第1章 绪论 1
1.1 金融信息对市场影响的研究 1
1.2 网络金融信息挖掘的研究领域 3
1.3 信息量W与股价P及交易量V的关联 5
1.4 信息量W自身的特性研究 7
1.5 信息量W对交易量V替代作用的研究 9
1.6 信息量W与股价P的关联研究 9
1.7 网络金融信息挖掘的研究方法 11
1.8 展望 12
第1篇 网络金融信息的浅层挖掘——网络金融信息的垂直搜索和半结构化文本的挖掘第2章 金融信息垂直搜索引擎 15
2.1 搜索引擎概述 15
2.2 垂直搜索引擎技术 17
2.3 垂直搜索引擎的实现 25
2.4 小结 40
第3章 网络金融信息半结构化文本的挖掘 41
3.1 网络金融信息的去重 41
3.2 网络金融信息的分类 47
3.3 信息特征热度的排名 58
3.4 网络金融信息的情感分析 74
第2篇 网络金融信息的深层挖掘（Ⅰ）——网络金融信息流时间序列的特性第4章 网络金融信息流时间序列的简单特性 83
4.1 引言 83
4.2 网络金融信息量数据 85
4.3 泊松分布检验 88
4.4 单位根检验和平稳性分析 92
4.5 网络金融信息流时间序列的自相关性 94
第5章 网络金融信息流时间序列的GARCH建模及残差的正态性、异方差性和自相关性分析 99
5.1 GARCH模型 99
5.2 正态性分析 107
5.3 GARCH模型残差的异方差分析 108
5.4 GARCH模型残差的自相关分析 114
5.5 GARCH建模的实证研究 118
第6章 网络信息量时间序列的形态挖掘初探 124
6.1 引言 124
6.2 时间序列形态挖掘预处理方法 124
6.3 网络金融信息量曲线的聚类分析初探 128
第3篇 网络金融信息的深层挖掘（Ⅱ）——网络金融信息流与交易量及收益率的关联第7章 网络金融信息流和交易量时间序列的关联（Ⅰ）——基于GARCH的建模 143
7.1 交易量的GARCH模型 143
7.2 交易量的EGARCH建模研究 144
7.3 交易量与金融信息量的GARCH模型 150
7.4 金融信息量对交易量的EGARCH建模实证研究 151
第8章 网络金融信息流和交易量时间序列的关联（Ⅱ）——基于神经网络和支持向量机的建模 163
8.1 基于神经网络和GARCH模型的金融信息量与交易量的关联 163
8.2 基于支持向量机和GARCH模型的金融信息量与交易量的关联 167
第9章 网络金融信息流与股价时间序列的关联 170
9.1 信息经济学对信息传导机制的研究 170
9.2 网络金融信息和股市的关联研究 173
9.3 金融信息量的异常变化对股市的影响 176
9.4 基于金融信息熵的信息强度及其对股市的影响 179
附录A 沪深网络金融信息举例 190
附录B 沪深网络金融信息流时间序列Wt 192
附录C 美国网络金融信息举例 196
参考文献 198