一、近期市场行情回顾与展望（论文文献综述）
赵子强,吴珊,姚尧,任世碧,楚丽君[1]（2021）在《跨年行情有望成下一个投资时点 明星机构划出三大重点赛道》文中指出由于今年以来沪指处于一个相对较窄的空间震荡，长时间盘整走势激发了投资者对跨年行情的期待。同时，接近年底，机构也开始分析近期市场走势，研讨跨年行情。六大因素抬升市场风险偏好“回顾2002年以来A股岁末年初的走势，均有一定程度的跨年行情，只是启动时间和
刘素辉[2]（2021）在《基于多源异构数据的股价趋势预测研究》文中研究表明股票价格的趋势预测一直以来都是学术界和工业界的热点研究问题。传统计量经济学模型以股票历史价格序列为研究对象,通过刻画股价波动规律来对股价趋势进行预测。但股票市场是一个适应性的复杂市场,影响股价波动的因素众多。尤其随着互联网的飞速发展,大量与股票相关的信息以文本形式涌现了出来。仅基于传统金融时序数据进行股价趋势预测越来越呈现出数据的局限性。近些年人工智能算法的突破以及计算能力的提升,使得计算机有能力突破以往仅以股票历史时序数据进行股价趋势预测的研究。本研究从计算机和金融学的交叉角度出发,力图兼顾可解释性强的金融学理论基础和深度学习自动抽取特征的优点,构建融合多源异构信息的深度学习技术框架,并将该框架应用于具体股价趋势预测问题中,以解决现有研究的不足。本研究的主要研究内容与创新研究成果如下所述:（1）提出了融合行业轮动与联动信息进行股价趋势预测的深度学习模型,该模型在数据层增加了可随模型训练更新的参数矩阵——“行业相关参数矩阵”,可实现自动学习其他行业对目标个股所属行业的影响强度;其次,模型利用基于因子分解机的深度神经网络对输入数据不同特征之间的交互特征进行了自动抽取。实验结果表明,融合多源行业时序数据的模型比采用单源时序数据的模型预测准确率有明显提高;增加对输入数据交互特征的抽取丰富了对输入数据的挖掘程度,同样显着提高了模型预测准确率。此外,模型训练结束后,将模型学习到的“行业相关参数矩阵”与利用动态时间弯曲算法得到的系数矩阵进行对比,发现两者在很大程度上具有一致性,间接反映了深度学习模型在处理复杂预测问题上的优秀能力。（2）提出了融合公众情绪数据进行股价预测的深度学习模型,该模型采用随机傅里叶特征构造了显式核映射层,并在决策层用此结构代替了传统多层全连接网络。考虑到个股股权集中度水平对预测结果的影响,本研究分别在不同股权集中度水平下对模型进行了训练和评估。实验结果表明,采用显式核映射层的模型比采用传统多层全连接网络的模型预测准确率有明显提高。显式核映射为随机映射过程,在计算过程中不会为模型带来额外可训练的参数,可有效简化模型结构,提高模型的泛化能力。此外,股权集中度水平与模型预测准确率呈负相关。说明了对于股权集中度水平较低,即个体投资者较多的个股,公众情绪数据对于股价波动的影响较大,更适合作为预测模型的输入数据来源。（3）提出了融合新闻事件数据进行股价预测的深度学习模型,该模型在数据表示阶段,采用事件三元组形式的结构化文本表示方式,代替了传统关键词的词向量均值的文本表示方式。并构建了基于事件类型信息与注意力机制的卷积神经网络模块（Category-based Convolutional Attention Module,CCAM）用于抽取文本数据中的语义特征。实验结果表明,采用结构化的事件三元组作为文本表示方式的模型比采用关键词的词向量均值表示方式的模型预测准确率显着提高,这说明结构化的文本表示方式可以保留更多文本语义信息,减少事件元素之间的特征混淆。此外,采用CCAM模块进行文本语义特征抽取的模型预测准确率比采用基于注意力机制的卷积神经网络（Convolutional Block Attention Module,CBAM）模块以及原始卷积神经网络（Convolutional Neural Network,CNN）模块的模型预测准确率高,这表明了增加注意力机制可有效区分不同事件对股价涨跌的影响,并且将先验信息（事件类型）融合到CBAM模块中可进一步提高CNN对文本语义特征的抽取。该模型的研究对象为高股权集中度水平下个股,实验结果表明,采用新闻标题文本数据作为输入的模型预测准确率高于采用公众情绪数据作为输入的模型。这说明了对于股权集中度水平较高,即机构投资者较多的个股,新闻标题文本数据更适合作为预测模型的输入数据来源。
陈擎霄[3]（2021）在《基于深度学习的股票走势分析系统的研究与实现》文中提出随着我国经济的快速发展,A股市场已经成为全球最受瞩目的股市之一,股票分析预测亦是学者们关注的焦点,研究表明传统的统计学和机器学习无法挖掘出股票背后深层次逻辑从而导致预测失准,反观深度学习更被推崇,能够给予广大股票投资者更可靠的帮助。本文的主要工作如下:首先对国内股市的环境现状进行了考察调研,对比了股票基本面分析法和技术面分析法,分析了影响股价波动的潜在性特征,然后使用TuShare进行股票数据的获取及预处理;调研了主流的聚类算法和股票聚类任务的痛点,使用近邻传播算法对日涨跌幅走势进行聚类,提出了初步降噪的聚类前驱式股票走势分析方法;调研了主流股票预测模型存在的不足,讨论了股票预测任务的痛点,对其网络结构和训练方法进行改进,提出了一个更具优势的股票走势预测的神经网络模型,使用TensorFlow和Keras对该模型进行构建、训练及探究,最后通过对比实验分析并验证了本模型在股票走势预测任务上具有更好的泛化效果;设计并实现了一个基于深度学习的股票走势分析系统,包括定期自动预测股票未来走势等功能。本文的主要创新点如下:提出了多特征来源的股票数据选取方法以强化股票特征的表达;设计了数据增量存储算法以解决股票数据采集速度过慢的问题;提出了聚类前驱式的股票走势分析方法以解决现有股票预测模型容易产生过拟合的问题;提出了区间涨跌幅的树状聚类思想以降低噪声干扰;提出了 SA-LSTM-CNN股票走势预测模型以解决主流神经网络拟合效果失真并且在突涨或骤跌时段预测失准的问题;对于模型实验设计与分析部分,考虑到实验周期是以股票交易日每隔24小时有限循环的,因此提出了双重维度的实验选股策略为每轮实验调参会朝着积极的方向发展奠定基础;提出了层级式超参数配置策略以平衡股票的聚类量级与模型拟合之间的矛盾;在股票走势分析系统中,通过配置化微调模型以维持系统功能的健壮性。本文所取得的研究成果对基于深度学习的股票走势研究具有一定的参考价值。
