| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 引言 | 第11-19页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 文献综述 | 第12-16页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.4 技术路线和论文结构 | 第16-17页 |
| 1.4.1 研究思路 | 第16-17页 |
| 1.4.2 研究方法 | 第17页 |
| 1.5 创新之处 | 第17-19页 |
| 第二章 理论基础 | 第19-24页 |
| 2.1 数据挖掘概念界定 | 第19-20页 |
| 2.2 数据挖掘技术流程 | 第20页 |
| 2.3 数据挖掘技术的操作方法 | 第20-22页 |
| 2.4 数据挖掘成果的验证和评估 | 第22-24页 |
| 第三章 股票核心指标提取和数据清洗方案 | 第24-36页 |
| 3.1 数据挖掘指标的选取和清洗标准 | 第24-25页 |
| 3.1.1 股票指标的时间区间 | 第24页 |
| 3.1.2 剔除被交易所警告有可能出现退市情况的股票 | 第24页 |
| 3.1.3 剔除股票数据不全的股票 | 第24页 |
| 3.1.4 样本选择 | 第24页 |
| 3.1.5 改进了数据清洗方法 | 第24-25页 |
| 3.2 数据挖掘指标的选取 | 第25-36页 |
| 3.2.1 输入变量 | 第25-35页 |
| 3.2.2 目标变量 | 第35-36页 |
| 第四章 利用非监督学习模型对指标进行降维 | 第36-44页 |
| 4.1 关联规则数据挖掘 | 第36-37页 |
| 4.1.1 关联规则的原理和计算步骤 | 第36-37页 |
| 4.1.2 关联规则的优缺点 | 第37页 |
| 4.2 利用关联规则对股票指标进行处理达到降维 | 第37-40页 |
| 4.2.1 数据预处理 | 第37-38页 |
| 4.2.2 运用关联规则处理经过整理后的数据 | 第38-40页 |
| 4.3 利用主成分分析(PCA)对数据进行处理 | 第40-41页 |
| 4.3.1 主成分分析的含义 | 第40-41页 |
| 4.3.2 主成分分析的计算步骤 | 第41页 |
| 4.3.3 主成分分析的优缺点分析 | 第41页 |
| 4.4 利用主成分分析(PCA)对股票数据进行降维处理 | 第41-44页 |
| 第五章 利用分类和预测模型进行建模分析 | 第44-57页 |
| 5.1 预测模型和分类模型含义 | 第44-45页 |
| 5.2 决策树数据挖掘方法概述 | 第45页 |
| 5.3 运用决策树模型处理股票特征数据 | 第45-50页 |
| 5.3.1 数据处理 | 第45-46页 |
| 5.3.2 决策树分析及评价 | 第46-47页 |
| 5.3.3 决策树模型效果展示 | 第47-50页 |
| 5.4 神经网络模型 | 第50页 |
| 5.4.1 神经网络概述 | 第50页 |
| 5.4.2 神经网络特点 | 第50页 |
| 5.5 神经网络数据挖掘 | 第50-57页 |
| 5.5.1 数据预处理 | 第50-51页 |
| 5.5.2 神经网络模型的拓扑结构 | 第51页 |
| 5.5.3 神经网络模型效果分析 | 第51-52页 |
| 5.5.4 神经网络模型的效果展示 | 第52-57页 |
| 第六章 决策树模型和神经网络模型对比分析 | 第57-61页 |
| 6.1 模型的比较的方法概述 | 第57页 |
| 6.2 四种模型比较方法下对比两个模型 | 第57-61页 |
| 6.2.1 偏差方差比较方法 | 第57-58页 |
| 6.2.2 ROC曲线判别方法 | 第58-59页 |
| 6.2.3 F1score比较方法 | 第59-60页 |
| 6.2.4 超额收益率方法 | 第60-61页 |
| 第七章 结论与展望 | 第61-62页 |
| 7.1 研究结论 | 第61页 |
| 7.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 个人简历在读期间发表的学术论文与研究成果 | 第66-67页 |