基于信息熵的金融时间序列时序关联规则分析与研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 课题研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 时间序列关联规则的研究现状 | 第13-14页 |
| 1.2.2 信息熵理论的研究现状 | 第14-15页 |
| 1.3 论文主要研究内容及结构 | 第15-16页 |
| 第2章 数据挖掘及信息熵理论简述 | 第16-24页 |
| 2.1 数据挖掘 | 第16-19页 |
| 2.1.1 数据挖掘的概念及分类 | 第16-18页 |
| 2.1.2 数据挖掘的功能及步骤 | 第18-19页 |
| 2.2 信息熵 | 第19-23页 |
| 2.2.1 信息熵概述 | 第19-21页 |
| 2.2.2 基于信息熵的关联规则分析算法 | 第21-23页 |
| 2.3 小结 | 第23-24页 |
| 第3章 时间序列数据挖掘 | 第24-33页 |
| 3.1 时间序列数据挖掘的定义及特点 | 第24-25页 |
| 3.1.1 时间序列数据挖掘的定义 | 第24-25页 |
| 3.1.2 时间序列数据挖掘的特点 | 第25页 |
| 3.2 时间序列数据挖掘的一般步骤 | 第25-26页 |
| 3.3 时间序列模型分析 | 第26-28页 |
| 3.3.1 常用的时间序列模型 | 第26-27页 |
| 3.3.2 时间序列趋势模型的选取 | 第27页 |
| 3.3.3 模型的评估 | 第27-28页 |
| 3.4 时间序列数据挖掘的主要方法及技术 | 第28-31页 |
| 3.4.1 时间序列的预测 | 第28-29页 |
| 3.4.2 时间序列的相似性搜索 | 第29-30页 |
| 3.4.3 时间序列的关联规则挖掘 | 第30-31页 |
| 3.5 金融时间序列挖掘 | 第31-32页 |
| 3.6 小结 | 第32-33页 |
| 第4章 基于遗传算法的信息熵关联规则分析 | 第33-44页 |
| 4.1 模糊粗糙集 | 第33-36页 |
| 4.2 模糊等价关系的构造 | 第36-37页 |
| 4.3 基于自适应遗传算法的模糊C均值聚类算法 | 第37-40页 |
| 4.3.1 模糊C均值聚类算法 | 第37-38页 |
| 4.3.2 自适应遗传算法 | 第38页 |
| 4.3.3 算法描述 | 第38-39页 |
| 4.3.4 实例分析 | 第39-40页 |
| 4.4 基于信息熵关联规则分析模型 | 第40-43页 |
| 4.4.1 模型建立 | 第41页 |
| 4.4.2 实例分析 | 第41-43页 |
| 4.5 小结 | 第43-44页 |
| 第5章 信息熵关联规则分析在股票预测中的应用 | 第44-51页 |
| 5.1 基于信息熵的金融时间序列股票预测 | 第44-46页 |
| 5.1.1 神经网络 | 第44-45页 |
| 5.1.2 预测模型的建立 | 第45-46页 |
| 5.2 仿真实验 | 第46-50页 |
| 5.3 小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 附录A 攻读学位期间所参与的项目目录 | 第59-60页 |
| 附录B 攻读学位期间所发表的学术论文目录 | 第60页 |
