| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 引言 | 第9-20页 |
| 第一节 研究背景及问题提出 | 第9-13页 |
| 一、研究背景 | 第9-10页 |
| 二、问题提出 | 第10-13页 |
| 第二节 国内外研究现状 | 第13-18页 |
| 一、证券客户管理研究现状 | 第13-16页 |
| 二、BIRCH方法研究现状 | 第16-18页 |
| 第三节 本文主要研究内容及意义 | 第18-20页 |
| 第二章 金融大数据研究背景介绍 | 第20-29页 |
| 第一节 金融大数据的由来 | 第20-24页 |
| 一、信息科技与金融大数据 | 第20-21页 |
| 二、互联网与金融大数据 | 第21页 |
| 三、云计算与金融大数据 | 第21-22页 |
| 四、物联网与金融大数据 | 第22-23页 |
| 五、社交网络与金融大数据 | 第23页 |
| 六、智能终端与金融大数据 | 第23-24页 |
| 第二节 金融大数据的数据结构与数据特点 | 第24-25页 |
| 一、金融大数据的数据结构 | 第24页 |
| 二、金融大数据的数据特点 | 第24-25页 |
| 第三节 金融大数据分析涉及的关键技术 | 第25-29页 |
| 一、数据挖掘技术 | 第26-28页 |
| 二、网络挖掘技术 | 第28页 |
| 三、文本挖掘技术 | 第28-29页 |
| 第三章 基于K-MEDIODS改进的BIRCH方法 | 第29-40页 |
| 第一节 聚类分析的概念和时代要求 | 第29-31页 |
| 一、什么是聚类分析 | 第29页 |
| 二、大数据时代对聚类分析的要求 | 第29-31页 |
| 第二节 主要的聚类方法介绍 | 第31-35页 |
| 一、基于划分的聚类 | 第31-33页 |
| 二、基于层次的聚类 | 第33-34页 |
| 三、基于密度的聚类 | 第34页 |
| 四、基于网格的聚类 | 第34-35页 |
| 第三节 BIRCH.K-meadiods方法介绍 | 第35-40页 |
| 一、微聚类阶段：CF树层次的构建 | 第36-39页 |
| 二、宏聚类阶段：基于CF树叶结点的K-mediods聚类 | 第39-40页 |
| 第四章 基于BIRCH.K-MEDIODS方法的证券客户细分 | 第40-56页 |
| 第一节 基于证券交易数据的客户特征提取 | 第41-47页 |
| 一、客户年度换手率的特征提取 | 第41-42页 |
| 二、客户年度持仓率的特征提取 | 第42-43页 |
| 三、客户年度止盈率、止损率的特征提取 | 第43-44页 |
| 四、客户年度持股时长的特征提取 | 第44-46页 |
| 五、客户年度资金流动率的特征提取 | 第46-47页 |
| 第二节 基于BIRCH.K-mediods方法的证券客户聚类 | 第47-54页 |
| 第三节 小结 | 第54-56页 |
| 第五章 结语 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61-80页 |
| 致谢 | 第80-81页 |
| 在读期间完成的研究成果 | 第81页 |
