实名认证领苏宁支付券立即领取 >
¥
提前抢
SUPER会员专享
由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
欢迎光临本店铺
点我可查看更多商品哦~
100%刮中券,最高50元无敌券,券有效期7天
亲,今日还有0次刮奖机会
我的云钻:0
您的云钻暂时不足,攒足云钻再来刮
恭喜获得1张券!
今天的机会已经全部用完了,请明天再来
恭喜刮出两张券,请选择一张领取
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
音像金融时间序列的分析与挖掘吴学雁
¥ ×1
商品
服务
物流
章 引言节 金融市场信息化的发展第二节 金融市场的传统分析方法一、基础分析与技术分析二、数理统计分析第三节 数据挖掘技术的兴起与发展第四节 本书的研究目的与内容一、本书的研究对象二、本书的研究内容第二章 时间序列数据挖掘研究及其应用节 时间序列的分段与表示一、基于时域的分段与表示二、基于变换域的分段与表示三、方法第二节 时间序列的相似度量一、欧式距离二、动态时间弯曲距离三、方法第三节 时间序列的关联规则挖掘一、关联分析概述二、时态关联规则挖掘三、动态关联规则挖掘第四节 时间序列的聚类分析一、时间序列的模式发现与聚类二、数据流聚类第五节 时间序列挖掘在金融行业的应用第三章 金融时间序列的分段与表示节 时间序列的分段与表示方法第二节 金融时间序列的特第三节 基于重要极值点特征的分段表示法一、极值点分段表示法二、均匀极值点分段表示法三、多层次极值点分段表示法四、距离的度量第四节 三种极值点分段法的实验对比与分析一、实验对比方案与框架二、实验结果分析与评价第五节 本章小结第四章 金融时间序列的相似度量节 时间序列的相似度量方法一、欧式距离二、动态时间弯曲距离三、公共子串第二节 分层的动态时间弯曲相似度量方法一、分层动态时间弯曲相似度量(HDTW)算法的主要思想二、分层动态时间弯曲相似度量(HDTW)算法的具体描述三、DTW算法与HDTW算法的实验对比与分析第三节 改进的分层动态时间弯曲相似度量方法一、对HDTW算法改进的主要思想二、对HTDW算法的具体改进方法三、改进的HTDW算法(HTW)的具体描述四、HTDW算法与HTW算法的实验对比与分析第四节 基于事件的时间序列相似度量方法一、相关定义二、基于事件的时间序列相似度量(SMBE)算法的具体描述三、DTW算法与SMBE算法的实验对比与分析第五节 本章小结第五章 金融时间序列的关联规则分析节 关联规则的基本知识一、关联规则的基本概念二、时间序列关联规则分析三、关联规则的方法第二节 基于0-Aproiri算法的多元时间序列跨事务关联规则挖掘一、0-Apriori算法的相关定义与具体描述二、基于可变支持度的0-Apriori算法三、0-Apriori算法在时间序列跨事务关联分析中的应用四、0-Apriori算法与VSO-Apriori算法的实验对比与分析第三节 基于滑动挖掘区间的动态关联规则挖掘算法一、算法的主要思想与具体描述二、在多元时间序列关联分析中的应用三、S-ARM算法和DSAT算法的实验对比与分析第四节 本章小结第六章 金融时间序列的聚类分析节 聚类方法介绍一、K均值聚类算法二、层次聚类算法三、基于SNN密度的聚类第二节 基于改进的分层动态时间弯曲技术的聚类一、基于HTW的聚类算法的主要思想二、基于HTW的聚类算法的具体描述三、基于HTW的聚类算法的实验分析与评价第三节 基于事件相似度量的层次聚类一、基于SMBE的层次聚类算法的具体描述二、基于SMBE的层次聚类算法的实验分析与评价第四节 基于形态特征的数据流聚类一、基于形态特征的数据流聚类算法的主要思想二、初始化阶段三、在线更新阶段四、用户触发的聚类五、实验分析与评价第五节 本章小结第七章 金融时间序列的预测节 预测算法描述一、时间序列的价格区间预测二、时间序列的短期趋势预测第二节 时间序列的预测实例一、数据集二、时间序列价格的预测三、时间序列短期趋势的预测第三节 时间序列的预测效果评价第四节 本章小结第八章 结论参考文献附录
在金融领域中,时间序列是重要的一种数据类型,例如券市场中的价格和交易量、外汇市场上的汇率、期货和黄金的交易价格等,这些数据都形成了持续不断的时间序列。金融市场中的时间序列主要使用基础分析和技术分析方法进行分析,这两种方法使用简单,但是无法对数据中隐含的更深层次的规律和特征进行挖掘。数理统计分析方法是目前金融时间序列分析中比较常用的方法,随着数据量的不断增加,这种方法的分析能力存在一定的缺陷,各种数理统计分析方法都无法有效地处理较大规模的数据集,也不适合从大量数据中主动地发现各种潜在的规则。因此面对金融行业不断涌现的海量数据,需要寻找新的数据分析和挖掘的方法。 《金融时间序列的分析与挖掘》将数据挖掘技术运用到金融时间序列研究中,使用关联规则、聚类分析等数据挖掘方法对金融时间序列中的隐含模式进行挖掘,本文的创新点主要基于以下几个方面: (1)针对金融时间序列需要保留形态特征与趋势特征的特点,提出了适合金融时间序列的多层次极值点分段表示法(MEPS),此方法能在多个层次上很大限度地保留关键特征点信息,从而能更好地捕捉和表示时间序列的形态和走势。 (2)针对金融时间序列需要保留形态特征与趋势特征的特点,在MEPS算法的基础上提出了分层的动态时间弯曲相似度量方法(HDTW)及其改进方法HTW,将时间序列在不同层次上进行分段,然后计算对应分段层次中子序列间的相似,汇总得到序列间的相似度,在算法中对动态时间弯曲算法(DTW)进行了改进,并且考虑到了分层的均匀因素及趋势因素,实验结果明能大大提高相似度量的效果和效率。 (3)金融市场的运行复杂,其中人的因素也重要,为了在金融时间序列挖掘的过程中更好地体现用户的实际需求,提出了基于事件的时间序列相似度量方法(SMBE),此算法通过对事件的定义引入用户在相似度量时的偏好与需求,并设计了基于SMBE的层次聚类算法,完全以事件的相似为中心进行聚类,定义了类间相似度和类间一般距离两个参数,并以它们之间的比较作为判断类间距离的依据,使得时间序列相似度量及其聚类的结果更加符合实际金融市场的状态与需求。
抢购价:¥ 38.00
易购价:¥ 38.00
注:参加抢购将不再享受其他优惠活动
亲,很抱歉,您购买的宝贝销售异常火爆,让小苏措手不及,请稍后再试~
验证码错误
看不清楚?换一张
确定关闭
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
查看我的收藏夹
非常抱歉,您前期未参加预订活动,无法支付尾款哦!
关闭
抱歉,您暂无任性付资格
继续等待
0小时0分
立即开通
SUPER会员