毕业论文课题相关文献综述
文 献 综 述1 选题目的和意义近年来，我国股票市场表现不佳，上证指数大部分时间都在3 000点以下徘徊，有时还会出现较大幅度的下跌。
典型例子有：2018年5月6日，上证指数收盘价从上一交易日的3,078.34点暴跌至2,906.46点，上证指数失守3 000点也即意味着广大股民、股票基金、基于股票的资产管理计划亏损惨重。
然而股市似乎有继续暴跌的趋势，在之后的几个交易日内，上证指数跌破了2 900点关口，截至2019年8月7日，上证指数的收盘价为2,768.68点。
股市是经济的晴雨表，而股票指数又是股市状况的量化代表，因此如何精准预测股票指数成为了如证券市场管理机构、股票投资者等多方利益相关者致力于解决的难题。
本文主要采用深度学习方法中十分适用于时间序列预测的长短期记忆模型（LSTM）对上证指数和沪深300指数进行预测，并将该方法与其它深度学习方法如循环神经网络（RNN）、卷积神经网络（CNN），以及其它机器学习方法如支持向量回归（SVR）、BP神经网络（BP）与ARMA模型等时间序列模型进行比较研究。
LSTM神经网络既继承了RNN神经网络适合处理序列问题的特点，又进一步解决了长期依赖问题，同时对时间序列数据进行预测时能够得到高精度的预测结果，其预测效果优于RNN、CNN、BP神经网络、支持向量回归、ARMA等模型。
互联网数据可以小幅提高LSTM神经网络预测效果，而通过对LSTM神经网络的训练步长参数作出调整，观测不同训练步长下LSTM神经网络的表现，可以发现LSTM神经网络对训练步长并不敏感。
可见，LSTM在金融经济预测领域有良好的应用前景。
虽然国际上有许多具有巨大影响力的股票指数如道琼斯、纳斯达克、日经、恒生等，但由于我国目前正处于股市动荡期，因此本文选择我国股票市场最具有代表性的两个股票指数上证指数和沪深300进行实证研究。
两个股票指数的收盘价时间序列来自网易财经数据库。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
