最新圖書(shū)

  金融機構的大量業(yè)務(wù)活動(dòng)都越來(lái)越依賴(lài)于對大量歷史數據的分析，從金融數據中挖掘出有價(jià)值的信息是金融管理決策智能化的必要手段與核心工作。時(shí)間序列是金融領(lǐng)域中非常重要的一種數據類(lèi)型，而傳統的金融時(shí)間序列分析方法都無(wú)法有效地處理較大規模的數據集，也無(wú)法從大量數據中主動(dòng)地發(fā)現各種潛在規則。數據挖掘技術(shù)為金融時(shí)間序列的模式挖掘提供了有效的途徑。
    本書(shū)結合金融時(shí)間序列的特征與金融分析的需求，運用數據挖掘技術(shù)對金融時(shí)間序列模式挖掘的相關(guān)方法進(jìn)行研究，包括金融時(shí)間序列的分段與表示、金融時(shí)間序列的相似性計算、金融時(shí)間序列的關(guān)聯(lián)規則挖掘與聚類(lèi)分析等，這些問(wèn)題的研究對于金融市場(chǎng)隱含模式與規律的主動(dòng)發(fā)現以及金融領(lǐng)域趨勢分析與趨勢預測具有非常重要的意義。
    本書(shū)適合從事金融數據分析、數據挖掘、模式挖掘等工作的研究人員參考閱讀。

第一章 引言   
第一節 金融市場(chǎng)信息化的發(fā)展
第二節 金融市場(chǎng)的傳統分析方法
一、  基礎分析與技術(shù)分析
二、  數理統計分析
第三節 數據挖掘技術(shù)的興起與發(fā)展
第四節 本書(shū)的研究目的與內容
一、  本書(shū)的研究對象
二、  本書(shū)的研究?jì)热?
第二章 時(shí)間序列數據挖掘研究及其應用 
第一節 時(shí)間序列的分段與表示
一、  基于時(shí)域的分段與表示
二、  基于變換域的分段與表示 
三、  其他方法
第二節 時(shí)間序列的相似性度量
一、  歐式距離
二、  動(dòng)態(tài)時(shí)間彎曲距離
三、  其他方法
第三節 時(shí)間序列的關(guān)聯(lián)規則挖掘
一、  關(guān)聯(lián)分析概述
二、  時(shí)態(tài)關(guān)聯(lián)規則挖掘
三、  動(dòng)態(tài)關(guān)聯(lián)規則挖掘
第四節 時(shí)間序列的聚類(lèi)分析
一、  時(shí)間序列的模式發(fā)現與聚類(lèi)
二、  數據流聚類(lèi)
第五節 時(shí)間序列挖掘在金融行業(yè)的應用
第三章 金融時(shí)間序列的分段與表示
第一節 時(shí)間序列的分段與表示方法
第二節 金融時(shí)間序列的特性
第三節 基于重要極值點(diǎn)特征的分段表示法
一、  絕對極值點(diǎn)分段表示法
二、  均勻極值點(diǎn)分段表示法
三、  多層次極值點(diǎn)分段表示法
四、  距離的度量
第四節 三種極值點(diǎn)分段法的實(shí)驗對比與分析
一、  實(shí)驗對比方案與框架
二、  實(shí)驗結果分析與評價(jià)
第五節 本章小結
第四章 金融時(shí)間序列的相似性度量
第一節 時(shí)間序列的相似性度量方法
一、  歐式距離
二、  動(dòng)態(tài)時(shí)間彎曲距離
三、  最長(cháng)公共子串
三、  最長(cháng)公共子串
第二節 分層的動(dòng)態(tài)時(shí)間彎曲相似性度量方法
一、  分層動(dòng)態(tài)時(shí)間彎曲相似性度量（HDTW）算法的主要思想
二、分層動(dòng)態(tài)時(shí)間彎曲相似性度量（HDTW）算法的具體描述
 三、DTW 算法與 HDTW 算法的實(shí)驗對比與分析
第三節 改進(jìn)的分層動(dòng)態(tài)時(shí)間彎曲相似性度量方法
一、對 HDTW 算法改進(jìn)的主要思想
二、對 HTDW 算法的具體改進(jìn)方法
三、改進(jìn)的 HTDW 算法（IHDTW）的具體描述
四、HTDW 算法與 IHDTW 算法的實(shí)驗對比與分析
第四節 基于事件的時(shí)間序列相似性度量方法
一、相關(guān)定義
二、基于事件的時(shí)間序列相似性度量（ SMBE）算法的具體描述
三、DTW 算法與 SMBE算法的實(shí)驗對比與分析
第五節 本章小結
第五章 金融時(shí)間序列的關(guān)聯(lián)規則分析
第一節 關(guān)聯(lián)規則的基本知識
一、關(guān)聯(lián)規則的基本概念
二、時(shí)間序列關(guān)聯(lián)規則分析
三關(guān)聯(lián)規則的方法
第二節 基于 0-Aproiri算法的多元時(shí)間序列跨事務(wù)關(guān)聯(lián)規則挖掘
一、0-Apriori算法的相關(guān)定義與具體描
二、基于可變支持度的 0-Apriori算
三、0-Apriori算法在時(shí)間序列跨事務(wù)關(guān)聯(lián)分析中的應
四、 0-Apriori算法與 VS0-Apriori算法的實(shí)驗對比與分
第三節 基于滑動(dòng)挖掘區間的動(dòng)態(tài)關(guān)聯(lián)規則挖掘算法
一、  算法的主要思想與具體描述
二、  在多元時(shí)間序列關(guān)聯(lián)分析中的應用
三、SI-DARM算法和DSAT算法的實(shí)驗對比與分
第四節 本章小結
第六章 金融時(shí)間序列的聚類(lèi)分析
第一節 聚類(lèi)方法介紹
一、  K均值聚類(lèi)算法
二、  層次聚類(lèi)算法
三、  基于 SNN密度的聚類(lèi)
第二節 基于改進(jìn)的分層動(dòng)態(tài)時(shí)間彎曲技術(shù)的聚類(lèi)
一、基于 IHDTW 的聚類(lèi)算法的主要思想
二、基于 IHDTW 的聚類(lèi)算法的具體描述
三、基于 IHDTW 的聚類(lèi)算法的實(shí)驗分析與評價(jià)
第三節 基于事件相似性度量的層次聚類(lèi)
一、基于 SMBE的層次聚類(lèi)算法的具體描述
二、基于 SMBE的層次聚類(lèi)算法的實(shí)驗分析與評價(jià)
第四節 基于形態(tài)特征的數據流聚類(lèi)
一、  基于形態(tài)特征的數據流聚類(lèi)算法的主要思想
二、  初始化階段
三、  在線(xiàn)更新階段
四、  用戶(hù)觸發(fā)的聚類(lèi)
五、  實(shí)驗分析與評價(jià)
第五節 本章小結
第七章 金融股票時(shí)間序列的預測
第一節 預測算法描述
一、  股票時(shí)間序列的價(jià)格區間預測
二、  股票時(shí)間序列的短期趨勢預測
第二節 股票時(shí)間序列的預測實(shí)例
一、  股票數據集
二、  股票時(shí)間序列價(jià)格的預測
三、  股票時(shí)間序列短期趨勢的預測
第三節 股票時(shí)間序列的預測效果評價(jià)
第四節 本章小結
第八章 結論
參考文獻
附錄