1. 研究目的与意义
虽然过去几十年信息科学技术和计算机网络的发展突飞猛进，跨学科的研究促进学科交叉融合，很多其他学科使用的研究方法也运用到金融市场预测中，但是预测金融市场的现状和未来仍然是十分困难的。由于现有的金融市场理论的支持，以及全球金融市场之间的联动性和预测时间跨度的特殊性，金融市场预测是一个具有挑战性的研究课题。笔者认为造成金融市场难以预测的主要原因有：金融市场本身是一个非线性、非平稳、多尺度的时间序列，存在很多噪音交易成分。市场上参与交易的投资者有着不同的投资风格和交易策略，大多数投资者的投资行为都是盲目任意的，并且带着个人的情绪波动，这些投资行为汇合起来构成了一个超复杂的动力学系统。
股票市场是一个作用机制高度复杂、带有无数噪声、难以预测的非线性动态系统。采用神经网络模型实现股市变量间非线性关系的映像，面对众多与研究对象相关的输入变量，每个变量都有自身的特点和专门的用途，也有自身的局限性，无法给出合适的变量选择准则。输入中所含的变量不能太少，所选变量必须能够充分地反应问题。当变量选择过多，显然会导致计算复杂度增加；而且，主观选择容易出现选择不恰当或无关的变量，非但不能改善模型预测性能，反而可能导致预测的精度下降，预测结果不理想。
2. 研究内容和预期目标
研究内容：通过遗传算法构建金融模型
拟解决的关键问题：怎样通过遗传算法构建出适合的金融模型从而预测未来的金融市场走向。
提纲：引言
3. 国内外研究现状
遗传算法是美国密歇根大学Holland教授通过借鉴生物自然进化中的“生存竞争”以及“优胜劣汰”现象提出的全局优化算法。它是从一组初始可行解出发，只需要合适的适应度函数，就可以全局高效搜索可能解空间。遗传算法是指一种多参数和多个体同时优化的算法。该算法并不依赖于问题的具体领域，为求解系统优化问题提供了一种通用框架，对问题的种类具有很强的鲁棒性，因此，遗传算法应用在组合优化等领域获得了较大的成功，并继而成为了计算智能方面研究的热点。而后，遗传算法还被广泛应用于图象处理、生产调度、函数优化、自动控制、机器人学习等领域。
4. 计划与进度安排
2022.11.1-2022.12.1 收集相关资料，开展对遗传算法的研究
2022.12.1-2022.12.14 总结收集到的资料以及自己先前的成果，形成写作提纲
2022.12.15-2022.12.31 收集金融市场的数据，以便于之后的研究
5. 参考文献
1Guido J．Deboeck(Editor)．：TRADING ON THE EDGE——Neural, Genetic, and Fuzzy Systems for Chaotic Financial Markets．John Wiley amp; Sons, lnc, 1994.
2John Holland．：Adaptation IN Naturaland Artificial Systems，University of Michigan Press，1975.
3Goldberg．D.：Genetic Algorithms in Machine Learning, Optimization, and
