网络金融信息挖掘是一个涉及互联网技术、垂直搜索引擎、信息论、计算智能、自然语言处理、金融学、计量经济学等多个学科的领域。目前，它还是一个很新的交叉领域。
本书初步介绍了作者的一些研究成果。第1章绪论对互联网金融信息挖掘轮廓做了一个勾画。绪论后的部分从结构上分为3篇。第1篇主要介绍网络金融信息的浅层挖掘，讨论了互联网金融信息半结构化文本的挖掘问题和金融信息垂直搜索引擎。第2篇研究网络金融信息流本身的特性，讨论了网络金融信息流的概率分布特性、平稳性和GARCH建模问题及残差的正态性、异方差性和自相关性，并初步探讨了网络金融信息流时间序列的形态挖掘问题。第3篇研究网络金融信息流与交易量和收益率时间序列的关联问题。
本书的读者可以是对互联网垂直金融信息搜索进行专项研究的计算机专业人士，也可以是对金融领域知识挖掘感兴趣的金融专业人士。它可供电子商务、数据挖掘、金融数据分析等领域的科技人员和高校师生参考。

第1章 绪论
1.1 金融信息对市场影响的研究
1.2 网络金融信息挖掘的研究领域
1.3 信息量W与股价P及交易量V的关联
1.4 信息量W自身的特性研究
1.5 信息量W对交易量V替代作用的研究
1.6 信息量W与股价P的关联研究
1.7 网络金融信息挖掘的研究方法
1.8 展望
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
2.1 搜索引擎概述
2.2 垂直搜索引擎技术
2.3 垂直搜索引擎的实现
2.4 小结
第3章 网络金融信息半结构化文本的挖掘
3.1 网络金融信息的去重
3.2 网络金融信息的分类
3.3 信息特征热度的排名
3.4 网络金融信息的情感分析
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
4.1 引言
4.2 网络金融信息量数据
4.3 泊松分布检验
4.4 单位根检验和平稳性分析
4.2 网络全融信息流时间序列的自相关性
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
5.1 GARCH模型
5.2 正态性分析
5.3 GARCH模型残差的异方差分析
5.4 GARCH模型残差的自相关分析
5.5 GARCH建模的实证研究
第6章 网络信息量时间序列的形态挖掘初探
6.1 引言
6.2 时问序列形态挖掘预处理方法
6.3 网络金融信息量曲线的聚类分析初探
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
7.1 交易量的GARCH模型
7.2 交易量的EGARCH建模研究
7.3 交易量与金融信息量的GARCH模型
7.4 金融信息量对交易量的EGARCH建模实证研究
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
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
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
第9章 网络金融信息流与股价时间序列的关联
9.1 信息经济学对信息传导机制的研究
9.2 网络金融信息和股市的关联研究
9.3 金融信息量的异常变化对股市的影响
9.4 基于金融信息熵的信息强度及其对股市的影响
附录A 沪深网络金融信息举例
附录8 沪深网络金融信息流时间序列Wt
附录C 美国网络金融信息举例
参考文献