数据挖掘技术及其在证券领域的应用
| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-22页 |
| ·选题背景和研究思路 | 第8-10页 |
| ·国内外研究现状 | 第10-17页 |
| ·本文主要研究内容 | 第17-20页 |
| ·主要创新点 | 第20页 |
| ·论文组织结构 | 第20-22页 |
| 第二章 CRM 与数据挖掘 | 第22-31页 |
| ·客户关系管理（CRM） | 第22-26页 |
| ·客户关系管理的概念 | 第22-23页 |
| ·CRM 与商业智能 | 第23-24页 |
| ·证券业的CRM 应用—投资者关系管理 | 第24-26页 |
| ·数据挖掘在CRM 中的应用 | 第26-30页 |
| ·数据挖掘的概念 | 第26-28页 |
| ·数据挖掘在CRM 中的应用 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 证券业数据仓库构建 | 第31-50页 |
| ·数据仓库的概述 | 第31-34页 |
| ·什么是数据仓库 | 第31-32页 |
| ·数据仓库与数据库 | 第32页 |
| ·数据仓库体系结构 | 第32-34页 |
| ·证券行业数据分析 | 第34-43页 |
| ·行业应用分析 | 第34页 |
| ·证券行业基础数据分析 | 第34-43页 |
| ·证券行业数据仓库设计与构建 | 第43-49页 |
| ·证券行业数据仓库设计原则 | 第43-44页 |
| ·证券行业数据仓库模型 | 第44-47页 |
| ·数据预处理:清理、集成和转换 | 第47-48页 |
| ·技术实现 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 客户聚类分析 | 第50-77页 |
| ·聚类分析 | 第50-57页 |
| ·什么是聚类分析 | 第50页 |
| ·聚类的应用领域 | 第50-51页 |
| ·聚类分析中的数据类型 | 第51-56页 |
| ·主要的聚类方法 | 第56-57页 |
| ·基于CRM 的客户层次划分模型 | 第57-59页 |
| ·客户自动聚类实现 | 第59-74页 |
| ·业务指标分析 | 第59-60页 |
| ·聚类数据仓库的生成及其数据标准化处理 | 第60-65页 |
| ·客户聚类相似度公式 | 第65-69页 |
| ·使用层次凝聚方法实现客户聚类 | 第69-71页 |
| ·使用K-平均算法进行客户聚类分析 | 第71-73页 |
| ·改进的K-平均方法及对相似度公式的修正 | 第73-74页 |
| ·同类别客户的分组模型 | 第74-75页 |
| ·基于CURE 聚类算法的动态监测机制 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 基于关联规则和序列模式挖掘的客户行为模型 | 第77-99页 |
| ·证券业务需求分析 | 第77-78页 |
| ·关联规则 | 第78-82页 |
| ·关联规则概念 | 第78-79页 |
| ·关联规则的属性 | 第79-80页 |
| ·关联规则的挖掘 | 第80-81页 |
| ·关联规则的主要种类 | 第81-82页 |
| ·序列模式挖掘 | 第82-83页 |
| ·基于关联规则和序列模式的客户历史交易数据挖掘 | 第83-93页 |
| ·数据分析 | 第83-85页 |
| ·使用Apriori 算法候选项集找频繁项集 | 第85-90页 |
| ·历史交易数据的序列模式挖掘 | 第90-93页 |
| ·网上交易客户行为模型 | 第93-97页 |
| ·基于Markov 链的行情自动推送算法 | 第97-98页 |
| ·本章小结 | 第98-99页 |
| 第六章 基于决策树的客户流失模型分析 | 第99-109页 |
| ·客户流失概念 | 第99-100页 |
| ·背景分析 | 第99页 |
| ·证券业客户流失的定义 | 第99页 |
| ·影响客户流失的因素 | 第99-100页 |
| ·客户流失模型的建立 | 第100-101页 |
| ·客户流失模型建立的基础 | 第100页 |
| ·CRM 中的 RFM 模型 | 第100-101页 |
| ·证券业客户流失分析的RFM-ROI 模型 | 第101页 |
| ·基于决策树的证券业客户流失模型 | 第101-107页 |
| ·决策树概念及其应用 | 第101-102页 |
| ·训练集 | 第102-103页 |
| ·基于决策树的证券业客户流失分析 | 第103-104页 |
| ·决策树的ID3 算法 | 第104-105页 |
| ·基于停止阈值的ID3 算法改进 | 第105-107页 |
| ·模型评价 | 第107页 |
| ·本章小结 | 第107-109页 |
| 第七章 基于神经网络的股票行情时间序列模式挖掘 | 第109-117页 |
| ·背景介绍 | 第109页 |
| ·股票时间序列 | 第109-113页 |
| ·时间序列模式 | 第109-110页 |
| ·自动匹配的时间窗口 | 第110-113页 |
| ·用RBF 神经网络挖掘时间序列模式 | 第113-116页 |
| ·RBF 神经网络结构 | 第113页 |
| ·用Matlab 实现RBF 神经网络挖掘 | 第113-116页 |
| ·本章小结 | 第116-117页 |
| 第八章 总结与展望 | 第117-121页 |
| ·总结 | 第117-119页 |
| ·展望 | 第119-121页 |
| 参考文献 | 第121-129页 |
| 发表论文和科研情况说明 | 第129-130页 |
| 致谢 | 第130页 |
