金融时间序列的分析与挖掘PDF|Epub|txt|kindle电子书版本网盘下载

金融时间序列的分析与挖掘PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 引言1

第一节 金融市场信息化的发展1

第二节 金融市场的传统分析方法2

一、基础分析与技术分析2

二、数理统计分析2

第三节 数据挖掘技术的兴起与发展3

第四节 本书的研究目的与内容5

一、本书的研究对象6

二、本书的研究内容6

第二章 时间序列数据挖掘研究及其应用8

第一节 时间序列的分段与表示8

一、基于时域的分段与表示8

二、基于变换域的分段与表示9

三、其他方法10

第二节 时间序列的相似性度量10

一、欧式距离11

二、动态时间弯曲距离11

三、其他方法12

第三节 时间序列的关联规则挖掘12

一、关联分析概述12

二、时态关联规则挖掘13

三、动态关联规则挖掘14

第四节 时间序列的聚类分析14

一、时间序列的模式发现与聚类14

二、数据流聚类15

第五节 时间序列挖掘在金融行业的应用16

第三章 金融时间序列的分段与表示19

第一节 时间序列的分段与表示方法19

第二节 金融时间序列的特性21

第三节 基于重要极值点特征的分段表示法22

一、绝对极值点分段表示法22

二、均匀极值点分段表示法22

三、多层次极值点分段表示法24

四、距离的度量28

第四节 三种极值点分段法的实验对比与分析29

一、实验对比方案与框架29

二、实验结果分析与评价30

第五节 本章小结34

第四章 金融时间序列的相似性度35

第一节 时间序列的相似性度量方法35

一、欧式距离35

二、动态时间弯曲距离36

三、最长公共子串37

第二节 分层的动态时间弯曲相似性度量方法38

一、分层动态时间弯曲相似性度量（HDTW）算法的主要思想38

二、分层动态时间弯曲相似性度量（HDTW）算法的具体描述39

三、DTW算法与HDTW算法的实验对比与分析42

第三节 改进的分层动态时间弯曲相似性度量方法45

一、对HDTW算法改进的主要思想45

二、对HTDW算法的具体改进方法46

三、改进的HTDW算法（IHDTW）的具体描述49

四、HTDW算法与IHDTW算法的实验对比与分析51

第四节 基于事件的时间序列相似性度量方法55

一、相关定义55

二、基于事件的时间序列相似性度量（SMBE）算法的具体描述57

三、DTW算法与SMBE算法的实验对比与分析57

第五节 本章小结59

第五章 金融时间序列的关联规则分析60

第一节 关联规则的基本知识60

一、关联规则的基本概念60

二、时间序列关联规则分析61

三、关联规则的方法62

第二节 基于O-Aproiri算法的多元时间序列跨事务关联规则挖掘66

一、O-Apriori算法的相关定义与具体描述67

二、基于可变支持度的O-Apriori算法74

三、O-Apriori算法在时间序列跨事务关联分析中的应用77

四、O-Apriori算法与VSO-Apriori算法的实验对比与分析82

第三节 基于滑动挖掘区间的动态关联规则挖掘算法86

一、算法的主要思想与具体描述86

二、在多元时间序列关联分析中的应用91

三、SI-DARM算法和DSAT算法的实验对比与分析94

第四节 本章小结96

第六章 金融时间序列的聚类分析97

第一节 聚类方法介绍97

一、K均值聚类算法97

二、层次聚类算法98

三、基于SNN密度的聚类99

第二节 基于改进的分层动态时间弯曲技术的聚类100

一、基于IHDTW的聚类算法的主要思想100

二、基于IHDTW的聚类算法的具体描述101

三、基于IHDTW的聚类算法的实验分析与评价105

第三节 基于事件相似性度量的层次聚类107

一、基于SMBE的层次聚类算法的具体描述107

二、基于SMBE的层次聚类算法的实验分析与评价109

第四节 基于形态特征的数据流聚类110

一、基于形态特征的数据流聚类算法的主要思想111

二、初始化阶段111

三、在线更新阶段112

四、用户触发的聚类113

五、实验分析与评价113

第五节 本章小结116

第七章 金融股票时间序列的预测118

第一节 预测算法描述118

一、股票时间序列的价格区间预测118

二、股票时间序列的短期趋势预测118

第二节 股票时间序列的预测实例119

一、股票数据集119

二、股票时间序列价格的预测120

三、股票时间序列短期趋势的预测123

第三节 股票时间序列的预测效果评价128

第四节 本章小结128

第八章 结论129

参考文献131

附录135