| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究思路与内容 | 第14-16页 |
| 1.3.1 研究思路 | 第14-15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.4 论文结构 | 第16-17页 |
| 第二章 相关理论及方法概述 | 第17-25页 |
| 2.1 时间序列分析 | 第17-19页 |
| 2.1.1 时间序列定义 | 第17页 |
| 2.1.2 时间序列建立 | 第17-18页 |
| 2.1.3 时间序列分析及作用 | 第18-19页 |
| 2.2 时间序列挖掘分析 | 第19-20页 |
| 2.2.1 时间序列挖掘 | 第19-20页 |
| 2.2.2 时间序列模式挖掘 | 第20页 |
| 2.3 时间序列挖掘在金融领域的研究 | 第20-21页 |
| 2.4 K线图理论分析 | 第21-22页 |
| 2.4.1 K线形态表示 | 第21-22页 |
| 2.4.2 K线形态相关理论 | 第22页 |
| 2.5 数据挖掘 | 第22-24页 |
| 2.5.1 数据挖掘的功能 | 第23页 |
| 2.5.2 时间序列数据挖掘 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 金融时间序列的小波去噪预处理 | 第25-39页 |
| 3.1 金融时间序列概述 | 第25-26页 |
| 3.1.1 金融时间序列定义 | 第25页 |
| 3.1.2 金融时间序列的特性 | 第25-26页 |
| 3.2 小波变换概述 | 第26-30页 |
| 3.2.1 连续小波变换 | 第26-28页 |
| 3.2.2 小波变换模极大值 | 第28-30页 |
| 3.3 小波去噪的基本原理 | 第30-31页 |
| 3.3.1 模极大值法去噪原理 | 第30-31页 |
| 3.3.2 非线性阈值法去噪原理 | 第31页 |
| 3.4 金融时间序列小波去噪参数选取分析 | 第31-35页 |
| 3.4.1 小波函数的选取 | 第31-33页 |
| 3.4.2 金融时间序列分解层次的去噪影响 | 第33-34页 |
| 3.4.3 阈值的确定准则 | 第34-35页 |
| 3.5 去噪实例分析 | 第35-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第四章 基于小波变换的奇异性特征序列聚类研究 | 第39-53页 |
| 4.1 金融时间序列奇异性特征 | 第39-40页 |
| 4.1.1 奇异性特征定义 | 第39-40页 |
| 4.1.2 挖掘奇异性特征的意义 | 第40页 |
| 4.2 短期趋势检测 | 第40-43页 |
| 4.3 奇异性特征序列数值计算 | 第43-48页 |
| 4.4 基于小波变换的奇异性特征序列聚类 | 第48-50页 |
| 4.4.1 d-近邻聚类 | 第48-49页 |
| 4.4.2 基于小波变换的d-近邻聚类方法 | 第49-50页 |
| 4.5 实验结果及分析 | 第50页 |
| 4.6 本章小结 | 第50-53页 |
| 第五章 基于短期趋势的k线形态Motif模式挖掘研究 | 第53-67页 |
| 5.1 基于短期趋势的k线形态Motif模式挖掘框架 | 第53页 |
| 5.2 k线形态Motif模式定义 | 第53-54页 |
| 5.3 k线形态Motif模式特征分类 | 第54-57页 |
| 5.3.1 基于ID3算法的决策树构建 | 第55-56页 |
| 5.3.2 基于C4.5 算法的决策树构建 | 第56-57页 |
| 5.4 k线形态Motif模式挖掘实验 | 第57-64页 |
| 5.4.1 实验数据 | 第57页 |
| 5.4.2 实验结果评价指标 | 第57-58页 |
| 5.4.3 K线形态Motif模式的数据挖掘实验 | 第58-62页 |
| 5.4.4 K线形态Motif模式的投资收益实验 | 第62-64页 |
| 5.5 本章小结 | 第64-67页 |
| 第六章 结论与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第77-79页 |
| 附录B 实证数据股票代码 | 第79-81页 |
| 附录C 术语 | 第81页 |