贺鑫[4]（2021）在《基于PLSTM-ATT的虚拟货币投资组合策略设计》文中进行了进一步梳理比特币自2008年提出以来,之后便引领时代的风潮。作为一种加密货币,其基于区块链技术而产生,具有稀缺性的特点,受到了市场极大的关注,给传统货币带来了一定的冲击。之后,以比特币为代表的虚拟货币也在不断产生,到现今已有3000多种。自从机器学习算法提出以来,许多学者都在研究将机器学习算法应用于金融市场中,期间产生多种算法,促进了量化投资的发展。传统的时序神经网络（也称循环神经网络）在预测领域存在很大的改进空间,对神经网络进行改进来提高预测效果,具有很深远的现实意义。本文通过改进的LSTM（长短期记忆神经网络）模型,记为PLSTM（结合窥视孔的长短期记忆神经网络）,比较多种神经网络,如基础的LSTM、GRU（门限回归单元）等来对多种虚拟货币的价格进行预测,采用tensorflow2.0框架来实现,同时为了更好的预测和训练效率,采用滚动预测和数据量纲归一化来处理数据。由于注意力机制在机器学习领域的优势,本文在四个模型中都分别加入注意力机制,保证学习率（lr=0.001）等其余参数一致,比较在相同迭代次数为300的情况下,来判断在预测价格方面的准确度。最后本文针对某种货币最优的误差率时的结果,加入到Backtrader回测框架中进行组合收益的回测,并从不同交易策略上、以及虚拟货币投资组合和单一虚拟货币的收益情况产生对比,止损率选取5种（1%,2%,2.25%,2.5%和3%）,并从对比的效果进行分析。以比特币为例,改进的PLSTM的在预测精度的迭代效率上都具有一定的改善,在迭代次数相同的情况下（epochs=300）,PLSTM取得最小的RMSE,为355.03,MAE为234.78,在迭代的过程中,loss值第一次小于1e-3时,所用时间最短为4.547385秒,从两个角度都证明了模型的有效性,是一个较好的改进方向。同时发现PLSTM-ATT（PLSTM结合注意力机制）在8个模型中预测精度最高,RMSE为351.18,MAE为229.33,误差率为0.016495。在不同交易策略的回测期间,收益率的大小是不一样的,最高的在于BOLL（布林带）交易策略时10种虚拟的策略,收益增加了1倍。并且止损率的不同可能会导致正负收益的区别,在实际操作的过程中需要更加注重选择。本文通过比较不同神经网络模型和不同交易策略的对比分析,以此来给投资者提供一些算法和策略方面的建议。
王婷婷[5]（2021）在《基于拥挤交易的行业轮动投资交易策略》文中研究表明在我国股票市场中,由于受到经济周期、宏观政策和投资者心理等因素的多重影响,市场的主要投资热点在各行业板块间来回轮转,导致各个行业板块之间的相对强弱走势存在着此消彼长的现象。尤其是近两年,我国基金规模出现了爆发式的增长,赚钱效应吸引着大批的散户投资者资金不断涌入机构投资者手中。同时,由于基金经理人的投资研究能力非常强,他们在做出决策的时候有着类似的流程和理念,从而导致投资方向集中的现象,即产生基金抱团现象。而随着整个A股市场的行业板块投资分布越来越集中,就会出现大量具有类似特征的资金在同一时期内共同配置某一行业板块的现象,即产生行业板块拥挤交易现象。而随着市场上其他投资者的资金也纷纷涌入这些行业板块中,该拥挤交易行业板块的价格波动幅度就变得越来越大,随着时间的推移,那些因为成为投资热点而被投资者疯狂涌入进而使得其严重背离内在价值的行业板块最终将会逐渐回归正常水平。随着机构抱团的轮换阵地,庞大的资金洪流将再一次跟随涌进下一个拥挤交易行业板块,进而引起我国A股市场的行业轮动现象变得越来越明显。基于此,本文通过梳理大量相关文献,构造了“集中度”因子作为行业轮动信号用来衡量行业板块是否存在拥挤交易,以此选出各个不同周期内交易热度和关注度高的强势行业。进一步地,对于散户投资者而言跟随拥挤交易存在着比较大的泡沫崩盘风险,所以本文将同时考虑到退出策略,构造了一个“相对估值”因子来识别行业拥挤交易泡沫的阶段。本文将处于拥挤交易泡沫形成期的行业作为多头组合,并且当其相对估值水平过高的时候进行卖出,从而构建一个相对完整的能够获得超额收益的行业轮动策略。具体实证部分本文将申万一级行业作为研究样本,将2014—2020年划分为样本内和样本外的两个区间进行回测。首先通过样本内回测检验发现“集中度”因子和“相对估值”因子可以作为行业轮动信号;其次通过样本外回测验证了本行业轮动策略的有效性,发现业绩指标和风险指标的总体表现都优于基准,在我国A股市场上尤其有着不错的收益表现和风险控制能力。因此,本文的研究成果可以为进行行业配置的投资者提供一定的投资策略参考,并且对于用来投资行业ETF具有一定的应用价值与现实意义;本文的研究在一定程度上验证了国内A股市场上可以通过骑乘拥挤交易泡沫从中获利的同时也说明存在着较大的价格崩盘风险,投资者和相关监管机构也需要重视市场的拥挤交易风险。
毛相丽[6]（2021）在《H公司改性塑料产品营销策略优化研究》文中研究指明改性塑料作为一种化工原材料广泛应用于各个领域,例如家电、汽车、高速铁路、自动办公设备、节能照明、信息技术、电动工具及军工等领域。近30年来,在国家政策的积极支持引导下,我国改性塑料行业得到快速发展。随着改性塑料需求不断增长,改性塑料行业竞争也越来越激烈,改性塑料企业盈利能力也逐渐减弱。H公司由成立初期时的大型家电集团下属配套公司逐渐转变为全面社会化企业,在成立的这19年期间,H公司保持了较好的发展态势,在技术研发、新产品开发和生产制造等各个方面不断的加大投入。虽然在激烈的市场竞争中取得一些成绩,但是缺乏专业的营销指导,在产品组合、价格、渠道和促销策略等方面仍然存在一些问题,导致H公司近年来销售收入、销售利润等增速缓慢,产品市场竞争力和竞争对手相比存在一定的差距。因此,如何提升H公司市场份额,改善利润是摆在H公司面前的重要课题。以改性塑料行业背景和发展趋势为出发点,结合H公司改性塑料产品特点和产品现状,分析H公司的营销环境,通过H公司客户的调查问卷反馈分析和用户购买行为分析,梳理出H公司改性塑料产品营销策略存在的问题,并对产生这些问题的原因进行阐述和归纳。结合H公司的经营目标,借助STP战略和营销组合理论,对H公司市场营销策略进一步优化。为了保障H公司市场营销策略优化实施,提出了一系列适合H公司发展的营销策略保障方案,从而引领H公司健康可持续发展。
