| ABSTRACT | 第1-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| 1．1 课题研究背景和研究意义 | 第8-9页 |
| 1．2 国内外相关领域研究评述 | 第9-11页 |
| 1．3 小波理论在金融时间序列中的应用研究 | 第11-12页 |
| 1．4 数据挖掘在金融时间序列中的应用研究 | 第12-13页 |
| 1．5 主要研究内容与创新之处 | 第13-14页 |
| 1．5．1 主要研究内容 | 第13页 |
| 1．5．2 主要创新点 | 第13-14页 |
| 第二章 数据挖掘分析基本理论 | 第14-25页 |
| 2．1 数据挖掘系统体系结构 | 第14-16页 |
| 2．2 数据挖掘功能、过程与方法 | 第16-19页 |
| 2．3 数据库挖掘 | 第19-21页 |
| 2．4 聚类分析 | 第21-25页 |
| 2．4．1 聚类分析中的数据结构 | 第21-22页 |
| 2．4．2 聚类分析方法中的分类 | 第22-24页 |
| 2．4．3 孤立点的分析 | 第24-25页 |
| 第三章 小波分析的基本理论 | 第25-36页 |
| 3．1 小波时间-频率分析 | 第25-27页 |
| 3．2 连续小波变换 | 第27-29页 |
| 3．3 离散小波变换 | 第29-30页 |
| 3．4 正交小波变换和多分辨分析 | 第30-32页 |
| 3．4．1 正交小波变换 | 第30-31页 |
| 3．4．2 尺度函数与多分辨分析 | 第31-32页 |
| 3．5 信号奇异性检测 | 第32-36页 |
| 第四章 数据挖掘在金融市场的应用模型及实证研究 | 第36-47页 |
| 4．1 基于遗传算法的K-MEANS模型的建立 | 第36-40页 |
| 4．1．1 基于遗传算法的K均值算法(K-MEANS)理论 | 第37-38页 |
| 4．1．2 基于遗传算法的K均值算法(K-MEANS)模型的建立 | 第38-39页 |
| 4．1．3 数据的选取 | 第39-40页 |
| 4．2 模型的实现 | 第40-47页 |
| 4．2．1 软件开发的框架 | 第40-43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47-61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52-57页 |
| 5．5 股市的实证研究 | 第57-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6．1 全文总结 | 第61-62页 |
| 6．2 今后研究展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 发表论文和参加科研情况 | 第70-71页 |
| 致谢 | 第71-72页 |