| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.4 主要研究内容 | 第12-13页 |
| 1.5 本文创新点 | 第13-14页 |
| 第2章 数据挖掘技术的相关研究 | 第14-19页 |
| 2.1 数据挖掘技术 | 第14-17页 |
| 2.1.1 聚类方法 | 第14-17页 |
| 2.1.2 分类方法 | 第17页 |
| 2.2 数据挖掘技术对股票市场研究的适用性 | 第17-19页 |
| 第3章 基于密度峰值算法的模糊时间序列模型的股票预测 | 第19-28页 |
| 3.1 前言 | 第19页 |
| 3.2 模糊时间序列的相关概念 | 第19-20页 |
| 3.3 密度峰值算法介绍 | 第20-21页 |
| 3.4 基于密度峰值算法的模糊时间序列模型 | 第21-26页 |
| 3.4.1 论域划分 | 第21-22页 |
| 3.4.2 定义模糊集 | 第22页 |
| 3.4.3 建立模糊关系 | 第22-23页 |
| 3.4.4 预测方法 | 第23-24页 |
| 3.4.5 上证指数股票价格预测 | 第24-26页 |
| 3.5 结论 | 第26-28页 |
| 第4章 基于核函数人工鱼群的K均值算法的股票分类 | 第28-40页 |
| 4.1 引言 | 第28页 |
| 4.2 人工鱼群算法及其改进 | 第28-33页 |
| 4.2.1 人工鱼行为描述 | 第28-29页 |
| 4.2.2 算法改进 | 第29-30页 |
| 4.2.3 AFSA的流程 | 第30页 |
| 4.2.4 测试实验 | 第30-33页 |
| 4.3 K均值算法 | 第33页 |
| 4.4 基于核函数人工鱼群的K均值算法 | 第33-39页 |
| 4.4.1 核函数人工鱼群算法元素说明 | 第33-34页 |
| 4.4.2 算法描述 | 第34-35页 |
| 4.4.3 A股市场分类 | 第35-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 基于因子分析的OPTICS-Plus算法的股票分类 | 第40-55页 |
| 5.1 引言 | 第40-41页 |
| 5.2 因子分析法介绍 | 第41-42页 |
| 5.2.1 因子分析模型介绍 | 第41页 |
| 5.2.2 因子分析步骤 | 第41-42页 |
| 5.3 OPTICS算法及其改进 | 第42-45页 |
| 5.3.1 OPTICS算法 | 第42-43页 |
| 5.3.2 OPTICS-Plus算法 | 第43-44页 |
| 5.3.3 算法流程 | 第44-45页 |
| 5.4 实验模拟与结果分析 | 第45-54页 |
| 5.4.1 因子分析 | 第47-51页 |
| 5.4.2 股票市场分类 | 第51-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 基于Lasso方法的Logistic回归上市公司财务预警 | 第55-65页 |
| 6.1 引言 | 第55页 |
| 6.2 Lasso方法 | 第55-57页 |
| 6.3 基于Lasso方法的Logistic回归模型 | 第57-58页 |
| 6.4 实验模拟与结果分析 | 第58-64页 |
| 6.4.1 数据指标选取 | 第58-60页 |
| 6.4.2 A股上市公司财务预警 | 第60-64页 |
| 6.5 本章小结 | 第64-65页 |
| 第7章 结论与展望 | 第65-67页 |
| 7.1 结论 | 第65-66页 |
| 7.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 在学期间发表的科研成果 | 第71-72页 |
| 后记 | 第72页 |