杜莉[7]（2021）在《W精细化学品公司发展战略优化研究》文中研究指明近年来,随着我国精细化工行业的逐渐发展,部分细分领域的重心开始转向国内,从而更好地促进国内企业的发展。W精细化学品公司也在此之际,逐渐发展和壮大。但伴随之而来的是战略环境的改变和诸多问题的产生,因此,W精细化学品公司亟需对自身的发展战略进行优化,以尽快解决当下存在的问题,突破企业发展的瓶颈期。本文研究了W精细化学品公司外部战略环境和内部战略环境,并以外部评价EFE矩阵分析和内部评价IFE矩阵分析对内外部战略环境进行总结,从而探索W精细化学品公司对内外部战略环境的反应情况。紧接着根据近五年的业绩情况,对W精细化学品公司当下的多元化发展战略现状进行分析;并结合企业高管访谈、问卷调查探寻企业当下存在的问题,以及未来发展的方向和关键点等;最后对企业面临的主要问题进行原因分析,以便企业可以针对性进行发展战略优化方案的制定。在发展战略优化制定阶段,明确了企业的新使命、愿景及价值观,并详细制定了企业未来的目标,包括资产规模目标、营业收入目标、市场份额目标、企业核心竞争力培养目标。使用SPACE模型进行战略方向的选择,对于其核心业务阻燃剂业务拓展一体化战略,进一步细化为阻燃剂业务的产能的扩大,以及原材料后向一体化战略;对于公司的主营业务制定密集型战略,进一步细化为市场渗透战略;鉴于公司整体业务在行业内的竞争情况制定竞争战略,针对不同的业务线进一步细化为总成本领先战略和差异化战略。在战略的实施和保障阶段,对战略实施的计划、战略实施应遵循的原则、实施的保障措施、战略的评估与控制四个重要过程进行详细的阐述,以确保企业的战略最终落地执行。通过本文的研究,形成了一套完备的战略制定思路和详细的发展战略优化方案,对W精细化学品公司未来的发展提供了清晰的蓝图,有利于其突破当下的困境并超越过去,以全新的面貌面向未来,最终实现其让人们的生活更安全的使命。
丁常悦[8]（2021）在《基于多时间尺度CNN-LSTM神经网络的人民币汇率预测方案策划》文中进行了进一步梳理投资者往往使用技术分析或者基本面分析等手段对汇率涨跌进行预测。技术分析基于市场不完全有效的假定,通过金融资产的历史价格来预测其未来价格。随着数学等学科发展,不少投资者使用含参数的解析方程对金融资产价格进行拟合,但经典的金融时间序列预测模型需要假定数据满足某些特定要求,含有参数的解析方程难以对如此复杂的动力学系统进行准确的刻画,因此金融资产价格预测一直难以取得较好的效果。汇率受到众多因素的共同影响,是一个复杂的动力学系统,具有非线性、非平稳性以及长记忆性等特点。本文以外汇市场中的汇率涨跌为研究对象,选取了以人民币为核心的六种货币对,引入深度学习框架,将深度学习领域和机器学习中的长短时记忆模型（Long-Short Term Memory,LSTM）与卷积神经网络模型（Convolutional Neural Networks,CNN）进行融合,以同时利用其特征提取优势。将汇率涨跌预测问题转化为机器学习框架下有监督的二分类问题,分别对日时间尺度K线与60分钟时间尺度K线数据应用以上复合深度神经网络进行特征提取,对六个货币对进行涨跌预测。具体而言,本文选取了美元兑人民币货币对、英镑兑人民币货币对、港币兑人民币货币对、欧元兑人民币货币对、日元兑人民币货币对、加元兑人民币货币对,按照货币对的不同,覆盖至少从2020年3月6日至2020年10月20日过半年的历史数据和最多从2016年10月10日至2020年12月31日4年内的历史数据,对这六种货币对分别使用单一的CNN神经网络,单一的LSTM神经网络和多时间尺度的复合CNN-LSTM神经网络进行汇率涨跌预测。经过本文的研究发现,多时间尺度的复合CNN-LSTM神经网络模型在所有六种货币对上的汇率涨跌预测上表现出了更加有效的预测效果,复合模型的平均样本外预测准确率高于两种使用单一神经网络模型的方案的样本外预测准确率。单独使用LSTM神经网络模型的预测方案在部分货币对中表现出了较好的涨跌预测表现,但整体而言,复合神经网络模型的有效性高于单一神经网络模型,主要原因在于复合神经网络模型能够更有效地提取到汇率历史K线的特征。另外,在港元/人民币、欧元/人民币货币对上预测方案的样本外平均预测准确率高于在其他几个货币对上同一预测方案的样本外平均预测准确率,主要原因在于港元/人民币、欧元/人民币货币对用于训练的数据量高于其他货币对用于训练的数据量。最后,本文对提出的方案作出了不足之处的总结,并对优化汇率涨跌预测方法的思路作出了展望。
孔维轩[9]（2021）在《易方达股票型基金市场交易处置效应实证研究》文中进行了进一步梳理随着中国资本市场不断发展和完善,市场上的投资主体从个人投资者占主导地位逐渐过渡到机构投资者占主要力量,而且市场上的投资者在进行理财时相较于以前直接投资于股票市场上来说目前更愿意投资到基金这类较为稳健的理财工具。在这种情况下,有必要对机构投资者的市场交易行为进行研究和分析,所以本文从行为金融学中处置效应这一角度来分析机构投资者在进行市场交易时是否会出现处置效应这类不理性的行为。处置效应简单来说就是指投资者在进行市场交易的时候会出现卖盈持亏的现象,就目前相关文献对于国内的机构投资者在进行市场交易时处置效应是否存在受到研究对象以及研究时间等因素的影响,得出的结论也不一致。本文在研究处置效应时以易方达股票型基金作为研究对象,是因为易方达基金管理有限公司成立时间较早,而且无论从基金规模还是产品种类上来看都是在同行业中居于领先的地位。文章内关于处置效应的实证分析过程中,首先对易方达股票型基金市场交易时是否存在处置效应进行研究,如果存在处置效应进一步分析影响处置效应的各个因素。在实际分析过程当中选择了买卖周期时间法、卖盈卖亏比率法和新兴的生存分析模型对易方达股票型基金3年来的股票账户的市场交易情况进行了分析,从结果上来看,研究对象在进行市场交易时确实存在着处置效应,并且受到不同基金产品自身因素的影响其处置效应的强弱程度也不同。最后,根据实证分析中得出的具体结论,从政府、机构投资者和个人投资者三个方面提出相应的意见和建议。目前,国内关于机构投资者处置效应的研究文献较少而且对于处置效应的研究大多以整个证券投资基金不同类型产品作为研究对象,所以对具体的机构投资者在进行市场交易时处置效应的研究不仅能够对其他机构投资者在进行市场交易时提供借鉴意义,而且对于扩展机构投资者处置效应这方面的研究也具有一定的理论意义和现实意义。
薛海燕[10]（2020）在《成长机会、投资者情绪与企业创新投资研究》文中研究说明创新是企业实现高质量发展的第一驱动力,是市场竞争中优胜劣汰的关键性影响因素,更是后疫情时期企业的自救和图强之道。因此,“如何激励和支持企业创新”这个经久不衰的话题在当前形势下兼具重要性和迫切性。激励企业创新必须从影响企业创新投资的本源要素着手。基于q-投资理论和融资优序理论给出的两大关键要素——成长机会和现金流,在创新投资决策中孰重孰轻,目前鲜有研究。另一方面,创新因其投入大、周期长、风险高等特点,离不开运作良好的资本市场的引领和支持。西方行为公司金融理论认为市场投资者非理性引起的投资者情绪能促进企业创新投资。然而,与西方发达资本市场相比,中国资本市场中个人投资者在投资主体构成和交易规模上都占有绝对比例,他们的“投机心理”和“羊群效应”不可避免地助推了投资者情绪,这种高涨的投资者情绪对股票市场以及上市公司带来的影响更具有不确定性,加之中国特殊的多层次资本市场结构中,各市场板块投资者结构和投资者情绪差异显着。基于上述理论和现实背景,本文试图回答以下问题:（1）影响企业创新投资的驱动要素是企业成长机会还是内部现金流?