第一章绪论
1.1研究背景与意义
现代金融业己经成为一国社会经济发展的重要推动力和国家竞争力的重要组成部分。在全球经济一体化的今天，金融业面临着更大的机遇与挑战，对金融市场本质规律的认识和把握更直接关系到金融市场的稳定、高效与安全，探求金融市场的变化规律，提高金融管理与投资的效率也成为各国政府与投资机构孜孜以求的目标之一。当前，金融创新已成为金融企业的核心竞争力，而95%的金融创新的实现都极度依赖于信息技术，由信息技术构建的金融工具，能实时对金融风险进行识别、度量和控制，提高金融管理的决策效率。金融管理决策正在向智能化方向发展，金融信息化正成为当前金融业面临的重要课题。在2010中国国际金融展的信息发布会上，中国人民银行科技司司长王永红指出，国内金融业正朝着信息化和国际化迈进。金融信息化是指构建在通信网络、计算机、信息资源与人力资源等要素基础上的国家信息结构框架，由具有统一技术标准，能以不同速率传送数据、语言和视频影像的综合信息网络构成，将具备智能交换和增值服务的多种金融信息网络系统联网结体，创造金融经营、管理、服务新模式，以人为本，全方位地服务社会，并极大提升金融企业核心竞争力的现代化工程。“十一五”期间，在党中央、国务院的正确领导下，在银行、证券、保险等金融机构的共同努力下，我国金融信息化事业取得了显著成绩。基于服务、经营、管理和监管理念的金融信息化技术体系框架基本形成，高效、安全的金融信息化安全保障体系初步建成，为推动金融改革与创新，提升中国金融业的核心竞争力做出了突出贡献[3]。金融信息化己成为中国金融平稳安全运营最基本的生存支撑环境，信息化己经提升到金融业的战略高度。
金融业的信息化进程可以概括为:以数据大集中为前提，以完善的综合业务系统为基础平台，以数据仓库为工具，以信息安全为技术保障，打造出现代化、网络化的金融企业。在金融业信息化的进程中产生了大量的数据，尤其是网络金融业的发展更是产生了海量的数据。金融机构的许多业务活动(如客户分析、投资决策、风险管理、价格预测等)也都越来越依赖于对大量历史数据的分析，我国的投资者与金融机构也越来越清楚地认识到分析金融数据、从中挖掘出有价值的信息是实现科学化管理决策的必要手段与核心工作。
1.1..2金融市场的传统分析方法
金融市场是一个庞大的系统，受到各方面因素的多重影响，具有非常复杂的运动规律，而时间序列数据则是其综合外在的表现形式。由于金融市场中的数据以时间序列为主，因此，金融市场分析常常被称为金融时间序列分析。
1.1.2.1基础分析与技术分析
基础分析与技术分析主要用于证券市场中的时间序列分析。基础分析主要用于股票长期走势的分析，常常用来判断是否对某支股票进行投资，技术分析主要用于股票短期走势的分析，常常用来对股票的买卖时机进行判断。基础分析是指通过分析影响证券市场供求关系的相关因素来确定股票的真正价值，判断股票市场的走势，从而为投资者提供选择股票的依据。基础分析基于因果关系论的观点，具有很强的逻辑性，但是在实践中却很难操作。影响市场变化的因素千变万化，比如宏观经济形势、公司的运营状况、国家的金融政策等等都可能影响股票市场的行为，因此，基础分析者需要具有获取完备并且及时信息的能力，显然这是非常困难的。另外，准确度量各种市场因素影响的程度也是非常困难的，因此，基础分析主要是基于定性的层面来进行描述。技术分析是指完全根据市场行情的变化来进行分析，主要是通过图表和各种技术指标来判断股票未来的价格变化趋势，常用的指标包括oBv指标、BoLL指标和KDJ指标等，这些指标都是通过对历史时间序列数据，比如收盘价格、开盘价格、交易量和涨跌指数等等进行简单统计而得到的。
第二章相关文献综述
在时间序列挖掘过程中，首先需要解决两个关键的问题:一是时间序列的表示;二是如何对时间序列与时间序列之间以及时间序列的不同子序列之间的相似性进行度量。在这两个基础问题之上，可以进行时间序列数据挖掘的各种任务，包括:时间序列的分类与聚类、时间序列的关联规则挖掘与预测等等。本章主要针对与本文研究内容相关的几个领域，结合现有的时间序列数据挖掘的研究进行综述，具体包括:时间序列的分段与表示方法、时间序列的相似性度量方法、时间序列的关联规则挖掘算法以及时间序列的聚类算法。
2.1时间序列的分段与表示
把时间序列通过其他的方式进行表示通常是为了对原始数据进行维约简。进行维度约简最直接的方式就是采样，设置采样率竺，m是时间序列的长度，。是约简后的维数。n直接使用采样点来表示时间序列的方法非常简单直观，但是，如果采样率太低，被采样的时间序列的形状将被歪曲。因此，针对“如何更好地表示时间序列”这一命题，有大量的学者展开了研究。从整体上来看，时间序列的表示方法可以分为两大类:一是基于时域的表示方法，二是基于变换域的表示方法。使用分段的近似曲线来表示序列主要有两种方法，一种是线性插值，一种是线性回归。
第三章 金融时间序列的分段与表示........... 38-57
3.1 时间序列的分段与表示方法.......... 38-40
3.2 金融时间序列的特性 ..........40-41
3.3 基于重要极值点特征的分段表示法.......... 41-50
3.4 实验分析与评价..........50-56
3.4.1 实验框架.......... 50-51
3.4.2 实验结果分析.......... 51-56
3.5 本章小结.......... 56-57
第四章 金融时间序列的相似性度量.......... 57-87
4.1 时间序列的相似性度量方法.......... 57-61
4.2 分层的动态时间弯曲相似性度量.......... 61-70
4.2.1 算法的主要思想 ..........61-62
4.2.2 算法的具体描述.......... 62-66
4.2.3 实验分析与评价.......... 66-70
4.3 改进的分层动态时间弯曲相似性.......... 70-81
4.4 基于事件的时间序列相似性度量方法.......... 81-86
4.4.1 相关定义 ..........81-83
4.4.2 算法的具体描述.......... 83-84
4.4.3 实验分析与评价.......... 84-86
4.5 本章小结..........86-87
第五章 金融时间序列的关联规则分析.......... 87-132
5.1 关联规则的基本知识.......... 87-94
5.1.1 关联规则的基本概念.......... 87-88
5.1.2 时间序列关联规则分.......... 88-90
5.1.3 关联规则的方法.......... 90-94
