| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题研究背景和研究意义 | 第7-8页 |
| 1.2 国内外相关领域研究评述 | 第8-10页 |
| 1.3 小波理论在证券时间序列中的应用研究 | 第10-11页 |
| 1.4 数据挖掘在证券时间序列中的应用研究 | 第11-12页 |
| 1.5 论文内容与创新之处 | 第12-13页 |
| 1.5.1 论文内容 | 第12页 |
| 1.5.2 主要创新点 | 第12-13页 |
| 第二章 数据挖掘分析基本理论 | 第13-24页 |
| 2.1 数据挖掘系统体系结构 | 第13-15页 |
| 2.2 数据挖掘功能、过程与方法 | 第15-18页 |
| 2.3 数据库挖掘 | 第18-20页 |
| 2.4 聚类分析 | 第20-24页 |
| 2.4.1 聚类分析中的数据结构 | 第20-21页 |
| 2.4.2 聚类分析方法中的分类 | 第21-23页 |
| 2.4.3 孤立点的分析 | 第23-24页 |
| 第三章 小波分析的基本理论 | 第24-35页 |
| 3.1 小波时间-频率分析 | 第24-26页 |
| 3.2 连续小波变换 | 第26-28页 |
| 3.3 离散小波变换 | 第28-29页 |
| 3.4 正交小波变换和多分辨分析 | 第29-31页 |
| 3.4.1 正交小波变换 | 第29-30页 |
| 3.4.2 尺度函数与多分辨分析 | 第30-31页 |
| 3.5 信号奇异性检测 | 第31-35页 |
| 第四章 数据挖掘在证券市场的应用模型及实证研究 | 第35-47页 |
| 4.1 基于遗传算法的K-MEANS模型的建立 | 第35-39页 |
| 4.1.1 基于遗传算法的K均值算法（K-MEANS）理论 | 第36-37页 |
| 4.1.2 基于遗传算法的K均值算法（K-MEANS）模型的建立 | 第37-38页 |
| 4.1.3 数据的选取 | 第38-39页 |
| 4.2 模型的实现 | 第39-47页 |
| 4.2.1 软件开发的框架 | 第39-43页 |
| 4.2.2 模型参数的估计与选择 | 第43页 |
| 4.2.3 数据结果和结论 | 第43-44页 |
| 4.2.4 孤立点的处理及意义 | 第44-47页 |
| 第五章 小波分析在股市中的应用模型及实证研究 | 第47-60页 |
| 5.1 股票市场分析理论 | 第47-48页 |
| 5.2 股市信号行为特征 | 第48-49页 |
| 5.3 股市信号周期性的小波分析 | 第49-52页 |
| 5.4 基于小波分析及ARIMA模型预测 | 第52-56页 |
| 5.5 股市的实证研究 | 第56-60页 |
| 第六章 总结与展望 | 第60-63页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 今后研究展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 发表论文和参加科研情况 | 第68-69页 |
| 一、学术论文 | 第68-69页 |
| 致谢 | 第69页 |