（2）市场投资者情绪如何通过影响企业创新驱动要素助力企业创新投资?（3）多层次资本市场中差异显着的投资者情绪如何影响成长机会不同的企业进行创新投资决策?（4）机构投资者的监督功能在投资者情绪促进企业创新投资中如何发挥治理作用?为回答上述问题,本文将影响企业创新投资的内在驱动要素与外在市场因素纳入同一个分析框架,深入探究了驱动企业创新投资的关键要素,在此基础上分别通过“市场内”和“跨市场”研究,深入剖析了市场投资情绪影响创新投资原动力发挥效果的作用机制。本文分别选取沪深上市的335家国家级创新型企业作为市场内实证分析对象、844家新三板创新层企业与669家创业板公司作为跨市场比较研究对象,通过理论分析和实证检验系统分析了成长机会、市场投资者情绪和企业创新投资的关系,得到如下主要结论:（1）无论“市场内”还是“跨市场”检验,都发现决定企业创新投资的关键内部驱动因素是成长机会。民营企业与国有企业相比,创新投资对成长机会更敏感;新三板企业与创业板企业相比,在创新投资决策时更看重成长机会。该研究结论表明,成长机会是企业进行创新投资的内在驱动要素,企业只要有更好的发展机会,就应该为创新项目投资。对于融资受到约束的企业,创新项目所需资金自有外部资本市场的融资功能来解决。（2）通过选取沪深交易所上市的国家级创新型企业为研究样本进行“市场内”分析发现,投资者情绪通过作用于企业成长机会促进了企业创新投资,这种影响通过融资渠道起作用。高的投资者情绪能促进具有高成长机会的民营企业进行创新投资,但国有企业的创新投资对投资者情绪不敏感。本文进一步考察了融资约束下的投资者情绪对企业创新投资行为的边际作用后发现,受融资约束的民营企业在投资者情绪高涨时期会进行更多的创新投资,进一步证明投资者情绪可通过降低企业融资成本促进其创新投资。（3）通过选取服务创新创业中小企业的两个主要资本市场——新三板和创业板的企业为研究对象进行“跨市场”比较发现,相比创业板,拥有更多成长机会的新三板企业的创新投资更高。进一步研究发现,尽管新三板创新投资高于创业板,但其低迷的投资者情绪在上述结果中起到中介遮蔽效用;对股权市场融资功能的检验发现,外部融资依赖度高的企业在新三板挂牌不利于其创新投资,原因在于新三板较低的投资者情绪限制了其外部融资,进一步证明,投资者情绪通过“融资渠道机制”影响企业创新投资。（4）通过投资者情绪影响企业创新投资的双面性分析发现,投资者情绪对企业创新投资的影响是非线性的。在新三板,高涨的投资者情绪可以促进企业创新投资,在创业板,投资者情绪越高涨,企业创新投资反而更低。进一步,从机构投资者监督视角探讨市场投资者情绪影响企业创新投资的治理机制,我们发现,创业板中具有监督功能的独立型机构投资者能缓解投资者情绪对创新投资的抑制,起到积极的治理效果;新三板中的非独立型机构投资者在投资者情绪促进创新投资过程中起到中介遮蔽效应。本文主要创新点体现在:（1）本文的研究为解开q-投资理论之谜提供了新证据。q-投资理论认为企业的成长机会是企业投资的完全解释变量,但大量实证研究发现q对投资的解释力度很局限。本文研究发现成长机会是决定企业创新投资的关键要素,支持了q-投资理论。（2）本文基于新三板和创业板的跨市场比较分析,开辟了从多层次资本市场研究企业创新投资的新视角。已有关于创新投资的文献主要聚焦单一资本市场（如创业板）或所有场内市场（主板、中小板和创业板）的上市公司进行研究,鲜有基于中国多层次资本市场结构,探讨不同发展程度的资本市场中差异迥然的投资者情绪对企业创新投资的影响。（3）本文在Abel（1983）的q-投资理论和Baker等（2007）的非理性投资者框架的基础上,首次将影响企业创新投资的内在驱动因素（成长机会）与外部市场投资者情绪纳入同一研究框架,拓展了已有关于影响企业创新投资的研究范式。（4）本文丰富了投资者情绪通过股权融资渠道影响企业创新的相关研究。无论通过选取极具代表性的国家级创新型企业的“市场内”研究、还是选取服务中小创新型企业的新三板和创业板进行“跨市场”比较,本研究都发现投资者情绪通过股权融资渠道而非管理者迎合渠道影响企业创新投资。本文从探究企业创新投资的内在驱动要素出发,通过层层递进、环环相扣的分析和论证,探讨了在同一市场内和不同市场间成长机会、投资者情绪和企业创新投资的关系。本文的研究结论有助于为政府采取更有效的激励方式促进企业创新投资提供决策依据,也能为市场监管层在资本市场服务企业创新改革中提供可靠的证据支持和可行的政策建议,还能为市场投资者更全面判断和评估多层次资本市场中的企业创新活动和投资价值提供参考。
二、近期市场行情回顾与展望（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、近期市场行情回顾与展望（论文提纲范文）
（1）跨年行情有望成下一个投资时点 明星机构划出三大重点赛道（论文提纲范文）
| 六大因素抬升市场风险偏好 |
| 银行板块三大优势凸显 |
| 美容护理行业10年7次跑赢大盘 |
| 跨年消费助力食品饮料行业 |
（2）基于多源异构数据的股价趋势预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 研究内容和技术路线 |
| 1.4 主要创新点 |
| 2 相关研究与文献综述 |
| 2.1 股价趋势预测相关金融学理论 |
| 2.1.1 有效市场假说 |
| 2.1.2 行为金融学理论 |
| 2.1.3 适应性市场假说 |
| 2.2 基于时序数据的股价趋势预测研究综述 |
| 2.2.1 金融时序数据来源 |
| 2.2.2 基于计量经济学模型的股价趋势预测相关研究 |
| 2.2.3 基于深度学习模型的股价趋势预测相关研究 |
| 2.3 基于文本数据的股价趋势预测研究综述 |
| 2.3.1 金融文本数据来源 |
| 2.3.2 金融文本表示方法 |
| 2.3.3 基于文本数据的股价趋势预测相关研究 |
| 2.4 文献小结 |
| 3 基于多源异构数据的股价趋势预测理论基础 |
| 3.1 多源异构数据融合理论 |
| 3.1.1 相关概念 |
| 3.1.2 融合层次 |
| 3.2 深度学习模型 |
| 3.2.1 全连接神经网络 |
| 3.2.2 循环神经网络 |
| 3.2.3 卷积神经网络 |
| 3.3 基于多源异构数据的股价趋势预测技术框架 |
| 3.3.1 技术框架的结构 |
| 3.3.2 任务形式化 |
| 3.3.3 评价指标 |
| 3.4 本章小结 |
| 4 融合多源行业时序数据的股价趋势预测研究 |
| 4.1 问题背景 |
| 4.2 行业指数相关性定量分析 |
| 4.2.1 时间序列相似性度量 |
| 4.2.2 行业指数相关性结果及分析 |
| 4.3 融合多源行业时序数据的股价趋势预测模型设计 |
