近些年國家日新月異的發(fā)展,股票市場經(jīng)歷著巨大變化。現(xiàn)在股票市場的數(shù)據(jù)規(guī)模已非常龐大、復(fù)雜,且容易受市場行情、國內(nèi)政策和投資者情緒等因素的影響,隨機性較強,給股票的預(yù)測研究帶來了難度。數(shù)據(jù)挖掘結(jié)合了統(tǒng)計學(xué)、計算機學(xué)和機器學(xué)習(xí)等多門學(xué)科,可以從龐大的數(shù)據(jù)中搜索挖掘出有效信息,用于支持投資者的決策,為股票數(shù)據(jù)分析提供了有效途徑,因此采用數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測非常有意義。論文首先搜集了股票的27個技術(shù)指標數(shù)據(jù)并進行了指標挖掘,然后建立BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)模型對個股羅牛山、海南高速和大盤深證成指進行了預(yù)測研究與分析,再針對所建立的網(wǎng)絡(luò)模型的不足采用了遺傳算法進行了優(yōu)化。數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測非常有應(yīng)用價值,其創(chuàng)新性研究成果如下所述:（1）針對神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量是否合理的問題,提出采用Apriori算法來分析股票技術(shù)指標間的關(guān)聯(lián),確定了與股票次日收盤價相關(guān)聯(lián)的指標。預(yù)測個股羅牛山和海南高速時神經(jīng)網(wǎng)絡(luò)模型的輸入變量為前一日的最高價、最低價、開盤價、收盤價、成交量、成交額、換手率、MA1、MA2、MA3和BOLL,共11個指標。預(yù)測大盤深證成指時輸入變量為前一日的最高價、最低價、開盤價、收... 

【文章來源】：海南大學(xué)海南省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)

海南大學(xué)碩士學(xué)位論文253.2.4關(guān)聯(lián)分析針對上述進行預(yù)處理后的股票羅牛山數(shù)據(jù)，選擇運用clementine軟件使用Apriori算法對27個主要指標進行關(guān)聯(lián)規(guī)則分析，挖掘出與收盤價關(guān)聯(lián)性強的指標。由于本章節(jié)主要是挖掘選取與收盤價關(guān)聯(lián)的指標，因此這里選擇收盤價作為后項Y，剩余指標作為前項X，人為設(shè)置最小支持度min-sup閾值為29%，最小置信度min-con閾值為75%。(1)羅牛山的關(guān)聯(lián)分析結(jié)果如圖3-5所示，因本文分析研究的是股票次日收盤價，在與最小支持度min-sup閾值和最小置信度min-con閾值比較后，最后選取的指標為前一日的最高價、最低價、開盤價、收盤價、成交量、成交額、換手率、MA1、MA2、MA3和BOLL，共11個指標。圖3-5羅牛山的關(guān)聯(lián)分析結(jié)果Fig.3-5ResultsofassociationanalysisofLuoNiushan(2)海南高速的關(guān)聯(lián)分析結(jié)果如圖3-6所示，最后選取的指標為前一日的最高價、最低價、開盤價、收盤價、成交量、成交額、換手率、MA1、MA2、MA3和BOLL，共11個指標。

基于數(shù)據(jù)挖掘技術(shù)的股票預(yù)測研究與應(yīng)用26圖3-6海南高速的關(guān)聯(lián)分析結(jié)果Fig.3-6ResultsofassociationanalysisofHainanExpressway(3)深證成指的關(guān)聯(lián)分析結(jié)果如圖3-7所示，最后選取的指標為前一日的最高價、最低價、開盤價、收盤價、成交額、MA1、MA2、MA3、BOLL、OBV和RSI3，共11個指標。圖3-7深證成指的關(guān)聯(lián)分析結(jié)果Fig.3-7AssociationanalysisresultsoftheSZSEComponentIndex3.2.5仿真結(jié)果與分析

【參考文獻】：
期刊論文
[1]基于改進剪枝的關(guān)聯(lián)規(guī)則隱藏算法[J]. 龔晨,龔博.  黑龍江工業(yè)學(xué)院學(xué)報(綜合版). 2019(07)
[2]一種改進遺傳算法及驗證[J]. 魏曉玲.  電腦編程技巧與維護. 2019(06)
[3]改進的關(guān)聯(lián)規(guī)則挖掘算法——MIFP-Apriori算法[J]. 曾子賢,鞏青歌,張俊.  科學(xué)技術(shù)與工程. 2019(16)
[4]基于改進遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[J]. 文常保,馬文博,劉鵬里.  計算機工程與科學(xué). 2019(05)
[5]基于改進的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J]. 蘇崇宇,汪毓鐸.  工業(yè)控制計算機. 2019(01)
[6]實數(shù)編碼遺傳算法的改進及并行化實現(xiàn)[J]. 劉振鵬,王雪峰,薛雷,張彬,張壽華.  河北大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[7]基于正交實驗的塑料件優(yōu)化設(shè)計研究[J]. 成薇,徐以國.  上海汽車. 2019(01)
[8]基于Apriori關(guān)聯(lián)規(guī)則的信息技術(shù)相關(guān)股票數(shù)據(jù)分析[J]. 段玉曉.  科技經(jīng)濟導(dǎo)刊. 2018(31)
[9]基于關(guān)聯(lián)規(guī)則挖掘Apriori算法的改進算法[J]. 周凱,顧洪博,李愛國.  陜西理工大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[10]關(guān)于股市的一些認識[J]. 蘇文華.  現(xiàn)代經(jīng)濟信息. 2018(12)

碩士論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)的多日股票價格預(yù)測[D]. 郭盼盼.鄭州大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測研究[D]. 劉雯琦.西安建筑科技大學(xué) 2018
[3]BP神經(jīng)網(wǎng)絡(luò)模型對股票市場預(yù)測的應(yīng)用及實證分析[D]. 王晶.南京財經(jīng)大學(xué) 2018
[4]基于數(shù)據(jù)挖掘技術(shù)的股票選擇分析[D]. 黃悅.北京外國語大學(xué) 2017
[5]基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型[D]. 任浩然.延安大學(xué) 2017
[6]基于數(shù)據(jù)挖掘技術(shù)的股票市場分析與預(yù)測[D]. 靳雨佳.吉林財經(jīng)大學(xué) 2017
[7]基于BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型應(yīng)用分析[D]. 石茜子.暨南大學(xué) 2017
[8]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)算法的綜合選股實證研究[D]. 蘭強太.暨南大學(xué) 2017
[9]基于因子分析的BP神經(jīng)網(wǎng)絡(luò)股指預(yù)測[D]. 石志成.云南大學(xué) 2017
[10]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測[D]. 劉慶霞.蘇州大學(xué) 2017



本文編號：3242406