时间序列相空间重构数据挖掘方法及其在证券市场的应用
| 摘要 | 第1-10页 |
| Abstract | 第10-14页 |
| 第1章 绪论 | 第14-30页 |
| ·选题背景与意义 | 第14-17页 |
| ·选题背景 | 第14-16页 |
| ·研究动机 | 第16页 |
| ·课题来源 | 第16-17页 |
| ·相关研究综述 | 第17-26页 |
| ·时间序列数据挖掘 | 第17-24页 |
| ·金融时间序列数据挖掘 | 第24-26页 |
| ·研究内容 | 第26-28页 |
| ·研究思路 | 第26-28页 |
| ·主要工作 | 第28页 |
| ·论文结构 | 第28-30页 |
| 第2章 相关理论基础与技术方法 | 第30-48页 |
| ·有效市场问题 | 第30-31页 |
| ·时间序列模型 | 第31-34页 |
| ·数据挖掘技术 | 第34-38页 |
| ·数据挖掘技术背景 | 第34-35页 |
| ·数据挖掘的功能分类 | 第35-37页 |
| ·数据挖掘的方法 | 第37-38页 |
| ·相空间重构技术 | 第38-47页 |
| ·动力系统相关理论 | 第38-40页 |
| ·混沌与吸引子 | 第40-42页 |
| ·混沌时间序列的判别 | 第42-44页 |
| ·相空间重构的方法 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第3章 基于小波聚类方法的序列时间模式挖掘 | 第48-65页 |
| ·时间序列数据挖掘TSDM | 第48-50页 |
| ·多维空间数据聚类方法 | 第50-54页 |
| ·聚类分析 | 第50-52页 |
| ·聚类划分与对比 | 第52-54页 |
| ·小波聚类算法 | 第54-59页 |
| ·小波变换 | 第54-58页 |
| ·小波聚类的步骤 | 第58-59页 |
| ·序列时间模式挖掘方法 | 第59-64页 |
| ·时间序列数据相空间重构 | 第60页 |
| ·事件特征函数 | 第60-61页 |
| ·量化空间 | 第61页 |
| ·小波变换聚类 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第4章 期望最大化聚类模糊神经网络预测 | 第65-78页 |
| ·相空间重构的参数估计 | 第65-68页 |
| ·嵌入定理与时间序列可预测性 | 第65-66页 |
| ·嵌入维估计 | 第66-67页 |
| ·嵌入延时估计 | 第67-68页 |
| ·期望最大化聚类算法 | 第68-70页 |
| ·TS模糊神经网络模型 | 第70-74页 |
| ·模糊系统模型 | 第70-72页 |
| ·TS模糊神经网络 | 第72-74页 |
| ·期望最大化聚类模糊神经网络 | 第74-77页 |
| ·聚类分配器 | 第74-75页 |
| ·前件网络 | 第75页 |
| ·后件网络 | 第75-76页 |
| ·网络选择与滑动窗口训练 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 第5章 时间序列的偏差异常检测 | 第78-87页 |
| ·相空间重构的CC算法 | 第78-81页 |
| ·偏差异常检测 | 第81-83页 |
| ·数据预处理 | 第81页 |
| ·异常检测 | 第81-82页 |
| ·算法描述 | 第82-83页 |
| ·异常分类识别 | 第83-86页 |
| ·连续属性离散化 | 第83-85页 |
| ·异常识别 | 第85-86页 |
| ·本章小结 | 第86-87页 |
| 第6章 证券市场收益率序列数据挖掘 | 第87-101页 |
| ·股票收益率序列时间模式挖掘 | 第87-91页 |
| ·参数设置 | 第87-88页 |
| ·数据选取 | 第88页 |
| ·应用与分析 | 第88-91页 |
| ·股票指数价格预测 | 第91-95页 |
| ·证券市场收益分布函数选择 | 第91-92页 |
| ·应用与分析 | 第92-95页 |
| ·收益率序列偏差异常检测 | 第95-98页 |
| ·参数估计与设置 | 第95-96页 |
| ·应用与分析 | 第96-98页 |
| ·方法对比与应用建议 | 第98-100页 |
| ·本章小结 | 第100-101页 |
| 结论 | 第101-104页 |
| 参考文献 | 第104-116页 |
| 致谢 | 第116-117页 |
| 附录 A(攻读学位期间发表学术论文目录) | 第117页 |