| 4.3.1 任务及相关符号定义 |
| 4.3.2 模型总体结构 |
| 4.3.3 行业相关系数调节模块 |
| 4.3.4 时序特征抽取模块 |
| 4.3.5 交互特征抽取模块 |
| 4.4 实验与结果分析 |
| 4.4.1 研究对象 |
| 4.4.2 数据集划分 |
| 4.4.3 对比实验与参数设置 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 5 融合公众情绪数据的股价趋势预测研究 |
| 5.1 问题背景 |
| 5.2 研究对象的选择 |
| 5.3 公众情绪指数构建 |
| 5.3.1 公众情感数据采集与分析 |
| 5.3.2 基于AdaBN的情感分类模型构建 |
| 5.3.3 模型训练与评估 |
| 5.3.4 公众情绪指数构建 |
| 5.3.5 公众情绪指数与股票涨跌幅度的格兰杰因果关系检验 |
| 5.4 金融时序数据特征筛选 |
| 5.4.1 特征重要性排序原理 |
| 5.4.2 金融时序特征重要性排序结果 |
| 5.5 融合公众情绪数据的股价趋势预测模型设计 |
| 5.5.1 任务及相关符号定义 |
| 5.5.2 模型总体结构 |
| 5.5.3 显式核映射模块 |
| 5.6 实验与结果分析 |
| 5.6.1 数据集划分 |
| 5.6.2 对比实验和参数设置 |
| 5.6.3 实验结果分析 |
| 5.7 本章小结 |
| 6 融合新闻事件数据的股价趋势预测研究 |
| 6.1 问题背景 |
| 6.2 融合结构化事件数据的股价趋势预测模型设计 |
| 6.2.1 任务及相关符号定义 |
| 6.2.2 模型总体结构 |
| 6.2.3 数据表示与融合 |
| 6.2.4 基于CCAM的事件特征抽取模块 |
| 6.3 实验与结果分析 |
| 6.3.1 样本来源与分布 |
| 6.3.2 对比试验与参数设置 |
| 6.3.3 实验结果分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 附录A 候选技术指标特征表 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）基于深度学习的股票走势分析系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 研究内容与创新点 |
| 1.3.1 多特征来源的股票数据选取方法 |
| 1.3.2 聚类前驱式的股票走势分析方法 |
| 1.3.3 基于自注意力的股票走势预测模型 |
| 1.3.4 深度学习的股票走势分析系统 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 引言 |
| 2.2 股票分析法 |
| 2.2.1 基本面分析法 |
| 2.2.2 技术面分析法 |
| 2.3 深度学习 |
| 2.3.1 多层感知器 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.3.4 长短期记忆网络 |
| 2.3.5 注意力机制 |
| 2.4 相关框架 |
| 2.4.1 TensorFlow |
| 2.4.2 Keras |
| 2.4.3 Django |
| 2.5 本章小结 |
| 第三章 股票走势预测模型的研究与实现 |
| 3.1 引言 |
| 3.2 股票数据获取 |
| 3.2.1 基本面数据 |
| 3.2.2 行情面数据 |
| 3.2.3 技术指标面数据 |
| 3.2.4 资金面数据 |
| 3.2.5 权重系数 |
| 3.2.6 增量存储算法 |
| 3.3 股票数据预处理 |
| 3.3.1 股票数据清洗 |
| 3.3.2 股票数据变换 |
| 3.3.3 多特征来源的股票数据选取方法 |
| 3.3.4 滑动窗口算法 |
| 3.4 聚类前驱式的股票走势分析方法 |
| 3.4.1 主流聚类算法描述 |
| 3.4.2 股票聚类任务的痛点分析 |
| 3.4.3 近邻传播算法的实现原理 |
| 3.4.4 区间涨跌幅的树状聚类思想 |
| 3.4.5 股票走势分析方法的设计与实现 |
| 3.5 基于自注意力的股票走势预测模型 |
| 3.5.1 主流神经网络的不足 |
| 3.5.2 股票预测任务的痛点分析 |
| 3.5.3 自注意力机制的实现原理 |
| 3.5.4 股票走势预测模型的设计与实现 |
| 3.5.5 股票走势预测模型的训练方法 |
| 3.6 实验设计与结果分析 |
| 3.6.1 实验环境 |
| 3.6.2 评价指标 |
| 3.6.3 实验选股策略及数据 |
| 3.6.4 关于模型结构的探究实验 |
| 3.6.5 关于模型参数的探究实验 |
| 3.6.6 模型效果的对比实验 |
| 3.7 本章小结 |
| 第四章 股票走势分析系统的设计与实现 |
| 4.1 引言 |
| 4.2 股票走势分析系统的需求分析 |
| 4.3 股票走势分析系统的技术选型 |
| 4.4 股票走势分析系统的架构设计 |
| 4.5 股票走势分析系统的数据库设计 |
| 4.5.1 数据库概念设计 |
| 4.5.2 数据库逻辑设计 |
| 4.6 股票走势分析系统的设计与实现 |
| 4.6.1 账号管理模块的设计与实现 |
| 4.6.2 系统配置模块的设计与实现 |
| 4.6.3 股票分析模块的设计与实现 |
| 4.6.4 自选股模块的设计与实现 |
| 4.7 本章小结 |
| 第五章 股票走势分析系统的测试与验证 |
| 5.1 引言 |
| 5.2 测试目标与环境 |
| 5.2.1 测试目标 |
| 5.2.2 测试环境 |
| 5.3 账号管理模块的测试与验证 |
| 5.4 系统配置模块的测试与验证 |
| 5.5 股票分析模块的测试与验证 |
| 5.6 自选股模块的测试与验证 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）基于PLSTM-ATT的虚拟货币投资组合策略设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 1.4 本文主要贡献 |
| 第二章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 投资组合理论 |
| 2.1.2 量化投资理论 |
| 2.1.3 行为金融学理论 |
| 2.1.4 机器学习与神经网络理论 |
| 2.1.5 相关理论总结 |
| 2.2 相关文献综述 |
| 2.2.1 虚拟货币投资组合文献综述 |
