面向金融知识服务的股票聚类分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.2.1 复杂网络理论在金融领域的研究现状 | 第10-12页 |
| 1.2.2 社区发现算法研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及章节安排 | 第13-15页 |
| 第2章 系统架构与异构信息的获取 | 第15-22页 |
| 2.1 引言 | 第15页 |
| 2.2 股票关联网络挖掘系统框架 | 第15-17页 |
| 2.3 异构信息获取与预处理 | 第17-21页 |
| 2.3.1 股票行情数据的获取与预处理 | 第17-18页 |
| 2.3.2 股票文本信息获取与预处理 | 第18-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 股票关联网络的构建 | 第22-37页 |
| 3.1 引言 | 第22-23页 |
| 3.2 复杂网络拓扑性质与模块度 | 第23-26页 |
| 3.3 基于DTW的时间序列相似性 | 第26-28页 |
| 3.4 基于文本信息的股票相关性 | 第28-34页 |
| 3.4.1 词向量和语言模型 | 第28-31页 |
| 3.4.2 word2vec原理 | 第31-32页 |
| 3.4.3 股票的词向量生成和相似度计算 | 第32-34页 |
| 3.5 股票关联网络的构建 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于社区发现的股票聚类分析 | 第37-46页 |
| 4.1 问题背景与评价指标 | 第37-39页 |
| 4.2 基于模块度的股票社区发现 | 第39-41页 |
| 4.2.1 Newman快速算法 | 第39-40页 |
| 4.2.2 Fast-unfolding算法 | 第40-41页 |
| 4.3 基于主题模型的股票社区发现 | 第41-44页 |
| 4.3.1 主题模型原理介绍 | 第41-43页 |
| 4.3.2 基于LDA主题模型的社区发现 | 第43-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 实验分析与系统实现 | 第46-63页 |
| 5.1 实验环境与实验数据 | 第46页 |
| 5.2 实验结果评估与分析 | 第46-54页 |
| 5.2.1 关联网络的构建 | 第46-50页 |
| 5.2.2 基于文本信息的聚类分析 | 第50-51页 |
| 5.2.3 基于时间序列的聚类分析 | 第51-54页 |
| 5.3 系统实现与评价 | 第54-62页 |
| 5.3.1 系统实现 | 第54-60页 |
| 5.3.2 系统评价 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
