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。