| 目录 | 第1-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-25页 |
| 1．1 研究背景 | 第11-13页 |
| 1．1．1 数据挖掘技术的产生和发展 | 第11-12页 |
| 1．1．2 金融信息化与数据挖掘技术 | 第12-13页 |
| 1．1．3 本文的研究对象 | 第13页 |
| 1．2 相关研究 | 第13-21页 |
| 1．2．1 金融时间序列的传统分析方法 | 第15-16页 |
| 1．2．2 时间序列挖掘方法 | 第16-20页 |
| 1．2．3 混合方法 | 第20-21页 |
| 1．3 传统分析方法与时间序列挖掘方法的不足 | 第21-22页 |
| 1．4 本文工作 | 第22-25页 |
| 1．4．1 本文的研究方法 | 第22页 |
| 1．4．2 本文的研究成果 | 第22-23页 |
| 1．4．3 本文结构 | 第23-25页 |
| 第二章 金融时间序列数据的特征分析 | 第25-31页 |
| 2．1 金融时间序列特征分析的意义 | 第25-26页 |
| 2．2 金融时间序列的关键特征分析 | 第26-30页 |
| 2．2．1 金融资产的相关性与关联性 | 第26-27页 |
| 2．2．2 趋势性与趋势变动性 | 第27-28页 |
| 2．2．3 自相关 | 第28页 |
| 2．2．4 数据生成机制的动态变化性 | 第28-29页 |
| 2．2．5 波动聚集性 | 第29页 |
| 2．2．6 分形与多重分形 | 第29-30页 |
| 2．3 本章小结 | 第30-31页 |
| 第三章 基于回归系数的时间序列维约简与相似性查找 | 第31-47页 |
| 3．1 线性回归模型 | 第31-32页 |
| 3．2 回归参数的递推计算 | 第32-36页 |
| 3．2．1 回归参数的递推计算方法 | 第32-35页 |
| 3．2．2 回归参数递推计算的实验结果 | 第35-36页 |
| 3．3 基于回归系数的时间序列维约简与相似性查找 | 第36-44页 |
| 3．3．1 相关工作 | 第36-38页 |
| 3．3．2 基于回归系数的维约简 | 第38-41页 |
| 3．3．3 基于PRA方法的相似性查找 | 第41-44页 |
| 3．4 实验结果 | 第44-46页 |
| 3．4．1 PRA方法的时间复杂度 | 第44-45页 |
| 3．4．2 基于PRA方法相似性查找的准确性 | 第45-46页 |
| 3．5 本章小结 | 第46-47页 |
| 第四章 基于ARMA模型的联机时间序列分割算法 | 第47-63页 |
| 4．1 相关工作 | 第47-49页 |
| 4．2 ARMA模型与最小方差预测 | 第49-53页 |
| 4．2．1 ARMA模型及建模过程 | 第49-51页 |
| 4．2．2 ARMA模型的最小方差预测 | 第51-53页 |
| 4．3 基于最小方差预测的模型适合度 | 第53-57页 |
| 4．3．1 模型对单个数据的适合度 | 第53-56页 |
| 4．3．2 模型对数据段的适合度及分割点确定 | 第56-57页 |
| 4．4 基于ARMA模型的联机时间序列分割算法 | 第57-59页 |
| 4．5 实验结果 | 第59-62页 |
| 4．5．1 仿真数据的实验结果 | 第59页 |
| 4．5．2 实际数据的实验结果 | 第59-62页 |
| 4．6 本章小结 | 第62-63页 |
| 第五章 基于自相似的时间序列波动聚集性研究 | 第63-78页 |
| 5．1 自相似性与标度不变性 | 第63-64页 |
| 5．2 基于自相似与标度不变性的波动聚集模型 | 第64-68页 |
| 5．3 波动聚集性的分割算法 | 第68-75页 |
| 5．3．1 相关工作 | 第68-70页 |
| 5．3．2 基于趋势变动与拟合优度的联机分割算法SCTGF | 第70-74页 |
| 5．3．3 基于自相似的波动聚集性分割算法 | 第74-75页 |
| 5．3．4 SCTGF-V算法的其它应用 | 第75页 |
| 5．4 实验结果 | 第75-77页 |
| 5．5 本章小结 | 第77-78页 |
| 第六章 基于多重分形的时间序列聚类 | 第78-95页 |
| 6．1 分形与多重分形 | 第78-80页 |
| 6．2 相关工作 | 第80-81页 |
| 6．3 时间序列广义分形维与多重分形谱的计算 | 第81-83页 |
| 6．4 广义分形维与多重分形谱的物理意义 | 第83-87页 |
| 6．4．1 概率函数对多重分形的意义 | 第83-84页 |
| 6．4．2 D_q、α和f(α)的物理意义 | 第84-87页 |
| 6．5 基于多重分形的时间序列聚类 | 第87-89页 |
| 6．6 实验结果 | 第89-93页 |
| 6．7 本章小结 | 第93-95页 |
| 第七章 总结与展望 | 第95-97页 |
| 参考文献 | 第97-105页 |
| 攻读学位期间作者的工作成果 | 第105-106页 |
| 致谢 | 第106-107页 |