声明
1 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 金融时间序列数据挖掘的研究现状及综述
2 时间序列分解模型
2.1 移动平均(MM)模型
2.1.1 金融时间序列的常用MM模型
2.1.2 基于MM模型的长期趋势拟合
2.2 SABL分解法
2.2.1 Moving Median模型
2.2.2 MLS模型
2.2.3 SABL分解过程
2.3 STL时间序列分解法
2.3.1 LOESS平滑
2.3.2 内外部迭代过程
3 基于SBD距离的聚类算法
3.1 时间序列相似性度量
3.1.1 互相关
3.1.2 归一化
3.1.3 基于形状的距离度量
3.2 k-Shape聚类
3.2.1 基于SBD距离的簇心提取
3.2.2 k-Shape聚类
3.3 基于SBD距离的层次聚类算法
3.3.1 层次聚类
3.3.2 基于SBD距离的层次聚类
4 股价时间序列聚类及其走势预测模型
4.1 实验设置
4.1.1 实验数据
4.1.2 实验设备与软件
4.1.3 函数及参数
4.2 聚类实验
4.2.1 k-Shape聚类实验
4.2.2 层次聚类实验
4.3 聚类模型的神经网络预测应用
4.4 预测性能对比分析与总结
参考文献
附录A 论文主要算法R语言代码
附录B 聚类实验结果数据
致谢
大连理工大学;