| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景与意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·本文研究内容 | 第10-12页 |
| ·数据挖掘中DBSCAN聚类算法改进的研究 | 第11页 |
| ·对基于数据挖掘算法的金融时间序列预测技术的研究 | 第11-12页 |
| ·本文组织结构 | 第12页 |
| ·本章小结 | 第12-13页 |
| 第二章 数据挖掘技术及在金融时间序列挖掘中的发展 | 第13-25页 |
| ·数据挖掘技术 | 第13-15页 |
| ·数据挖掘的定义 | 第13-14页 |
| ·数据挖掘的过程 | 第14-15页 |
| ·数据挖掘的作用 | 第15页 |
| ·数据挖掘之聚类 | 第15-18页 |
| ·聚类 | 第16-17页 |
| ·聚类的分类 | 第17-18页 |
| ·数据挖掘之支持向量机 | 第18-23页 |
| ·支持向量机 | 第18-19页 |
| ·支持向量回归机 | 第19-23页 |
| ·数据挖掘在金融时间序列挖掘中的发展 | 第23-24页 |
| ·金融时间序列的概念 | 第23页 |
| ·金融时间序列数据挖掘技术 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 初始点优化与参数自适应的密度空间聚类算法 | 第25-39页 |
| ·DBSCAN算法简介及其局限性 | 第25-28页 |
| ·DBSCAN算法思想 | 第25-26页 |
| ·算法框架 | 第26-27页 |
| ·DBSCAN算法的不足 | 第27-28页 |
| ·初始点优化与参数自适应的密度空间聚类算法 | 第28-38页 |
| ·改进算法基本思想 | 第28-34页 |
| ·实验分析 | 第34-38页 |
| ·结果分析 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于混合OS-DBSCAN与SVR的金融时间序列预测研究 | 第39-56页 |
| ·金融时间序列的滑动窗.技术 | 第39-40页 |
| ·窗口的定义 | 第39-40页 |
| ·滑动窗 | 第40页 |
| ·hybrid-OS算法 | 第40-44页 |
| ·算法基本思想 | 第41-42页 |
| ·算法系统结构 | 第42-43页 |
| ·参数设置 | 第43-44页 |
| ·基于hybrid-OS算法的股票价格和金融指数预测 | 第44-50页 |
| ·基于hybrid-OS的股票价格预测 | 第44-47页 |
| ·基于hybrid-OS的金融指数预测 | 第47-50页 |
| ·结果分析 | 第50页 |
| ·基于hybrid-OS算法的A股市场涨停股票次日预测 | 第50-55页 |
| ·实验分析 | 第51-55页 |
| ·结果分析 | 第55页 |
| ·本章小结 | 第55-56页 |
| 主要结论与展望 | 第56-57页 |
| 主要结论 | 第56页 |
| 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第61页 |
