隨著改革開(kāi)放的逐步深化,金融市場(chǎng)的飛速發(fā)展,一些相關(guān)體制逐步得到完善,期貨市場(chǎng)面臨著良好的發(fā)展機(jī)遇,越來(lái)越多的企業(yè)、個(gè)人和機(jī)構(gòu)投資者都加入到期貨市場(chǎng)中來(lái)。如今,中國(guó)期貨市場(chǎng)與世界期貨市場(chǎng)的聯(lián)系越來(lái)越密切,經(jīng)濟(jì)全球化對(duì)各國(guó)期貨市場(chǎng)的競(jìng)爭(zhēng)產(chǎn)生了巨大的影響。因而,建立期貨市場(chǎng)來(lái)規(guī)避現(xiàn)貨市場(chǎng)風(fēng)險(xiǎn),加強(qiáng)對(duì)我國(guó)期貨市場(chǎng)的理論研究十分必要,利用數(shù)據(jù)挖掘?qū)ζ谪浗灰讛?shù)據(jù)進(jìn)行價(jià)值信息的發(fā)掘亦成為其中最主要的問(wèn)題。本文從劃分消費(fèi)客戶(hù)的類(lèi)別和預(yù)測(cè)產(chǎn)品價(jià)格兩個(gè)方面進(jìn)行了期貨數(shù)據(jù)挖掘算法的研究。在重點(diǎn)掌握分類(lèi)、預(yù)測(cè)、大數(shù)據(jù)、前端技術(shù)以及數(shù)據(jù)預(yù)處理的基礎(chǔ)上,對(duì)比得出串并行下的FCM聚類(lèi)和BP預(yù)測(cè)算法,實(shí)現(xiàn)了算法在Spark計(jì)算框架下的分布式運(yùn)算,同時(shí)將改進(jìn)算法應(yīng)用于期貨管理平臺(tái)。首先,結(jié)合K-means與模糊聚類(lèi)FCM等分類(lèi)算法對(duì)期貨交易客戶(hù)進(jìn)行特征分類(lèi),以標(biāo)簽形式描述客戶(hù)畫(huà)像。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上應(yīng)用遺傳算法對(duì)算法進(jìn)行改進(jìn),并將兩種算法對(duì)多種產(chǎn)品價(jià)格的預(yù)測(cè)結(jié)果進(jìn)行比較;然后,將驗(yàn)證可行的客戶(hù)聚類(lèi)和產(chǎn)品預(yù)測(cè)算法與大數(shù)據(jù)技術(shù)結(jié)合,對(duì)算法進(jìn)行優(yōu)化設(shè)計(jì),以滿(mǎn)足大數(shù)據(jù)環(huán)境下的應(yīng)用效果,在搭建的Spark平臺(tái)中對(duì)兩種算法進(jìn)... 

【文章來(lái)源】：青島科技大學(xué)山東省

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

期貨行情走勢(shì)分析

青島科技大學(xué)研究生學(xué)位論文9系用一種用戶(hù)能夠利用的方式來(lái)組織和表達(dá)。發(fā)布時(shí)要將活動(dòng)的模型運(yùn)用到鞭策制訂的過(guò)程中去。圖2-1所示為挖掘技術(shù)的操作步驟圖。圖2-1數(shù)據(jù)挖掘技術(shù)流程圖Fig.2-1Flowchartofdataminingtechnology2.1.1K-means聚類(lèi)分析聚類(lèi)分析，是一種研究分析數(shù)據(jù)構(gòu)造的理論，在模式識(shí)別和數(shù)據(jù)處理等方面得到了廣泛認(rèn)可和普遍應(yīng)用。聚類(lèi)分析既可以根據(jù)聚類(lèi)的方法將其分為層次聚類(lèi)和劃分聚類(lèi)兩類(lèi)，也可以根據(jù)聚類(lèi)的性質(zhì)劃分為硬聚類(lèi)和軟聚類(lèi)兩種類(lèi)別。K-均值算法[61]是硬聚類(lèi)算法中最為簡(jiǎn)單和普遍的代表算法，由Macqueen于1967年提出，Macqueen總結(jié)Cox、Fisher等人的研究成果，得出K-means算法的流程并進(jìn)行了相關(guān)的數(shù)學(xué)證明。算法的核心思想[62,63]是將n個(gè)數(shù)據(jù)對(duì)象劃分成k個(gè)聚類(lèi)，使每個(gè)聚類(lèi)中的數(shù)據(jù)與該聚類(lèi)中心距離的平方和最校K-means算法首先是選擇初始聚類(lèi)中心，然后計(jì)算剩余各個(gè)樣本到每一個(gè)聚類(lèi)中心的距離，把該樣本歸到離它最近的那個(gè)聚類(lèi)中心所在的類(lèi)[70]。之后根據(jù)公式（2-1）再重新計(jì)算每個(gè)類(lèi)或者簇的平均值，直到準(zhǔn)則函數(shù)收斂。通過(guò)不斷計(jì)算每個(gè)聚類(lèi)的平均值，對(duì)聚類(lèi)中心進(jìn)行調(diào)整。最終使類(lèi)內(nèi)對(duì)象相似性最大，類(lèi)間對(duì)象相似性最校準(zhǔn)則函數(shù)根據(jù)距離選用不同函數(shù)，這里有歐式距離為例，其準(zhǔn)則函數(shù)如公式3-6所示。jniijjxnc11（2-1）2ki1iixCExx（2-2）

