| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-12页 |
| ·本文的研究背景 | 第9-10页 |
| ·本文的研究现实意义 | 第10-11页 |
| ·本文的工作安排和写作思路 | 第11-12页 |
| 第2章 数据挖掘技术概述及在金融时间序列中的发展 | 第12-21页 |
| ·数据挖掘概述 | 第12-17页 |
| ·数据挖掘定义 | 第12-13页 |
| ·数据挖掘的功能 | 第13-14页 |
| ·数据挖掘的基本过程 | 第14-15页 |
| ·数据挖掘中常用的技术和方法 | 第15-16页 |
| ·数据挖掘的应用领域 | 第16-17页 |
| ·数据挖掘技术在金融时间序列相关技术方面的发展 | 第17-20页 |
| ·金融时间序列基本概念 | 第17-18页 |
| ·金融时间序列数据挖掘相关技术 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 第3章 金融时序数据预处理技术 | 第21-34页 |
| ·时序数据预处理技术概述 | 第21-23页 |
| ·原始数据标准化处理 | 第21页 |
| ·空缺数据处理 | 第21-22页 |
| ·数据集成 | 第22页 |
| ·时序数据的噪声处理 | 第22-23页 |
| ·时序数据的小波降噪处理 | 第23-33页 |
| ·小波变换简介 | 第24-25页 |
| ·小波降噪的基本原理 | 第25-28页 |
| ·金融时间序列小波降噪参数的选取分析 | 第28-31页 |
| ·降噪实例 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于ARMA-ARCH模型的金融时间序列预测分析 | 第34-48页 |
| ·自回归移动平均ARMA模型 | 第34-37页 |
| ·自回归模型AR(p) | 第34页 |
| ·移动平均模型MA(q) | 第34-35页 |
| ·自回归移动平均模型ARMA(p，q) | 第35页 |
| ·单整自回归移动平均模型ARIMA(p，d，q) | 第35-36页 |
| ·模型的识别 | 第36-37页 |
| ·自回归条件异方差ARCH模型 | 第37-39页 |
| ·自回归条件异方差ARCH模型 | 第37-39页 |
| ·推广的自回归条件异方差模型 | 第39页 |
| ·实例分析——基于ARIMA-GARCH模型的上证指数的建模和预测 | 第39-47页 |
| ·数据选取及预处理 | 第39-41页 |
| ·ARIMA-GARCH模型建立综述 | 第41-45页 |
| ·预测分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 中国证券市场日历效应实证分析 | 第48-60页 |
| ·日历效应相关研究 | 第48-49页 |
| ·日历效益研究方法——PD-EGARCH模型 | 第49-51页 |
| ·中国证券市场日历实证分析 | 第51-57页 |
| ·样本数据处理 | 第51页 |
| ·基本统计特性 | 第51-52页 |
| ·日历效应的数据挖掘——PD-EGARCH模型及参数估计结果 | 第52-57页 |
| ·日历效应的解释初探 | 第57-58页 |
| ·日历效应的解释难点 | 第57-58页 |
| ·日历效应的解释探讨 | 第58页 |
| ·本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间公开发表论文 | 第67-68页 |
| 致谢 | 第68-69页 |
| 研究生履历 | 第69页 |