| 2.2.2 LSTM的改进与量化投资 |
| 2.2.3 相关文献述评 |
| 第三章 虚拟货币投资组合策略分析与构思 |
| 3.1 虚拟货币交易策略设计的提出 |
| 3.1.1 虚拟货币交易现状与特点 |
| 3.1.2 构建虚拟货币投资组合的必要性 |
| 3.1.3 机器学习预测模型的选择 |
| 3.2 虚拟货币投资组合策略的设计思路 |
| 3.3 虚拟货币投资组合策略的理论框架 |
| 3.3.1 虚拟货币价格预测的特征选择 |
| 3.3.2 虚拟货币的价格预测-神经网络模型 |
| 3.3.3 虚拟货币投资组合权重的计算方案 |
| 3.3.4 虚拟货币交易策略理论 |
| 3.3.5 虚拟货币投资组合策略评价方法 |
| 3.3.6 Backtrader回测框架简介 |
| 第四章 虚拟货币投资组合策略设计方案 |
| 4.1 数据的描述 |
| 4.1.1 数据的来源与分组 |
| 4.1.2 数据的描述性统计与可视化 |
| 4.2 LSTM模型的改进 |
| 4.3 虚拟货币价格的预测分析 |
| 4.3.1 滚动预测与归一化处理 |
| 4.3.2 虚拟货币投资组合权重的构建 |
| 4.4 虚拟货币组合策略设计框架 |
| 第五章 虚拟货币投资组合交易策略的有效性评价 |
| 5.1 多种神经网络模型预测精度的有效性评价 |
| 5.1.1 未加Attention机制的模型预测的有效性评价 |
| 5.1.2 加入Attention机制的模型预测的有效性评价 |
| 5.2 不同策略下的虚拟货币投资组合策略的有效性评价 |
| 5.2.1 SMA交易策略的有效性评价 |
| 5.2.2 BOLL交易策略的有效性评价 |
| 5.2.3 MACD交易策略的有效性评价 |
| 5.3 虚拟货币交易策略风险提示 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
（5）基于拥挤交易的行业轮动投资交易策略（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 1.4 本文的主要特点 |
| 第2章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 行业轮动现象的理论解释 |
| 2.1.2 拥挤交易理论 |
| 2.1.3 PCA主成分分析法 |
| 2.2 相关文献综述 |
| 2.2.1 行业轮动的国内外研究现状 |
| 2.2.2 拥挤交易的国内外研究现状 |
| 2.2.3 评述 |
| 第3章 问题的提出与行业轮动策略的方案设计 |
| 3.1 问题的提出 |
| 3.1.1 我国市场拥挤交易现象 |
| 3.1.2 行业板块拥挤交易现象 |
| 3.2 行业轮动策略的方案设计 |
| 3.2.1 行业轮动策略的构思 |
| 3.2.2 行业轮动策略设计的理论框架 |
| 3.2.3 行业轮动策略设计的实证框架 |
| 第4章 基于拥挤交易的行业轮动策略方案的实施 |
| 4.1 样本选取与数据处理 |
| 4.2 行业拥挤交易的测量 |
| 4.2.1“集中度”因子的构建与说明 |
| 4.2.2 具体计算步骤与结果 |
| 4.3 行业相对估值的测量 |
| 4.3.1“相对估值”因子的构建与说明 |
| 4.3.2 具体计算步骤与结果 |
| 4.4 构建基于拥挤交易的行业轮动策略 |
| 第5章 行业轮动投资交易策略的有效性评价 |
| 5.1. 行业轮动信号的有效性评价 |
| 5.1.1 买入信号的有效性检验 |
| 5.1.2 卖出信号的有效性检验 |
| 5.2 行业轮动投资交易策略的有效性评价 |
| 5.2.1 投资交易策略的有效性评价标准 |
| 5.2.2 样本外检验的具体表现 |
| 5.3 策略的风险提示 |
| 第6章 研究结论与展望 |
| 参考文献 |
| 致谢 |
（6）H公司改性塑料产品营销策略优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关基础理论和研究文献综述 |
| 2.1 相关基础理论回顾 |
| 2.1.1 营销组合理论 |
| 2.1.2 STP战略理论 |
| 2.1.3 市场营销机会分析理论 |
| 2.2 相关主题研究文献综述 |
| 2.2.1 改性塑料行业发展相关研究 |
| 2.2.2 改性塑料产品营销策略相关研究 |
| 第3章 H公司改性塑料产品市场营销机会分析 |
| 3.1 H公司及产品概况 |
| 3.1.1 H公司概况 |
| 3.1.2 H公司改性塑料产品概况 |
| 3.2 H公司营销调研方案设计及实施 |
| 3.2.1 访谈的设计及实施 |
| 3.2.2 调查问卷研究设计及实施 |
| 3.3 H公司改性塑料产品营销环境分析 |
| 3.3.1 宏观营销环境分析 |
| 3.3.2 微观营销环境分析 |
| 3.4 H公司改性塑料产品用户购买行为分析 |
| 3.4.1 H公司改性塑料产品用户分类和特点 |
| 3.4.2 H公司改性塑料产品用户购买行为的主要影响因素 |
| 第4章 H公司改性塑料产品营销策略现状及问题分析 |
| 4.1 H公司改性塑料产品STP战略现状及问题分析 |
| 4.1.1 市场细分现状及问题分析 |
| 4.1.2 目标市场选择现状及问题分析 |
| 4.1.3 市场定位现状及问题分析 |
| 4.2 H公司改性塑料产品营销策略现状及问题分析 |
| 4.2.1 产品结构不合理、迭代升级慢、质量稳定性差 |
| 4.2.2 产品定价方式不灵活,特殊定价审批流程长,产品性价比低 |
| 4.2.3 缺乏多样化渠道建设、新行业开发过于依赖现有代理、代理技术服务水平有待提高 |
| 4.2.4 促销人员专业素养较低,缺乏折扣鼓励性政策,不重视品牌宣传 |
| 第5章 H公司改性塑料产品营销策略优化 |
| 5.1 H公司改性塑料产品STP战略优化 |
| 5.1.1 市场细分优化 |
| 5.1.2 目标市场选择优化 |
| 5.1.3 市场定位优化 |
| 5.2 H公司改性塑料产品4P营销策略优化 |
| 5.2.1 产品策略优化 |
| 5.2.2 价格策略优化 |
| 5.2.3 渠道策略优化 |
| 5.2.4 促销策略优化 |
| 第6章 H公司改性塑料产品营销策略优化的实施保障 |
| 6.1 组织保障 |
| 6.2 人力资源保障 |
| 6.3 资金保障 |
| 6.4 薪酬机制保障 |
| 第7章 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录1 |
| 附录2 |
