1. 研究目的与意义（文献综述包含参考文献）

对于一个预测模型，精准的预测精度是首要的条件,较高的预测精度能够帮助市场的决策者作出更好的判断。在过去的几年里，一些基于数据挖掘和机器学习的方法，如神经网络neural network, nn和支撑向量机(support vector machine, svm已经被广泛地应用到分类

和回归问题中。由于神经网络和支撑向量机在分类问题和回归问题上的良好性能，神经网络和支撑向量机已经被成功地应用到股票价格波动的预测中。sureshkumar和elango利用人工神经网络预测股票价格并评价了神经网络在股票预测问题上的性能。l cao和etay则是利用支撑向量机预测股票的价格。为了进-步提高股票价格预测的精度，一些改进的算法和学习策略被应用到股票价格预测的问题上。

已有研究指出利用多种市场数据源可以比只使用单一数据源获得更好的预测精度。近年来,一些研究者致力于通过在历史价格数据中加入其它有用的数据来提高股票价格预测的性能。-些研究者指出，市场新闻有助于提高预测的精度。schumaker 和chen提出结合股票历史价格和市场新闻的方法进行股票价格的预测。li和wang同时考息市场新闻和股票历史价格来提高预测的精度。

2. 研究的基本内容、问题解决措施及方案

我将主要研究LSTM算法，针对沪深300成分股，利用LSTM算法建立股价趋势模型和择时交易模型，并与传统的预测模型比较。还要进行模型回测检验与泛化分析，基于预测率和收益率分别对沪深300成分股进行前20名排序。

我的策略将在bigquant平台AI可视化模板的基础上建立，使用stockranker作为选股器，针对沪深300指数采用LSTM构建择时模型作为仓位风控控制，更进一步的对算法理解透彻，建立合理可行的预测模型，并给出收益率和模型代码