5.2 基于O-Aproiri算法的多元时间序列.......... 94-119
5.3 基于滑动挖掘区间的动态关联规则.......... 119-130
5.4 本章小结.......... 130-132
结论
证券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。但是，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。数据挖掘技术可以运用到金融领域的很多方面，在金融领域，时间序列是非常重要的一种数据类型，例如，证券市场中的股票价格和交易量、外汇市场上的汇率、期货和黄金的交易价格等等，这些数据都形成了持续不断的时间序列。本文主要针对金融时间序列进行研究，使用数据挖掘方法对金融时间序列中的隐含模式信息进行挖掘，本文的创新点主要基于以下几个方面:
(l)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最大限度的保留关键的特征点信息，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性度量方法(HDTW)及其改进方法IHDTW，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性，最后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，实验结果证明能大大提高相似性度量的效果和效率。然后，提出了基于IHDTW的聚类方法，采用共享最近邻相似度(SNN)的思想构建序列间的相似性计数矩阵，并利用相似性计数矩阵来寻找聚类中心序列，实验结果证明此方法提高了聚类中心序列的寻找效率和效果，从而大大提升了算法的聚类结果。
(3)金融市场的运行非常复杂，其中人的因素也非常重要，为了在金融时间序列挖掘的过程中更好的体现用户的实际需求，本文提出了基于事件的时间序列相似性度量方法(SMBE)，此算法通过对事件的定义引入用户在相似性度量时的偏好与需求，并设计了基于SMBE的层次聚类算法，完全以事件的相似性为中心进行聚类，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，使得时间序列相似性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。
参考文献
[1] YOKOYAMA M, KWON G S, OKANO T, et al. Preparation of micelle-formingpolymer-drug conjugates [J]. Bioconjug. Chem., 1992, 3: 295-301.
[2] TIAN J, CHEN H, ZHUO L, et al. A highly selective, cell-permeable fluorescentnanoprobe for ratiometric detection and imaging of peroxynitrite in living cells [J].Chem. Eur. J., 2011, 17: 6626-6634.
[3] WU W C, CHEN C Y, TIAN Y, et al. Enhancement of aggregation-inducedemission in dye-encapsulating polymeric micelles for bioimaging [J]. Adv. Funct.Mater., 2010, 20: 1413-1423.
[4] LI K, PAN J,. FENG S S, Generic strategy of preparing fluorescentconjugated-polymer-loaded poly(dl-lactide-co-glycolide) nanoparticles fortargeted cell imaging [J]. Adv. Funct. Mater., 2009, 19: 3535-3542.
[5] OW H, LARSON D R, SRIVASTAVA M, et al. Generic strategy of preparingfluorescent conjugated-polymer-loaded poly(dl-lactide-co-glycolide)nanoparticles for targeted cell imaging [J]. Nano Lett., 2005, 5: 113-117
[6] LI Z F, RUCKENSTEIN E. Water-soluble poly(acrylic acid) grafted luminescentsilicon nanoparticles and their use as fluorescent biologicalstaining labels [J].Nano Lett., 2004, 4: 1463-1467.
[7] GAUCHER G, DUFRESNE M H, SANT V P, et al. Block copolymer micelles :preparation, characterization and application in drug delivery [J]. J. control.release., 2005, 109: 169-188.
[8] XU J P, JI J, CHENW D, et al. Novel biomimetic polymersomes as polymertherapeutics for drug delivery [J]. J. control. release., 2005, 107: 502-512.
[9] KWONA G, NAITOB M, YOKOYAMAC M, et al. Block copolymer micelles fordrug delivery: loading and release of doxorubicin [J]. J. control. Res., 1997, 48:195-201.
[10] GAO Z, EISENBERG A. A model of micellization for block copolymers insolutions [J]. Macromolecules, 1993, 31: 7353-7360.