长时间序列聚类方法及应用研究——基于股票价格

本书在以往时间序列预测的研究基础上，抽取了功率谱密度、趋势项系数、时频转换特征项、自相关函数、偏相关函数、周期项系数等几个序列特征，分别采用了基于层次的CURE聚类方法、减聚类与CURE聚类结合的聚类方法对长时间序列进行聚类。实践证明，该金融时间序列挖掘模型能有效地指导用户的市场行为，辅助用户决策。无疑，本书的研究将填补国内在时间序列数据挖掘领域中对长时序进行研究的空白，将为国内金融时间序列挖掘研究填充新的内容。

第一章 引言
第一节 选题背景及研究意义
一、选题背景
二、研究意义
第二节 国内外研究现状分析
一、国内外时间序列聚类研究综述
二、金融时间序列聚类研究
三、时间序列聚类的特点
第三节 几个相关概念
一、时间序列
二、长时间序列与短时间序列的区分与界定
三、以往长时间序列聚类存在的不足
第四节 研究方法
第五节 本书的主要内容及创新
一、本书的主要研究内容
二、本书的创新之处
第二章 相关理论基础与文献综述
第一节 股票市场研究的技术与方法
一、定性分析
二、定量分析
第二节 股票市场波动性理论
一、股票波动的一般特性
二、有效市场理论
三、分形市场理论
第三节 时间序列聚类分析技术
一、时间序列聚类分析的相关概念
二、时间序列聚类的主要方法
三、本书采用的长时间序列聚类方法
第四节 本章小结
第三章 长时间序列的重新描述
第一节 时间序列的重新描述概述
第二节 时间序列重新描述方法分类
一、基于模型的方法（Model—Based Representation）
二、非数据适应法（Nondel—Data—adaptive Representation）
三、数据适应法（Data—adaptive Representation）
四、数据控制法（Data—dictated Representat.ion）
第三节 基于全序列特征的长时间序列描述方法
第四节 本章小结
第四章 股票价格长时间序列的去噪处理
第一节 长时间序列去噪方法
第二节 长时间序列的小波去噪方法分析
一、小波变换概述
二、小波去噪的基本原理
第三节 基于小波的股票价格长时间序列去噪处理
一、随机噪声影响股市分析
二、股票价格长时间序列小波去噪方法
第四节 本章小结
第五章 股票价格长时间序列的全序列特征
第一节 股票价格长时间序列的全序列特征
一、混沌性
二、频域特性
三、时域特性
第二节 基于小波分析的股票价格长时间序列全序列特征抽取方法
一、问题的提出
二、股票价格长时间序列的全序列特征抽取方法
三、基于小波分析的股票价格长时间序列分解
第三节 本小结
第六章 一种改进的聚类混合算法
第一节 问题的提出
第二节 基于代表点的时间序列聚类（CURE）
一、CURE算法主要思想
二、CURE算法的主要模块
第三节 一种改进的聚类混合算法——CURBSC
一、减聚类概述
二、CURBSC算法流程
三、CuRBSC算法聚类实验与分析
第四节 本章小结
第七章 股票价格长时间序列聚类实证分析
第一节 股票价格长时间序列的预处理
一、数据的获取
二、数据的预处理
第二节 股票价格长时间序列的重新描述
一、全序列特征抽取
二、全序列特征归一化
第三节 股票价格长时间序列的聚类实验及结果分析
一、聚类过程
二、实验结果分析与结论
第四节 本章小结
第八章 结论
附录
参考文献