我國(guó)股票市場(chǎng)經(jīng)歷了將近三十年的成長(zhǎng),已經(jīng)變成我國(guó)資本市場(chǎng)的重要組成部分。與此同時(shí),隨著人民的收入水平的提高,股票投資已成為投資者進(jìn)行資產(chǎn)配置的一種重要手段^[1]。復(fù)雜多變的股票市場(chǎng)包含了許多非常龐大的數(shù)據(jù),如何更好的利用這些數(shù)據(jù),挖掘數(shù)據(jù)內(nèi)的深度信息,成為新的挑戰(zhàn)。長(zhǎng)期以來普通技術(shù)手段分析的方式難以發(fā)掘龐大海量數(shù)據(jù)身后隱藏的信息。運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)股票進(jìn)行分析能更好地挖掘出上市公司股票潛在的有用信息和價(jià)值規(guī)律,幫助投資者做出正確的投資決定。本文根據(jù)股票數(shù)據(jù)的特點(diǎn)選擇了相應(yīng)的數(shù)據(jù)挖掘模型進(jìn)行股票分析預(yù)測(cè),針對(duì)投資者選擇什么股票收益率更高這個(gè)問題來進(jìn)行分析解決。主要分為三個(gè)部分:首先是尋找關(guān)鍵指標(biāo),由于影響股價(jià)走勢(shì)的因素較多,本文利用關(guān)聯(lián)規(guī)則分析找出具有參考意義有價(jià)值的,影響股價(jià)走勢(shì)的20個(gè)股票關(guān)鍵指標(biāo)。提升了有效性,避免過多的指標(biāo)影響分析結(jié)果。然后依據(jù)關(guān)聯(lián)分析的結(jié)果,對(duì)這20個(gè)關(guān)鍵指標(biāo)進(jìn)行聚類分析。通過對(duì)比不同聚類算法選擇K-Means算法分析并對(duì)其做出算法改進(jìn),改進(jìn)后的K-Means算法準(zhǔn)確率明顯提高。通過聚類分析結(jié)果可以看到較好的將優(yōu)質(zhì)股票進(jìn)行聚類,對(duì)優(yōu)質(zhì)股和劣...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 數(shù)據(jù)挖掘技術(shù)
    2.1 數(shù)據(jù)挖掘概述
    2.2 數(shù)據(jù)挖掘的功能與過程
        2.2.1 數(shù)據(jù)挖掘的功能
        2.2.2 數(shù)據(jù)挖掘的過程
    2.3 應(yīng)用于股票預(yù)測(cè)的適用性分析
        2.3.1 股票預(yù)測(cè)的困難性
        2.3.2 應(yīng)用領(lǐng)域
        2.3.3 應(yīng)用于股票分析的適用性
    2.4 解決方案概述
        2.4.1 功能需求
        2.4.2 模塊設(shè)計(jì)
        2.4.3 技術(shù)需求
    2.5 本章小結(jié)
第三章 基于關(guān)聯(lián)分析的股票關(guān)鍵指標(biāo)提取
    3.1 關(guān)聯(lián)規(guī)則
        3.1.1 關(guān)聯(lián)規(guī)則基本概念
        3.1.2 關(guān)聯(lián)規(guī)則的股票分析
    3.2 基于APRIORI算法的關(guān)鍵指標(biāo)挖掘
        3.2.1 Apriori算法
        3.2.2 數(shù)據(jù)準(zhǔn)備
    3.3 股票的關(guān)聯(lián)規(guī)則分析
        3.3.1 數(shù)據(jù)預(yù)處理
        3.3.2 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于改進(jìn)K-MEANS算法的優(yōu)質(zhì)股票選取
    4.1 聚類算法簡(jiǎn)介
        4.1.1 聚類的概念
        4.1.2 相似性度量
    4.2 聚類算法
        4.2.1 K均值算法
        4.2.2 層次聚類算法
        4.2.3 基于密度的聚類
    4.3 基于改進(jìn)K-MEANS算法的聚類分析
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 模型對(duì)比
        4.3.3 基于K均值的改進(jìn)
        4.3.4 最優(yōu)K值選取
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 基于改進(jìn)C5.0決策樹的股票分析預(yù)測(cè)
    5.1 決策樹算法
    5.2 C5.0決策樹算法
        5.2.1 特征選擇
        5.2.2 C5.0決策樹算法的優(yōu)缺點(diǎn)
    5.3 BOOSTING提升算法
        5.3.1 Boosting算法原理
        5.3.2 決策樹以及提升Boosting算法在股票分析中的可行性
    5.4 基于C5.0算法的模型構(gòu)建
        5.4.1 數(shù)據(jù)預(yù)處理
        5.4.2 評(píng)價(jià)指標(biāo)
        5.4.3 構(gòu)建C5.0決策樹模型
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 C5.0決策樹算法實(shí)驗(yàn)
        5.5.2 C5.0決策樹結(jié)合Boosting五指標(biāo)算法實(shí)驗(yàn)
        5.5.3 C5.0決策樹結(jié)合Boosting七指標(biāo)算法實(shí)驗(yàn)
    5.6 模型對(duì)比
    5.7 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)



本文編號(hào)：3833201