毕业论文课题相关文献综述
文 献 综 述改革开放以来，人们的物质生活也发生了巨大的变化，财富随之增长。
对于人们来说，如何将已拥有的财富升值是一个不可避免地话题，而投资就是财富增长的一种方式，对于广大人民群众来说，股票是最容易接触到的一种投资方式，所以对于股票的研究就有一定的意义。
有效的预测股票价格有助于投资者规避风险，获取利益，财富升值，而对于股票价格的预测通常将过往的交易数据作为主要参考对象，如何对交易数据的分析成为了有效预测股票价格趋势的关键。
国内大量学者对于此问题发表了论文。
吴振信,张茜,张雪峰等人利用支持向量机、神经网络、随机森林三种方法选择价值股票，使用等权重、熵值、最小化组合方差、最大化组合夏普比率4种方法配置股票组合的权重，通过阿尔法、贝塔来评价投资组合，结果显示，和A股指数相比，利用机器学习方法筛选得到的股票组合在阿尔法和贝塔指标上均表现良好，并获得了超额收益[1]。
唐思佳,熊昕等人构建机器学习优化股票多因子模型，用以处理 A 股市场风格切换和选股问题来最终获得超额收益，首先构建因子分析模型来筛选出 7 个最优因子，进而构建基于机器学习的随机森林模型，通过随机森林回测某段时间的股票波动情况。
该模型分别从因子表达、机器学习算法两个角度对 A 股市场股票的波动规律进行研究，获取最大回撤的超额收益[2]。
朱婷,马洁,王宏勇三人针对一些传统的预测模型很难对股票市场做出有效的预测这一问题,将分形插值方法与机器学习算法相结合，提出了分形插值与 SVM 以及分形插值与 BP 神经网络两种混合模型; 所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点，然后建立分形插值外推模型对所需其他值进行预测; 实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳，预测精度更高; 因此分形插值方法与机器学习算法相结合所得到的混合模型，能较好地预测诸如股票市场指数等非平稳金融时间序列[3]。
任君，王建华等人提出了采用支持向量机（SVM）和改进的长短期记忆网络（LSTM）与Lasso方法相结合的两个投资组合模型。
选取技术指标作为模型的输入变量，使用改进的网格搜索法和指数衰减法分别改进SVM和LSTM。
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。
