长时间序列聚类方法及应用研究--基于股票价格(精)/经济与管理书系/光明社科文库
正版保障 假一赔十 可开发票
￥ 44.73 4.7折 ￥ 95 全新
库存64件
广东广州
认证卖家担保交易快速发货售后保障
作者孙吉红,刘伟成
出版社光明日报出版社
ISBN9787519459826
出版时间2020-07
装帧精装
开本16开
定价95元
货号11060423
上书时间2024-07-04
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
刘伟成，男，1971年9月出生，山东省莱州市人，2006年6月毕业于武汉大学，获管理学博士学位，曾荣获中国图书馆学会2005年度“韦棣华奖学金”，并获得“武汉大学优秀毕业研究生”荣誉称号。现为武汉科技大学管理学院三级教授，图书馆副馆长，美国伊利诺伊大学香槟分校(UIUC)访问学者。兼任湖北省信息学会理事、全国高校信息资料研究会常务理事。主要研究方向为知识产权战略管理、数字图书馆、信息检索与信息服务系统，目前主持国家社科基金项目1项，主持完成教育人文社科研究项目1项，主持完成省级项目5项，并参与10余项国家级、省部级课题的研究，公开发表学术论文60余篇，出版专著2部，主编教材3部，参编学术著作(教材)5部。
孙吉红，女，1971年8月出生，山东省莱州市人，2011年6月毕业于武汉大学，获管理学博士学位，现为齐鲁工业大学理学院副教授，公开发表学术论文20余篇。主要研究方向为金融大数据分析、信息检索与信息服务系统。
目录
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
内容摘要
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。
精彩内容
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。
— 没有更多了 —
以下为对购买帮助不大的评价