数据挖掘技术在股票分析与预测中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·引言 | 第9页 |
| ·选题的意义 | 第9-10页 |
| ·股票的基本面分析和技术面分析 | 第10-11页 |
| ·股票的基本面分析 | 第10-11页 |
| ·股票的技术面分析 | 第11页 |
| ·两种分析方法的比较 | 第11页 |
| ·本文研究方法 | 第11-12页 |
| ·数据挖掘基本思想 | 第12-13页 |
| ·国内外股票分析软件的现状和发展方向 | 第13-14页 |
| ·论文结构 | 第14-15页 |
| 第2章 数据挖掘概述 | 第15-25页 |
| ·数据挖掘的概念 | 第15-16页 |
| ·数据挖掘的过程 | 第16-17页 |
| ·数据挖掘的研究重点 | 第17-19页 |
| ·数据挖掘的分类 | 第19-22页 |
| ·关联分析 | 第19-20页 |
| ·分类与预测 | 第20页 |
| ·聚类分析 | 第20-21页 |
| ·时序模式挖掘 | 第21-22页 |
| ·数据挖掘结果评估 | 第22-23页 |
| ·数据挖掘在股票分析与预测中的应用 | 第23-24页 |
| ·数据挖掘技术在股票分析与预测中的可行性 | 第23页 |
| ·数据挖掘技术在股票分析与预测中的适用性 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于决策树分类的股票财务数据分析 | 第25-35页 |
| ·股票财务数据指标 | 第25-28页 |
| ·决策树分类 | 第28-31页 |
| ·决策树的概念 | 第28页 |
| ·决策树分类的基本算法 | 第28-30页 |
| ·决策树分类的适用问题 | 第30-31页 |
| ·ID3 算法在股票预测中的应用 | 第31-34页 |
| ·股票数据的提取 | 第31页 |
| ·构建股票分类模型 | 第31-33页 |
| ·实验结果分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 股票间的关联规则提取 | 第35-50页 |
| ·关联规则挖掘 | 第35-41页 |
| ·关联规则挖掘的概念 | 第35-36页 |
| ·关联规则的种类 | 第36-37页 |
| ·关联规则挖掘的经典算法(Apriori)简介 | 第37-39页 |
| ·Apriori算法存在的问题及改进算法 | 第39-41页 |
| ·事务间数值型关联规则的挖掘 | 第41-49页 |
| ·问题的提出 | 第41-42页 |
| ·事务间数值型关联规则挖掘算法E-QA | 第42-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 股票时间序列的相似性搜索 | 第50-67页 |
| ·引言 | 第50-51页 |
| ·基本概念 | 第51页 |
| ·基本研究方法 | 第51页 |
| ·问题描述及相关研究 | 第51-56页 |
| ·相似性查找描述 | 第51-52页 |
| ·主要难点与相关研究 | 第52-56页 |
| ·动态时间归整 | 第56-64页 |
| ·欧几里德距离与DTW距离的比较 | 第57-58页 |
| ·动态时间归整的概念 | 第58-61页 |
| ·DTW算法实现 | 第61-64页 |
| ·测试结果及分析 | 第64-65页 |
| ·本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |
