全新正版图书 长时间序列聚类方法及应用研究:基于股票孙吉红光明社9787519459826 金融时间序列分析普通大众青岛新华书店旗舰店 mobi 下载 网盘 caj lrf pdf txt 阿里云

        本书在以往时间序列预测的研究基础上，抽取了LE、几个时域特征（幅值平方和、峰值、方差、峰度、偏度）、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。

章 引言

节 选题背景及研究意义

一、选题背景

二、研究意义

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

章 相关理论基础与文献综述

节 股票市场研究的技术与方法

一、定分析

二、定量分析

节 股票市场波动理论

一、股票波动的一般特

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

节 时间序列的重新描述概述

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

节 长时间序列去噪方法

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、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

节 股票价格长时间序列的全序列特征

一、混沌

二、频域特

三、时域特

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 一种的聚类混合算法

节 问题的提出

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

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

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

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：全新正版图书 长时间序列聚类方法及应用研究:基于股票孙吉红光明社9787519459826 金融时间序列分析普通大众青岛新华书店旗舰店在线阅读

在线听书地址：全新正版图书 长时间序列聚类方法及应用研究:基于股票孙吉红光明社9787519459826 金融时间序列分析普通大众青岛新华书店旗舰店在线收听

在线购买地址：全新正版图书 长时间序列聚类方法及应用研究:基于股票孙吉红光明社9787519459826 金融时间序列分析普通大众青岛新华书店旗舰店在线购买

暂无原文赏析，正在全力查找中！

书籍介绍

        本书在以往时间序列预测的研究基础上，抽取了LE、几个时域特征（幅值平方和、峰值、方差、峰度、偏度）、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。