（7）W精细化学品公司发展战略优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景、目的及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题目的 |
| 1.1.3 选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外企业战略研究现状 |
| 1.2.2 国内企业战略研究现状 |
| 1.2.3 国内外企业战略研究评述 |
| 1.3 理论基础 |
| 1.3.1 企业战略相关概念界定 |
| 1.3.2 企业资源基础论 |
| 1.3.3 核心竞争力理论 |
| 1.3.4 竞争战略及价值链理论 |
| 1.4 研究的主要内容及研究方法 |
| 1.4.1 研究主要内容 |
| 1.4.2 研究方法 |
| 1.4.3 研究的技术路线 |
| 1.5 论文创新之处 |
| 1.5.1 分析视角创新 |
| 1.5.2 研究结论创新 |
| 第2章 W精细化学品公司战略环境分析 |
| 2.1 W精细化学品公司外部环境分析 |
| 2.1.1 宏观环境PEST模型分析 |
| 2.1.2 行业环境波特五力模型分析 |
| 2.1.3 产业价值链分析 |
| 2.1.4 竞争对手分析 |
| 2.2 W精细化学品公司内部环境分析 |
| 2.2.1 公司概况 |
| 2.2.2 公司内部资源分析 |
| 2.2.3 公司价值链分析 |
| 2.2.4 公司核心竞争力VRIO模型分析 |
| 2.3 W精细化学品公司内外部环境分析小结 |
| 2.3.1 外部因素评价EFE矩阵分析 |
| 2.3.2 内部因素评价IFE矩阵分析 |
| 第3章 W精细化学品公司发展战略现状及问题分析 |
| 3.1 W精细化学品公司发展战略现状 |
| 3.1.1 现阶段多元化发展战略现状 |
| 3.1.2 主营业务近五年业绩情况分析 |
| 3.1.3 主营业务行业内市场份额体现 |
| 3.1.4 主营业务组合BCG矩阵分析 |
| 3.2 W精细化学品公司企业高管深度访谈 |
| 3.2.1 访谈目的及对象 |
| 3.2.2 访谈提纲内容 |
| 3.2.3 高管访谈结果分析 |
| 3.3 W精细化学品公司行业内问卷调查 |
| 3.3.1 调查问卷的设计 |
| 3.3.2 问卷调查的实施 |
| 3.3.3 问卷调查的结果分析 |
| 3.4 W精细化学品公司发展战略问题分析 |
| 3.4.1 核心业务规划不合理 |
| 3.4.2 主营业务市场占有不充分 |
| 3.4.3 公司整体竞争优势不足 |
| 第4章 W精细化学品公司发展战略优化制定 |
| 4.1 W精细化学品公司使命及愿景 |
| 4.1.1 W精细化学品公司现有使命及愿景 |
| 4.1.2 W精细化学品公司使命及愿景优化 |
| 4.2 W精细化学品公司战略目标确定 |
| 4.2.1 资产规模目标 |
| 4.2.2 营业收入目标 |
| 4.2.3 市场份额目标 |
| 4.2.4 企业核心竞争力培养目标 |
| 4.3 W精细化学品公司战略方向选择 |
| 4.3.1 SPACE矩阵模型介绍 |
| 4.3.2 SPACE矩阵绘制及战略方向选择 |
| 4.4 W精细化学品公司发展战略优化 |
| 4.4.1 核心业务拓展一体化战略 |
| 4.4.2 主营业务密集型战略 |
| 4.4.3 公司整体竞争战略制定 |
| 4.5 W精细化学品公司战略阶段规划 |
| 4.5.1 发展第一阶段 |
| 4.5.2 发展第二阶段 |
| 第5章 W精细化学品公司优化战略实施与保障 |
| 5.1 战略实施的计划 |
| 5.1.1 实施计划的制定 |
| 5.1.2 计划实施的OGSM方法 |
| 5.2 实施阶段遵循的原则 |
| 5.2.1 高层参与统一领导原则 |
| 5.2.2 目标清晰原则 |
| 5.2.3 可行性原则 |
| 5.2.4 权变思想原则 |
| 5.3 实施保障措施 |
| 5.3.1 组织架构及制度重构并完善 |
| 5.3.2 人力储备及绩效考核完善 |
| 5.3.3 融资渠道扩大及融资能力增强 |
| 5.3.4 技术研发能力增强 |
| 5.3.5 市场营销能力扩展 |
| 5.3.6 运营生产保障 |
| 5.4 战略评估与控制 |
| 5.4.1 战略评估 |
| 5.4.2 战略控制 |
| 第6章 结论与展望 |
| 6.1 主要的研究结论 |
| 6.2 本文研究的启示 |
| 6.3 未来展望 |
| 参考文献 |
| 附录 |
（8）基于多时间尺度CNN-LSTM神经网络的人民币汇率预测方案策划（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究框架和技术路线图 |
| 1.4 本文的主要特点 |
| 第2章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 汇率决定理论 |
| 2.1.2 机器学习和LSTM神经网络 |
| 2.1.3 深度学习和CNN神经网络 |
| 2.2 相关文献综述 |
| 2.2.1 汇率决定理论的文献综述 |
| 2.2.2 神经网络文献综述 |
| 2.2.3 文献评述 |
| 第3章 研究问题描述与分析 |
| 3.1 研究问题描述 |
| 3.2 研究问题分析 |
| 第4章 汇率预测的方案设计 |
| 4.1 方案策划的思路 |
| 4.2 预测汇率方案策划的理论解释 |
| 4.3 特征提取与方案构建 |
| 4.3.1 行情K线数据预处理 |
| 4.3.2 汇率行情K线特征提取 |
| 4.3.3 样本划分与方案构建 |
| 第5章 方案的合理性论证 |
| 5.1 方案的合理性论证 |
| 5.2 方案的风险提示 |
| 5.3 方案的实施路径 |
| 第6章 结论 |
| 6.1 本文的主要结论 |
| 6.2 存在的不足和展望 |
| 参考文献 |
| 附录 |
| 附录1:缺失数据填充方式举例 |
| 附录2:神经网络模型部分核心代码 |
| 致谢 |
（9）易方达股票型基金市场交易处置效应实证研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 关于机构投资者的处置效应 |
| 1.2.2 关于处置效应的影响因素 |
| 1.2.3 关于处置效应的度量方法 |
| 1.2.4 文献评述 |
| 1.3 主要研究内容 |
| 1.4 研究方法和创新点 |
| 1.4.1 研究方法 |
| 1.4.2 本文创新点 |
