计算机信息. 2010(27)
[9]等效分组级联BP网络模型及其应用[J]. 鲁智勇,张权,张希,唐朝京. 电子学报. 2010(06)
[10]基于财务指标体系的中国上市公司投资价值分析[J]. 刘建容,潘和平. 管理学家(学术版). 2010(05)
博士论文
[1]半监督学习和数值模拟的煤层底板突水预警系统研究[D]. 刘雪艳.太原理工大学 2016
[2]我国股票市场波动非对称特性的研究[D]. 刘毅.同济大学 2008
[3]基于粗集—小波神经网络的煤炭企业管理研究[D]. 蔡振禹.天津大学 2007
[4]中国股票市场的非线性分析与预测[D]. 韩文蕾.西北工业大学 2006
[5]小波网络建模预报方法研究及其在股市预测中的应用[D]. 吕淑萍.哈尔滨工程大学 2004
硕士论文
[1]基于深度学习的主题建模方法研究[D]. 朱佳晖.武汉大学 2017
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于新型特征选择方法的网页浏览和网络视频业务分类研究[D]. 王凯.南京邮电大学 2016
[4]基于改进卷积神经网络算法的研究与应用[D]. 王飞飞.南京邮电大学 2016
[5]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[6]基于神经网络技术的股票买入点预测系统的设计与实现[D]. 张宇.北京工业大学 2016
[7]微表情识别的理论和方法研究[D]. 刘宇灏.东南大学 2016
[8]基于深度学习的问题分类的研究[D]. 周鑫鹏.哈尔滨工业大学 2016
[9]基于文本情感分析的股价预测研究与实现[D]. 戴成骏.重庆大学 2016
[10]中国股指期货市场与现货市场关系的实证分析[D]. 王亚楠.天津大学 2015
本文编号：3520623
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3520623.html
