| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第一章 绪论 | 第14-24页 |
| ·研究背景与意义 | 第14-20页 |
| ·金融市场信息化的发展 | 第14-15页 |
| ·金融市场的传统分析方法 | 第15-16页 |
| ·数据挖掘技术的兴起与发展 | 第16-19页 |
| ·本文的研究目的 | 第19-20页 |
| ·本文工作 | 第20-24页 |
| ·论文的研究对象 | 第20页 |
| ·论文的研究内容 | 第20-22页 |
| ·论文的组织结构 | 第22-24页 |
| 第二章 相关文献综述 | 第24-38页 |
| ·时间序列的分段与表示 | 第24-27页 |
| ·基于时域的分段与表示 | 第24-26页 |
| ·基于变换域的分段与表示 | 第26-27页 |
| ·其他方法 | 第27页 |
| ·时间序列的相似性度量 | 第27-29页 |
| ·欧式距离 | 第27-28页 |
| ·动态时间弯曲距离 | 第28-29页 |
| ·其他方法 | 第29页 |
| ·时间序列的关联规则挖掘 | 第29-32页 |
| ·关联分析概述 | 第29-30页 |
| ·时态关联规则挖掘 | 第30-31页 |
| ·动态关联规则挖掘 | 第31-32页 |
| ·时间序列的聚类分析 | 第32-35页 |
| ·时间序列的模式发现与聚类 | 第32-33页 |
| ·数据流聚类 | 第33-35页 |
| ·时间序列挖掘在金融行业的应用 | 第35-38页 |
| 第三章 金融时间序列的分段与表示 | 第38-57页 |
| ·时间序列的分段与表示方法 | 第38-40页 |
| ·金融时间序列的特性 | 第40-41页 |
| ·基于重要极值点特征的分段表示法 | 第41-50页 |
| ·绝对极值点分段表示法 | 第41-42页 |
| ·均匀极值点分段表示法 | 第42-43页 |
| ·多层次极值点分段表示法 | 第43-48页 |
| ·距离的度量 | 第48-50页 |
| ·实验分析与评价 | 第50-56页 |
| ·实验框架 | 第50-51页 |
| ·实验结果分析 | 第51-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 金融时间序列的相似性度量 | 第57-87页 |
| ·时间序列的相似性度量方法 | 第57-61页 |
| ·欧式距离 | 第57-58页 |
| ·动态时间弯曲距离 | 第58-60页 |
| ·最长公共子串 | 第60-61页 |
| ·分层的动态时间弯曲相似性度量方法 | 第61-70页 |
| ·算法的主要思想 | 第61-62页 |
| ·算法的具体描述 | 第62-66页 |
| ·实验分析与评价 | 第66-70页 |
| ·改进的分层动态时间弯曲相似性度量方法 | 第70-81页 |
| ·算法改进的主要思想 | 第70-71页 |
| ·算法的具体改进 | 第71-75页 |
| ·算法的具体描述 | 第75-76页 |
| ·实验分析与评价 | 第76-81页 |
| ·基于事件的时间序列相似性度量方法 | 第81-86页 |
| ·相关定义 | 第81-83页 |
| ·算法的具体描述 | 第83-84页 |
| ·实验分析与评价 | 第84-86页 |
| ·本章小结 | 第86-87页 |
| 第五章 金融时间序列的关联规则分析 | 第87-132页 |
| ·关联规则的基本知识 | 第87-94页 |
| ·关联规则的基本概念 | 第87-88页 |
| ·时间序列关联规则分析 | 第88-90页 |
| ·关联规则的方法 | 第90-94页 |
| ·基于O-Aproiri算法的多元时间序列跨事务关联规则挖掘 | 第94-119页 |
| ·O-Apriori算法的相关定义与具体描述 | 第96-104页 |
| ·基于可变支持度的O-Apriori算法 | 第104-108页 |
| ·O-Apriori算法在时间序列跨事务关联分析中的应用 | 第108-114页 |
| ·实验分析与评价 | 第114-119页 |
| ·基于滑动挖掘区间的动态关联规则挖掘算法 | 第119-130页 |
| ·算法的主要思想与具体描述 | 第119-125页 |
| ·在多元时间序列关联分析中的应用 | 第125-128页 |
| ·实验分析与评价 | 第128-130页 |
| ·本章小结 | 第130-132页 |
| 第六章 金融时间序列的聚类分析 | 第132-157页 |
| ·聚类方法介绍 | 第132-136页 |
| ·K均值聚类算法 | 第132-133页 |
| ·层次聚类算法 | 第133-134页 |
| ·基于SNN密度的聚类 | 第134-136页 |
| ·基于改进的分层动态时间弯曲技术的聚类 | 第136-143页 |
| ·算法的主要思想 | 第136页 |
| ·算法描述 | 第136-141页 |
| ·实验分析与评价 | 第141-143页 |
| ·基于事件相似性度量的层次聚类 | 第143-147页 |
| ·算法的具体描述 | 第143-146页 |
| ·实验分析与评价 | 第146-147页 |
| ·基于形态特征的数据流聚类 | 第147-155页 |
| ·算法的主要思想 | 第148页 |
| ·初始化阶段 | 第148-149页 |
| ·在线更新阶段 | 第149-151页 |
| ·用户触发的聚类 | 第151-152页 |
| ·实验分析与评价 | 第152-155页 |
| ·本章小结 | 第155-157页 |
| 第七章 金融股票时间序列的预测 | 第157-171页 |
| ·预测算法描述 | 第157-159页 |
| ·股票时间序列的价格区间预测 | 第157页 |
| ·股票时间序列的短期趋势预测 | 第157-159页 |
| ·股票时间序列的预测实例 | 第159-169页 |
| ·股票数据集 | 第159-160页 |
| ·股票时间序列价格的预测 | 第160-164页 |
| ·股票时间序列短期趋势的预测 | 第164-169页 |
| ·股票时间序列的预测效果评价 | 第169-170页 |
| ·本章小结 | 第170-171页 |
| 结论 | 第171-174页 |
| 参考文献 | 第174-199页 |
| 附录1 | 第199-206页 |
| 攻读博士学位期间取得的研究成果 | 第206-207页 |
| 致谢 | 第207-208页 |
| 答辩委员会对论文的评定意见 | 第208页 |