| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 选题背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 课题来源 | 第16页 |
| 1.4 研究目标与主要内容 | 第16-17页 |
| 1.5 论文组织结构 | 第17页 |
| 1.6 小结 | 第17-18页 |
| 第2章 数据挖掘技术和股市定价模型概述 | 第18-28页 |
| 2.1 数据挖掘技术（DMT）概述 | 第18-20页 |
| 2.1.1 DMT 基本理论 | 第18-20页 |
| 2.2 本文相关 DMT 方法的选取 | 第20-25页 |
| 2.2.1 小波家族 | 第20-22页 |
| 2.2.2 聚类分析 | 第22-23页 |
| 2.2.3 神经网络 | 第23-25页 |
| 2.3 股市定价模型概述 | 第25-27页 |
| 2.3.1 资本资产定价模型 | 第25-26页 |
| 2.3.2 股市定价的因素模型 | 第26-27页 |
| 2.4 小结 | 第27-28页 |
| 第3章 基于 Daubechies 小波多尺度股市定价模型 | 第28-41页 |
| 3.1 Fama-French 三因素模型与 Daubechies 小波分析 | 第28-33页 |
| 3.1.1 Fama-French 三因素模型 | 第28-29页 |
| 3.1.2 Daubechies 小波分析 | 第29-33页 |
| 3.2 多尺度 Fama-French 三因素模型 | 第33-34页 |
| 3.3 多尺度 Fama-French 三因素模型实验及结果 | 第34-40页 |
| 3.3.1 实验环境 | 第34页 |
| 3.3.2 数据描述 | 第34-36页 |
| 3.3.3 单一尺度 F-F 模型的回归实验结果 | 第36-37页 |
| 3.3.4 多尺度 F-F 模型的实验结果 | 第37-40页 |
| 3.4 小结 | 第40-41页 |
| 第4章 基于改进的聚类算法和 BP 神经网络的股市定价模型 | 第41-74页 |
| 4.1 聚类算法的研究与改进 | 第41-51页 |
| 4.1.1 类的相关概念、类间距离的定义 | 第41-42页 |
| 4.1.2 数据相似性度量 | 第42-43页 |
| 4.1.3 BIRICH 层次聚类算法 | 第43-46页 |
| 4.1.4 基于分割法思想的 CLARA 算法 | 第46页 |
| 4.1.5 结合 BIRCH 和 CLARA 算法的层次分割聚类算法 | 第46-51页 |
| 4.2 BP 神经网络方法概述 | 第51-53页 |
| 4.2.1 激活函数的确定 | 第51-52页 |
| 4.2.2 BP 训练算法 | 第52-53页 |
| 4.3 基于改进聚类算法和 BP 网络的多因素股市定价模型 | 第53-71页 |
| 4.3.1 实验环境 | 第53页 |
| 4.3.2 对股市定价模型相关数据进行预处理 | 第53-58页 |
| 4.3.3 实验及结果 | 第58-71页 |
| 4.4 改进聚类算法选股及 BP 神经网络预测实验 | 第71-73页 |
| 4.4.1 层次分割聚类算法运用于股票投资组合的筛选 | 第71页 |
| 4.4.2 BP 神经网络对筛选出的股票及组合进行预测和检验 | 第71-73页 |
| 4.5 小结 | 第73-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录 A 攻读硕士学位期间所发表的学术论文目录 | 第80-81页 |
| 附录 B 攻读硕士学位期间所参与的项目目录 | 第81-82页 |
| 致谢 | 第82页 |
