本文關(guān)鍵詞：基于股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘研究，由筆耕文化傳播整理發(fā)布。

文檔介紹：
南昌大學(xué) 200 級碩士學(xué)位論文文獻(xiàn)綜述報(bào)告基于股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘研究 Study on Mining Association Rules from Stock Time Series Data 系別: 計(jì)算機(jī)科學(xué)與技術(shù)系專業(yè): 計(jì)算機(jī)應(yīng)用技術(shù)研究方向: 人工智能研究生: 汪廷華導(dǎo)師: 程從從(教授) 2005 年 0月一.引言隨著計(jì)算機(jī)信息系統(tǒng)的日益普及,大容量存儲技術(shù)的發(fā)展以及條形碼等數(shù)據(jù)獲取技術(shù)的廣泛應(yīng)用,人們在日常事務(wù)處理和科學(xué)研究中積累了大量的各種類型的數(shù)據(jù)。在這些數(shù)據(jù)中,有很大一部分是呈現(xiàn)時(shí)間序列( time series ) 類型的數(shù)據(jù)。所謂時(shí)間序列數(shù)據(jù)就是按時(shí)間先后順序排列各個(gè)觀測記錄的數(shù)據(jù)集[1] , 如金融證券市場中每天的股票價(jià)格變化;商業(yè)零售行業(yè)中,某項(xiàng)商品每天的銷售額;氣象預(yù)報(bào)研究中,某一地區(qū)的每天氣溫與氣壓的讀數(shù);以及在生物醫(yī)學(xué)中,某一癥狀病人在每個(gè)時(shí)刻的心跳變化等等。然而,我們應(yīng)該注意到:時(shí)間序列數(shù)據(jù)不僅僅是歷史事件的記錄,更重要的是蘊(yùn)藏這些數(shù)據(jù)其中不顯現(xiàn)的、有趣的模式。隨著時(shí)間推移和時(shí)間序列數(shù)據(jù)的大規(guī)模增長,如何對這些海量數(shù)據(jù)進(jìn)行分析處理,挖掘(來源：[])其背后蘊(yùn)藏的價(jià)值信息,對于我們揭示事物發(fā)展規(guī)律變化的內(nèi)部規(guī)律,發(fā)現(xiàn)不同事物之間的相互關(guān)系,為人們正確認(rèn)識事物和科學(xué)決策提供依據(jù)具有重要的實(shí)際意義。時(shí)間序列數(shù)據(jù)分析按照不同的任務(wù)有各種不同的方法,一般包括趨勢分析、相似性搜索、與時(shí)間有關(guān)數(shù)據(jù)的序列模式挖掘、周期模式挖掘等[2] 。本綜述是針對證券業(yè)中股票時(shí)間序列分析的, 試圖通過列舉、分析有關(guān)證券業(yè)中股票時(shí)間序列數(shù)據(jù)分析的原理、方法與技術(shù),著重探討數(shù)據(jù)挖掘中基于股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘的概念、原理技術(shù)、實(shí)施過程及存在的障礙和問題,以期能有新的發(fā)現(xiàn)和領(lǐng)悟。二.股票時(shí)間序列傳統(tǒng)研究方法概述隨著我國市場經(jīng)濟(jì)建設(shè)的發(fā)展,人們的金融意識和投資意識日益增強(qiáng)。股票市場作為市場經(jīng)濟(jì)的重要組成部分, 正越來越多地受到投資者的關(guān)注。目前股票投資已經(jīng)是眾多個(gè)人理財(cái)中的一種重要方式。不言而喻, 如果投資者能正確預(yù)測股票價(jià)格、選準(zhǔn)買賣時(shí)機(jī),無疑會給投資者帶來豐厚的收益。于是,在股票的預(yù)測和分析方面出現(xiàn)了大量的決策分析方法和工具,以期能有效地指導(dǎo)投資者的投資決策。目(來源：[])前,我國股市用得較多的方法概括起來有兩類[] :一類是基本分析和技術(shù)分析,另一類是經(jīng)濟(jì)統(tǒng)計(jì)分析。 1 .基本分析和技術(shù)分析在股票市場上,當(dāng)投資者考慮是否投資于股票或購買什么股票時(shí),一般可以運(yùn)用基本分析的方法對股市和股票進(jìn)行分析;而在買賣股票的時(shí)機(jī)把握上,一般可以運(yùn)用技術(shù)分析的方法[4] 。基本分析指的是通過對影響股票市場供求關(guān)系的基本因素( 如宏觀政治經(jīng)濟(jì)形勢、金融政策、行業(yè)變動、公司運(yùn)營財(cái)務(wù)狀況等)進(jìn)行分析,來確定股票的真正價(jià)值,判斷未來股市走勢,是長期投資者不可或缺的有效分析手段。技術(shù)分析是完全根據(jù)股市行情變化而加以分析的方法, 它通過對歷史資料( 成交價(jià)和成交量) 進(jìn)行分析, 來判斷大盤和個(gè)股價(jià)格的未來變化趨勢,探討股市里投資行為的可能轉(zhuǎn)折,從而給投資者買賣股票的信號, 適合于投資者作短期投資。目前技術(shù)分析常用的工具是各種各樣的走勢圖(K 線圖、分時(shí)圖) 和技術(shù)指標(biāo)( MA、 RSI 、 OBV 等)。 2 .經(jīng)濟(jì)統(tǒng)計(jì)學(xué)分析主要針對時(shí)間序列數(shù)據(jù)進(jìn)行數(shù)學(xué)建模和分析。