财务报表分析论文哪里有？本文通过新加入的财务指标增加数据特征，提高预测能力。在考虑股票指数历史数据的前提下，融入公司财务报表信息的各项财务指标进行股票指数预测研究。对于另一个方面，在各种会议和期刊上发表的基于各种深度学习技术的股票指数预测模型日益增多。
第1章绪论
1.2国内外研究现状
1.2.1基于统计学模型的预测方法
金融界和学术界一直热衷于研究金融指数时间序列预测问题。国内外学者们最初预测股票指数的方法是基于时间序列模型的。Awartani B M A和Corradi V[1]将GARCH（Generalized AutoRegressive Conditional Heteroskedasticity,自回归条件异方差）模型用于股指预测，发现对于提前两步比较的情况，非对称GARCH模型更具优势。Ruxandra Stoean[2]等人使用带有回归因子的ARIMA（Autoregressive IntegratedMoving Average,自回归综合移动平均）模型对罗马尼亚股市中10家上市公司的日收益进行预测，发现带有进化选择器的模型具有较好的性能。Yan Wang和Yuankai Guo[3]采用基于ARIMA的混合模型进行股票价格预测。仿真实验结果表明，该模型与对比模型相比能够较好地拟合股票指数开盘价。Meher B K[4]等人使用ARIMA模型研究印度制药公司的股票价格变化，发现该模型有利于分析股票价格变化。Yu X和Huang Y[5]使用GARCH-MIDAS模型研究股票行情变化与经济政策之间的影响，发现结合股指波动变化和经济政策不确定性进行股票指数预测的方法具有更高的预测性能。
第3章结合财务报表数据的股票指数预测
3.1研究背景
伴随着科技的进步与社会的发展，越来越多人参与到金融市场活动当中。金融市场参与者掌握的信息与规律越多，越有利于制定策略，获取收益。在这种需求的推动下，进入金融领域的研究者逐渐增多，开发出许多针对金融时间系列预测问题的研究方法。这些研究主要针对两个方向进行，其中一个方向是利用什么样的数据来预测针对预测时所使用的数据问题。最初人们只是使用股票本身的历史数据，如利用前几天的收盘价预测后一天的收盘价。然而股票市场波动的复杂规律，不是仅通过分析历史数据所能掌握的。因此众多研究者开始收集股票市场参与者的相关活动数据信息用于预测股票市场变化。比如股民评论的情感信息，或是财经新闻标题的情感信息。
另一方面，基本面分析在市场参与者的决策过程中发挥着重要作用。基本面分析能够为确定股票价格的高低变化提供标准。该方法通过对与股票价格波动变化相关联的影响因素进行分析，寻找促使股票价格波动变化的原因并以此来预测股票价格的波动变化情况。基本面分析的结果将为市场参与者的金融市场活动提供决策支持。使用限价订单簿[70]、宏观经济指标[71、72]可以有效增强金融预测效果。限价订单簿数据和宏观经济指标是基本面分析的其中一个部分，另外还有上市公司的财务报表数据是基本面分析中常用的一个部分。金融市场参与者对上市公司的财务报表进行分析，通过公司的营业状况、发展前景来预测股票价格变化。扩展到股票指数的分析当中，则需要对组成该指数的所有股票的相应上市公司进行分析。因此，考虑到在股票预测的基本面分析中公司披露信息对财务决策过程有很大的帮助，本章在进行股票指数预测的研究过程中，将财务报表中的比率数据融入到股票指数预测研究。
第4章基于改进的AdaBoost.R2算法的股票指数预测
4.1研究背景
金融市场的相关信息对于金融市场参与者具有重要意义，金融信息可以帮助他们减少损失，增加收益。因此，金融市场参与者对于相关数据的需求极为强烈，也促使许多科研人员投入到金融数据分析的研究当中。这些研究主要针对两个方向进行，其中一个是利用什么样的模型来预测。针对预测时所使用的模型问题，最初人们使用的模型主要是基于时间序列的，比如自回归条件异方差（GARCH）、自回归综合移动平均（ARIMA）等。随着研究的深入，学者们发现机器学习模型具有比经典的时间序列预测技术相对更好的性能。一些机器学习方法被用于股指预测的研究。如深度神经网络（DNN）、决策树（DT）、支持向量回归机（SVR）、长短期记忆网络（LSTM）等。
然而许多预测方法因使用单一机器学习算法而各具特色，在遇到不同的条件时表现得并不理想。于是人们开始将混合模型用于研究，通过将多个预测模型混合到一起，来实现加强学习训练的能力。在众多组合模型的方法中，集成学习方法是种类最多，应用最广泛的方法之一。集成学习方法可以分为Boosting、Bagging和Stacking三类。其中，AdaBoost.R2算法是Boosting类型的算法之一，是AdaBoost针对回归问题的改进类型。AdaBoost.R2算法已经在学生成绩预测[54]、物体强度预测[55]、热泵制热能力预测[56]等方面成功应用。基于AdaBoost.R2算法在其他领域表现出的优越性，本章结合金融时间序列预测的特点改进AdaBoost.R2算法，并用于股票指数预测研究。
4.2基于Improved-AdaBoost.R2-TCCFR模型的股票指数预测方法
4.2.1构建弱势学习器
本章在第3章研究的基础上，提出一种基于Improved-AdaBoost.R2-TCCFR模型的股票指数预测方法。该方法将第三章提出的TCCFR模型作为弱学习器来构建集成模型。关于TCCFR模型的构建方法详见本文3.2节。
4.2.2训练弱学习器
在本章提出的Improved-AdaBoost.R2-TCCFR模型中，将TCCFR模型作为弱学习器来预测股票指数。同时，为了进一步提高TCCFR的预测精度和泛化能力，选择集成算法对TCCFR进行训练。由于AdaBoost系列算法不限制弱学习器的类型，所以可以使用TCCFR作为弱学习器。Improved-AdaBoost.R2算法的核心思想是通过改变训练集中的样本权重，迭代训练出不同的弱学习器和弱学习器权重，根据训练出的弱学习器权重将这些弱学习器组成强学习器。训练过程如图4-2所示。
第5章总结与展望
5.2未来工作展望
金融时间序列预测对于所有金融市场的参与者都有重要意义。它可以预警可能存在的金融风险，从而引导市场参与者的金融行为。然而在来自国内、国外、政治、经济等多方面因素的影响下，股票指数呈现出复杂的波动变化特征。股票价格的变化捉摸不定，也使准确预测股票指数成为一个困难的问题。未来的工作将进一步优化参数和模型。同时，影响股票市场波动变化的因素众多，可使用的股票信息数据多种多样，不单只有财务报表数据。今后的工作可以尝试将更多的股票信息数据融合到一起，在现有工作的基础上加入如宏观经济类影响因素，股民情感信息等。此外，在本研究中对于公司财务报表仅使用了相关的比率数据，并没有利用报表中的文字信息。使用自然语言处理方法分析公司财务报表的文本信息，或许可以为股票预测研究提供更多信息。本文所做的研究仅仅是进行了对下一天数据的预测，接下来可以根据预测结果进行应用研究，制定金融策略或是模拟买卖。
参考文献 （略）
