吴学雁著的《金融时间序列的分析与挖掘》结合金融时间序列的特征与金融分析的需求，运用数据挖掘技术对金融时间序列模式挖掘的相关方法进行研究，包括金融时间序列的分段与表示、金融时间序列的相似性计算、金融时间序列的关联规则挖掘与聚类分析等，这些问题的研究对于金融市场隐含模式与规律的主动发现以及金融领域趋势分析与趋势预测具有非常重要的意义。

第一章 引言
第一节 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
第一节 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、其他方法
第二节 时间序列的相似性度量
一、欧式距离
二、动态时间弯曲距离
三、其他方法
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
第一节 时间序列的分段与表示方法
第二节 金融时间序列的特性
第三节 基于重要极值点特征的分段表示法
一、绝对极值点分段表示法
二、均勻极值点分段表示法
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性度量
第一节 时间序列的相似性度量方法
一、欧式距离
二、动态时间弯曲距离
三、最长公共子串
第二节 分层的动态时间弯曲相似性度量方法
一、分层动态时间弯曲相似性度量（HDTW)算法的主要思想
二、分层动态时间弯曲相似性度量（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性度量方法
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（IHDTW)的具体描述
四、HTDW算法与IHDTW算法的实验对比与分析
第四节 基于事件的时间序列相似性度量方法
—、才目关定乂
二、基于事件的时间序列相似性度量（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
第一节 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 基于〇 - Aproiri算法的多元时间序列跨事务关联规则挖掘
一、O-Apriori算法的相关定义与具体描述
二、基于可变支持度的O-Apriori算法
三、O-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VS0 - 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、SI - DARM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
第一节 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IHDTW的聚类算法的主要思想
二、基于IHDTW的聚类算法的具体描述
三、基于IHDTW的聚类算法的实验分析与评价
第三节 基于事件相似性度量的层次聚类
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 金融股票时间序列的预测
第一节 预测算法描述
一、股票时间序列的价格区间预测
二、股票时间序列的短期趋势预测
第二节 股票时间序列的预测实例
一、股票数据集
二、股票时间序列价格的预测
三、股票时间序列短期趋势的预测
第三节 股票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