| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 基于信息发现的知识服务研究现状 | 第9-10页 |
| 1.2.2 文本特征提取研究现状 | 第10-11页 |
| 1.2.3 基于新闻的债券价格趋势预测研究现状 | 第11-12页 |
| 1.2.4 时间序列预测方法研究现状 | 第12-13页 |
| 1.3 章节内容组织 | 第13-14页 |
| 第2章 债券知识服务平台总体架构 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 债券知识服务平台总体框架 | 第14-15页 |
| 2.3 文本中结构化数据获取 | 第15-17页 |
| 2.3.1 实时数据获取 | 第15-16页 |
| 2.3.2 债券公告获取 | 第16-17页 |
| 2.3.3 债券新闻获取 | 第17页 |
| 2.4 数据预处理 | 第17-20页 |
| 2.4.1 债券新闻预处理 | 第17-19页 |
| 2.4.2 债券行情数据预处理以及债券收益计算 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于信息发现的债券推荐策略 | 第21-26页 |
| 3.1 同类益高债券推荐策略描述 | 第21-22页 |
| 3.1.1 债券投资者分析 | 第21页 |
| 3.1.2 债券分类策略 | 第21-22页 |
| 3.1.3 同类益高策略模型 | 第22页 |
| 3.2 基于数据挖掘的类别获取方法 | 第22-23页 |
| 3.2.1 基于K-prototypes的混合属性数据聚类算法 | 第22-23页 |
| 3.2.2 优化的分类属性相异度距离计算方法 | 第23页 |
| 3.3 同类益高策略应用 | 第23-25页 |
| 3.3.1 债券实时多组合类别推荐 | 第23-24页 |
| 3.3.2 债券动态曲线拟合 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第4章 基于机器学习的债券趋势预测 | 第26-38页 |
| 4.1 文本与数据关系挖掘 | 第26-32页 |
| 4.1.1 债券价格趋势预测方法 | 第26-30页 |
| 4.1.2 基于债券新闻的价格趋势预测 | 第30-32页 |
| 4.2 基于神经网络的债券时间序列预测 | 第32-36页 |
| 4.2.1 债券时间序列预测方法 | 第32-35页 |
| 4.2.2 债券收益时间序列预测 | 第35-36页 |
| 4.3 本章小结 | 第36-38页 |
| 第5章 实验平台与知识服务的实现 | 第38-50页 |
| 5.1 实验环境与实验数据 | 第38页 |
| 5.2 实验结果评估与分析 | 第38-44页 |
| 5.2.1 债券类别获取实验分析 | 第38-41页 |
| 5.2.2 债券价格趋势预测实验分析 | 第41-42页 |
| 5.2.3 债券收益时间序列预测实验分析 | 第42-44页 |
| 5.3 债券知识服务平台的实现 | 第44-45页 |
| 5.4 债券知识服务平台的验证和评价 | 第45-49页 |
| 5.4.1 债券知识服务平台的验证 | 第45-47页 |
| 5.4.2 债券知识服务平台的评价 | 第47-49页 |
| 5.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间发表的学术论文 | 第55-57页 |
| 致谢 | 第57页 |