傳統(tǒng)的時(shí)間序列數(shù)據(jù)分析(來源：[])已經(jīng)是一個(gè)發(fā)展得相當(dāng)成熟的學(xué)科,有著一整套分析理論和工具,是目前時(shí)間序列數(shù)據(jù)分析的主要方法,它主要用經(jīng)濟(jì)統(tǒng)計(jì)學(xué)的理論和方法對經(jīng)濟(jì)變量進(jìn)行描述、分析和推算。傳統(tǒng)時(shí)間序列數(shù)據(jù)分析的研究目的在于[5] : ●分析特定的數(shù)據(jù)集合,建立數(shù)學(xué)模型,進(jìn)行模式結(jié)構(gòu)分析和實(shí)證研究; ●預(yù)測時(shí)間序列的未來發(fā)展情況。傳統(tǒng)的時(shí)間序列數(shù)據(jù)分析最基本的理論是 40 年代分別由 Norbor Wiener 和 Andrei Kolmogomor 提出的。 20 世紀(jì) 70 年代, G.P.Box 和 G.M.Jenkins 發(fā)表專著《時(shí)間序列分析: 預(yù)測和控制》, 對平穩(wěn)時(shí)間序列數(shù)據(jù)提出了自回歸滑動平均模型( ARMA ), 以及一整套的建模、估計(jì)、檢驗(yàn)和控制方法, 使得時(shí)序數(shù)據(jù)分析得以廣泛運(yùn)用于各種工程領(lǐng)域。其基本思想是根據(jù)各隨機(jī)變量間的依存關(guān)系或自相關(guān)性,從而由時(shí)間序列的過去值及現(xiàn)在值來預(yù)測出未來的值。該模型以證券市場為非有效市場為前提,當(dāng)期的股票價(jià)格變化不僅受當(dāng)期隨機(jī)因素的沖擊,而且受前期影響。換句話說,就是歷史信(來源：[])息會對當(dāng)前的股票價(jià)格產(chǎn)生一定程度的影響。采用的方法一般是在連續(xù)的時(shí)間流中截取一個(gè)時(shí)間窗口( 一個(gè)時(shí)間段), 窗口內(nèi)的數(shù)據(jù)作為一個(gè)數(shù)據(jù)單元, 然后讓這個(gè)時(shí)間窗口在時(shí)間流上滑動,以獲得建立模型所需要的訓(xùn)練集[6] 。[7] 基于股票時(shí)間序列是一種混沌時(shí)間序列的認(rèn)知, 提出一種新穎的非線性時(shí)間序列預(yù)測模型, 即滑動窗口二次自回歸( MWDAR )模型,該模型使用部分的歷史數(shù)據(jù)及其二次項(xiàng)構(gòu)造自回歸模型,模型參數(shù)用最小二乘法估計(jì)。其基本理論基礎(chǔ)是:一個(gè)線性模型不能描述混沌時(shí)間序列的全局性特征,但在一個(gè)小的時(shí)間間隔內(nèi), 系統(tǒng)的行為卻可以用某種線性模型近似。[8] 則提出了一種基于嵌入理論和確定集上的預(yù)測誤差的混沌時(shí)間序列預(yù)測方法,并探討了在股票價(jià)格預(yù)測上的應(yīng)用�？梢钥闯�,經(jīng)濟(jì)統(tǒng)計(jì)學(xué)為問題的探索解決方案提供了有用而實(shí)際的框架;模型是經(jīng)濟(jì)統(tǒng)計(jì)學(xué)的核心,模型的選擇和計(jì)算往往被認(rèn)為是次要的,是建立模型的枝節(jié)。經(jīng)濟(jì)統(tǒng)計(jì)學(xué)本質(zhì)上是從事“確定性”分析的,可以說統(tǒng)計(jì)方法是“目標(biāo)驅(qū)動”的。但是, 在大量數(shù)據(jù)集中往往存在一(來源：[])些未被人們預(yù)期到但又具有價(jià)值的信息, 人們?yōu)榘l(fā)現(xiàn)大量數(shù)據(jù)中隱藏的規(guī)律和模式,就需要新的具有“探索性”的分析工具。顯然,數(shù)據(jù)挖掘就是這樣的一門工具。三.數(shù)據(jù)挖掘技術(shù)應(yīng)用于股票時(shí)間序列分析的研究現(xiàn)狀數(shù)據(jù)挖掘( DM, Data Mining ) ,也稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)( KDD , Knowledge Discovery in Database ) 是數(shù)據(jù)庫技術(shù)和機(jī)器學(xué)習(xí)等人工智能技術(shù)相結(jié)合的產(chǎn)物, 是一門新興的數(shù)據(jù)智能分析技術(shù)[9] 。 20 世紀(jì) 80年代末,隨著數(shù)據(jù)庫、互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展以及管理信息系統(tǒng)( MIS )和網(wǎng)絡(luò)數(shù)據(jù)中心( IDC )的推廣應(yīng)用, 數(shù)據(jù)的存取、查詢、描述統(tǒng)計(jì)等技術(shù)已日臻完善,但高層次的決策分析、知識發(fā)現(xiàn)等實(shí)用技術(shù)還很不成熟, 導(dǎo)致了“信息爆炸”但“知識貧乏”的現(xiàn)象。到了 90 年代, 人們提出在數(shù)據(jù)庫基礎(chǔ)上建立數(shù)據(jù)倉庫, 應(yīng)用

1

  本文關(guān)鍵詞：基于股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘研究，由筆耕文化傳播整理發(fā)布。