| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 大数据与期货程序化交易 | 第16-19页 |
| 1.1.1 期货程序化交易的产生与发展 | 第16-17页 |
| 1.1.2 期货程序化交易的过程 | 第17-19页 |
| 1.2 期货环境下时间序列数据 | 第19-21页 |
| 1.2.1 时间序列数据概述 | 第19-20页 |
| 1.2.2 时间序列数据表现形式 | 第20-21页 |
| 1.3 时间序列数据的实时解释模型 | 第21-24页 |
| 1.3.1 数据采集模块 | 第22-23页 |
| 1.3.2 数据处理模块 | 第23-24页 |
| 1.3.3 实时解释模块 | 第24页 |
| 1.4 国内外研究状况 | 第24-25页 |
| 1.5 本文的主要工作和内容安排 | 第25-28页 |
| 1.5.1 主要工作 | 第25-26页 |
| 1.5.2 内容安排 | 第26-28页 |
| 第二章 时间序列数据的管理方式 | 第28-41页 |
| 2.1 引言 | 第28-29页 |
| 2.2 相关技术 | 第29-34页 |
| 2.2.1 HDFS分布式文件系统 | 第29-31页 |
| 2.2.2 HBase分布式存储数据库 | 第31页 |
| 2.2.3 Flume分布式日志收集系统 | 第31-32页 |
| 2.2.4 Kafka分布式消息订阅系统 | 第32-34页 |
| 2.3 时间序列数据的处理 | 第34-40页 |
| 2.3.1 传统的MapReduce | 第34-37页 |
| 2.3.2 基于Hadoop的RTMR实时数据处理方法 | 第37-39页 |
| 2.3.3 RTMR的验证与分析 | 第39-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 时间序列数据的特征模式挖掘 | 第41-50页 |
| 3.1 引言 | 第41页 |
| 3.2 关联规则分析 | 第41-49页 |
| 3.2.1 传统的Apriori算法 | 第41-42页 |
| 3.2.2 ARTMMR算法 | 第42-44页 |
| 3.2.3 ARTMMR算法实例分析 | 第44-45页 |
| 3.2.4 ARTMMR算法的实时优化 | 第45-48页 |
| 3.2.5 实验结果对比 | 第48-49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 时间序列数据的解释引擎研究 | 第50-67页 |
| 4.1 引言 | 第50-51页 |
| 4.2 解释引擎概述 | 第51-55页 |
| 4.2.1 基于MVC模式的解释模型 | 第51-52页 |
| 4.2.2 解释模块的设计 | 第52-54页 |
| 4.2.3 扩展的巴科斯范式 | 第54-55页 |
| 4.3 词法分析 | 第55-56页 |
| 4.3.1 标识符 | 第55页 |
| 4.3.2 正则表达式 | 第55-56页 |
| 4.4 语法语义分析 | 第56-62页 |
| 4.4.1 自顶向下 | 第57-58页 |
| 4.4.2 自底向上 | 第58-60页 |
| 4.4.3 语法树的构建 | 第60-61页 |
| 4.4.4 结点类的设计 | 第61-62页 |
| 4.5 交易模块 | 第62-66页 |
| 4.5.1 交易模块分析 | 第62-64页 |
| 4.5.2 解释引擎实时性验证 | 第64-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 进一步工作 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73-74页 |