数据库中知识发现(Knowledge Discovery in Database,KDD)结合了数据库技术、人工智能技术以及其它专业领域知识,成为近年来计算机学科研究的热点。目前,KDD研究涵盖了多个方面,在时间序列规则、关联规则、分类规则、聚类规则的发现工作中,取得了较好的效果;在诸如:联机处理分析(OLAP)、数据仓库(DW)等领域的实践工作中,KDD同样得到了广泛应用;此外,随着网络技术的飞速发展,基于WEB的KDD研究也越来越为人们重视。 本文主要研究内容是针对时间序列数据进行分析挖掘,获得内在规律性,并将其作用于金融时序交易应用之中。 在金融领域中,存在着大量数据,由于数据量过于庞大,传统处理方法难于发现其中蕴含的知识,迫切需要新知识、新技术来解决这个问题。KDD技术在金融领域应用,主要集中在客户关系分析与管理方面,对交易数据的挖掘还不多见。而实际工作要求有一种工具可以对交易数据进行分析,发现其内在规律性,从而对交易的性质和发展趋势作出判断。 为此,本文研究了KDD在金融时序数据挖掘中的应用,探索一个合适的模式挖掘方法,设计一个包含挖掘交易模式、分析交易性质并可以预测交易发展趋势的试验系统,以期对KDD在金融领域中应用起到一定的推动作用。 本文主要研究成果如下: 首先,提出一个应用系统框架,该框架结合金融领域知识,完成数据预处理、模式生成与评估,以及数据分析预测等功能。使得人们对时序交易数据的内在规律和特点有更深刻的认识。 其次,针对金融领域中交易数据的时间相关性,结合统计学理论,对时序数据挖掘中的C—均值算法作出了一定改进,使之可以自动地完成模式发现工作。 再次,在时序数据预测时,结合模式匹配,得出小样本空间,以基于小样本的回归预测方法代替数据曲线趋势判断方法,以期得到更佳的预测结果。