期貨數(shù)據(jù)挖掘算法的研究與應(yīng)用12輸入層輸入層隱含層輸入層輸出層權(quán)值ωth閾值γh權(quán)值ωhj閾值θjy1yjylb1b2bhbqx1xixd圖2-2BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.2-2BPnetworktopology如上圖2-2所示，假設(shè)在神經(jīng)網(wǎng)絡(luò)中輸入層包含個(gè)神經(jīng)元，隱含層中存在個(gè)神經(jīng)元，輸出層內(nèi)有著個(gè)神經(jīng)元。將輸入層對(duì)隱含層第個(gè)神經(jīng)元的輸入表示為：=∑=1（2-8）繼而將隱含層對(duì)輸出層第個(gè)神經(jīng)元的輸入標(biāo)記為：=∑=1（2-9）其中，為隱含層第個(gè)神經(jīng)元輸出。神經(jīng)元的輸出結(jié)果是由神經(jīng)網(wǎng)絡(luò)中神經(jīng)元接收來(lái)自其他的神經(jīng)元的輸入后把這些信號(hào)乘以相應(yīng)的權(quán)值，將總輸入與閾值進(jìn)行比較，再由激活函數(shù)[29]對(duì)其進(jìn)行處理產(chǎn)生的。圖2-3階躍函數(shù)和sigmoid函數(shù)Fig.2-3Stepfunctionandsigmoidfunction在理想狀態(tài)下，激活函數(shù)應(yīng)該是階躍函數(shù)，但是階躍函數(shù)具有不連續(xù)性，不可導(dǎo)，并且不光滑等特點(diǎn)[30],因此常用sigmoid函數(shù)進(jìn)行代替。階躍函數(shù)和sigmoid函數(shù)如圖2-3所示。1,0sgn(x)0,0xx（2-10）

【參考文獻(xiàn)】：
期刊論文
[1]基于GRA-CS-BP算法的期貨價(jià)格預(yù)測(cè)[J]. 王海軍,金濤,林志偉.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(24)
[2]關(guān)于期貨商品交易價(jià)格預(yù)測(cè)仿真研究[J]. 羅光華,陳江,柯翔敏.  計(jì)算機(jī)仿真. 2018(09)
[3]一種BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法在配電網(wǎng)故障定位的研究[J]. 鐘建偉,劉俊夫,周文輝.  內(nèi)蒙古師范大學(xué)學(xué)報(bào)(自然科學(xué)漢文版). 2017(04)
[4]一種基于Spark與BP神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)方法[J]. 王輝,王勇,柯文龍.  電腦知識(shí)與技術(shù). 2017(16)
[5]C4.5算法在期貨價(jià)格預(yù)測(cè)中的應(yīng)用[J]. 陳磊,何國(guó)輝.  五邑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[6]基于蟻群算法的ACO-BP神經(jīng)網(wǎng)絡(luò)性能研究[J]. 殷書(shū)彥,杜慶東.  黑龍江科技信息. 2015(22)
[7]基于BP神經(jīng)網(wǎng)絡(luò)模型的玉米價(jià)格基差預(yù)測(cè)[J]. 曾星月.  糧食經(jīng)濟(jì)研究. 2015(01)
[8]客戶(hù)關(guān)系管理中客戶(hù)細(xì)分的數(shù)據(jù)挖掘分析[J]. 區(qū)嘉良,呂淑儀.  中國(guó)商貿(mào). 2015(02)
[9]數(shù)據(jù)挖掘技術(shù)在計(jì)算機(jī)教學(xué)中的應(yīng)用[J]. 劉世勇,羅美淑.  中國(guó)新通信. 2012(21)
[10]對(duì)k均值算法和硬C-均值算法的對(duì)比分析[J]. 李宇泊,李秦.  洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2012(01)

博士論文
[1]基于粗糙集數(shù)據(jù)挖掘技術(shù)的客戶(hù)價(jià)值分析[D]. 王宏.哈爾濱工程大學(xué) 2006

碩士論文
[1]模糊聚類(lèi)算法基于Spark的實(shí)現(xiàn)與應(yīng)用[D]. 吳云龍.南京郵電大學(xué) 2019
[2]基于Hadoop平臺(tái)及軌跡挖掘的打車(chē)服務(wù)應(yīng)用系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 周倫.北京郵電大學(xué) 2018
[3]基于客戶(hù)細(xì)分的多維效用關(guān)聯(lián)規(guī)則挖掘[D]. 楊文芳.武漢理工大學(xué) 2017
[4]人工魚(yú)群K-means算法及其在通信客戶(hù)細(xì)分中的應(yīng)用研究[D]. 郭永峰.合肥工業(yè)大學(xué) 2017
[5]醫(yī)療行業(yè)生產(chǎn)管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 英俊.電子科技大學(xué) 2014
[6]變電設(shè)備巡檢信息管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 薛文超.電子科技大學(xué) 2013
[7]基于Hadoop的XBRL數(shù)據(jù)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 賈少攀.大連理工大學(xué) 2013
[8]期貨公司客戶(hù)分類(lèi)和風(fēng)險(xiǎn)管理[D]. 趙錦錦.云南財(cái)經(jīng)大學(xué) 2011
[9]自組織組合預(yù)測(cè)模型的EMD改進(jìn)在石油期貨市場(chǎng)中的應(yīng)用[D]. 何繼銳.電子科技大學(xué) 2008
[10]基于關(guān)聯(lián)規(guī)則的期貨交易信息數(shù)據(jù)挖掘[D]. 劉剛.上海海事大學(xué) 2005



本文編號(hào)：3213128