| 第二章 处置效应理论及相关主体 |
| 2.1 处置效应理论 |
| 2.1.1 前景理论 |
| 2.1.2 损失厌恶理论 |
| 2.1.3 后悔理论 |
| 2.1.4 均值回归理论 |
| 2.2 机构投资者 |
| 2.3 股票型基金 |
| 第三章 易方达股票型基金发展现况 |
| 3.1 易方达基金公司概况 |
| 3.2 主要的股票型基金产品 |
| 第四章 处置效应检验的方法选择 |
| 4.1 买卖周期时间法 |
| 4.1.1 股票账户盈亏的参照 |
| 4.1.2 买卖周期时间法的理论模型及分析过程 |
| 4.2 卖盈卖亏比率法 |
| 4.2.1 卖盈卖亏比率法的理论模型 |
| 4.2.2 卖盈卖亏比率法的分析过程 |
| 4.3 生存分析cox模型 |
| 4.3.1 生存分析模型的适用性 |
| 4.3.2 生存分析的理论模型 |
| 4.3.3 生存分析用于处置效应的分析过程 |
| 4.4 三种研究方法比较 |
| 第五章 基于不同方法的易方达股票型基金市场交易处置效应的实证检验 |
| 5.1 基于买卖时间周期法的处置效应实证分析 |
| 5.1.1 数据来源及处理 |
| 5.1.2 结果分析 |
| 5.1.3 不同情况下的结果分析 |
| 5.2 基于卖盈卖亏比率法的处置效应实证分析 |
| 5.2.1 数据处理 |
| 5.2.2 结果分析 |
| 5.3 基于生存分析模型的处置效应实证分析 |
| 5.3.1 检验处置效应存在性的数据处理 |
| 5.3.2 检验处置效应影响因素的数据处理 |
| 5.3.3 样本的描述性统计分析 |
| 5.3.4 解释变量的多重共线性检验 |
| 5.3.5 处置效应存在性及影响因素检验 |
| 5.4 不同方法实证结论的比较及讨论 |
| 第六章 结论和建议 |
| 6.1 研究结论 |
| 6.2 对策建议 |
| 6.2.1 机构投资者应当规范自身交易行为 |
| 6.2.2 政府加强对机构投资者的引导和扶持 |
| 6.2.3 个人投资者应当理性选择基金产品 |
| 6.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读学位期间所取得的相关科研成果 |
（10）成长机会、投资者情绪与企业创新投资研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 相关概念界定 |
| 1.3.1 投资者情绪 |
| 1.3.2 企业成长机会 |
| 1.3.3 企业创新投资 |
| 1.4 研究内容、框架与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究框架 |
| 1.4.3 研究方法 |
| 1.5 主要创新点 |
| 第二章 理论基础与文献回顾 |
| 2.1 理论基础 |
| 2.1.1 q-投资理论 |
| 2.1.2 融资优序理论 |
| 2.1.3 金融发展理论 |
| 2.1.4 基于行为金融的企业投资理论 |
| 2.2 文献回顾 |
| 2.2.1 企业成长机会与创新投资 |
| 2.2.2 投资者情绪与创新投资 |
| 2.2.3 文献述评 |
| 2.3 本章小结 |
| 第三章 成长机会驱动企业创新投资研究 |
| 3.1 理论模型分析 |
| 3.1.1 现金流-投资模型 |
| 3.1.2 q-投资模型 |
| 3.1.3 考虑创新的q-投资模型 |
| 3.2 成长机会影响企业创新投资的实证检验 |
| 3.2.1 研究假设 |
| 3.2.2 研究设计 |
| 3.2.3 实证结果与分析 |
| 3.2.4 结果讨论 |
| 3.3 本章小结 |
| 第四章 成长机会、投资者情绪与企业创新投资:市场内检验 |
| 4.1 投资者情绪对成长机会影响创新投资的边际作用分析 |
| 4.2 成长机会、投资者情绪与企业创新投资关系的实证检验 |
| 4.2.1 研究设计 |
| 4.2.2 实证检验 |
| 4.2.3 结果讨论 |
| 4.3 本章小结 |
| 第五章 成长机会、投资者情绪与企业创新投资:跨市场比较 |
| 5.1 跨市场选择依据及关键特征变量分析 |
| 5.1.1 选择新三板和创业板市场的依据 |
| 5.1.2 企业成长机会与投资者情绪不协调分析 |
| 5.2 成长机会、投资者情绪与创新投资关系的跨市场检验 |
| 5.2.1 数据来源与样本选择 |
| 5.2.2 模型设计与描述性统计 |
| 5.2.3 实证检验与结果分析 |
| 5.3 进一步讨论 |
| 5.4 本章小结 |
| 第六章 成长机会、投资者情绪与企业创新投资:机构投资者监督视角 |
| 6.1 投资者情绪影响企业创新投资的利弊分析与实证检验 |
| 6.1.1 投资者情绪影响创新投资的利弊分析 |
| 6.1.2 模型设定与变量定义 |
| 6.1.3 实证结果与分析 |
| 6.1.4 进一步讨论 |
| 6.2 基于异质性机构投资者监督作用的机制检验 |
| 6.2.1 研究假设 |
| 6.2.2 研究设计 |
| 6.2.3 实证检验 |
| 6.2.4 结果分析 |
| 6.3 本章小结 |
| 第七章 结论、建议与展望 |
| 7.1 研究结论 |
| 7.2 政策建议 |
| 7.3 研究展望 |
| 参考文献 |
| 研究成果 |
| 致谢 |
| 个人简况及联系方式 |
四、近期市场行情回顾与展望（论文参考文献）
- [1]跨年行情有望成下一个投资时点 明星机构划出三大重点赛道[N]. 赵子强,吴珊,姚尧,任世碧,楚丽君. 证券日报, 2021
- [2]基于多源异构数据的股价趋势预测研究[D]. 刘素辉. 北京科技大学, 2021(08)
- [3]基于深度学习的股票走势分析系统的研究与实现[D]. 陈擎霄. 北京邮电大学, 2021(01)
- [4]基于PLSTM-ATT的虚拟货币投资组合策略设计[D]. 贺鑫. 上海师范大学, 2021(07)
- [5]基于拥挤交易的行业轮动投资交易策略[D]. 王婷婷. 上海师范大学, 2021(07)
- [6]H公司改性塑料产品营销策略优化研究[D]. 毛相丽. 吉林大学, 2021(01)
- [7]W精细化学品公司发展战略优化研究[D]. 杜莉. 上海外国语大学, 2021(11)
- [8]基于多时间尺度CNN-LSTM神经网络的人民币汇率预测方案策划[D]. 丁常悦. 上海师范大学, 2021(07)
- [9]易方达股票型基金市场交易处置效应实证研究[D]. 孔维轩. 河北地质大学, 2021(07)
- [10]成长机会、投资者情绪与企业创新投资研究[D]. 薛海燕. 山西大学, 2020(03)