| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10页 |
| 1.3 研究内容及组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 2 数据挖掘及在金融业中的应用 | 第12-24页 |
| 2.1 数据挖掘 | 第12-15页 |
| 2.1.1 数据挖掘的定义 | 第12-13页 |
| 2.1.2 数据挖掘的过程 | 第13-15页 |
| 2.1.3 数据挖掘的功能 | 第15页 |
| 2.2 数据挖掘与支持向量机 | 第15-19页 |
| 2.2.1 支持向量机的定义 | 第15-16页 |
| 2.2.2 数据挖掘之支持向量机回归 | 第16-19页 |
| 2.3 数据挖掘之聚类 | 第19-21页 |
| 2.3.1 聚类 | 第19页 |
| 2.3.2 聚类分析的算法分类 | 第19-21页 |
| 2.4 数据挖掘在金融时序挖掘中的发展 | 第21-23页 |
| 2.4.1 时间序列 | 第21页 |
| 2.4.2 金融时间序列数据挖掘技术 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 DBSCAN算法的改进 | 第24-35页 |
| 3.1 DBSCAN的定义 | 第24-30页 |
| 3.1.1 DBSCAN算法原理及流程 | 第26-28页 |
| 3.1.2 DBSCAN算法的缺陷 | 第28-30页 |
| 3.2 改进的DBSCAN算法 | 第30-34页 |
| 3.2.1 初始点优化 | 第30-31页 |
| 3.2.2 基于变参的DBSCAN聚类 | 第31页 |
| 3.2.3 实验分析和仿真 | 第31-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于混合OVDBSCAN与SVR的金融时间序列预测研究 | 第35-53页 |
| 4.1 金融时序的滑动窗口技术 | 第35-36页 |
| 4.1.1 窗口的定义 | 第35页 |
| 4.1.2 滑动窗口 | 第35-36页 |
| 4.2 混合OVDBSCAN与SVR算法 | 第36-39页 |
| 4.2.1 mixed -OS算法思想 | 第36-39页 |
| 4.2.2 参数设置 | 第39页 |
| 4.3 混合算法对股价和金融指数的预测 | 第39-47页 |
| 4.3.1 基于mixed-OS算法对股票价格的预测 | 第39-43页 |
| 4.3.2 基于mixed-OS算法的金融指数预测 | 第43-47页 |
| 4.3.3 结果分析 | 第47页 |
| 4.4 基于混合算法对某股票次日涨停的预测 | 第47-52页 |
| 4.4.1 实验预测 | 第48-52页 |
| 4.4.2 实验结果分析 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 mixed-OS算法的模型实现 | 第53-58页 |
| 5.1 总体设计思想 | 第53页 |
| 5.2 功能模块的划分及相关流程图 | 第53-55页 |
| 5.2.1 主功能模块的划分 | 第53页 |
| 5.2.2 模型的主要框架 | 第53-54页 |
| 5.2.3 mixed-OS算法流程图 | 第54-55页 |
| 5.3 mixed-OS模型的实现 | 第55-57页 |
| 5.3.1 模型功能介绍 | 第55-56页 |
| 5.3.2 模型运行结果展示 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结和展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 硕士期间参与的科研项目 | 第62-63页 |
| 致谢 | 第63页 |
