發(fā)布時(shí)間：2021-05-24 08:27

　　如今,信息技術(shù)發(fā)展越來越快,高速發(fā)展的信息技術(shù)以及規(guī)模不斷擴(kuò)大的數(shù)據(jù)庫(kù)技術(shù),都保存著形式多樣、規(guī)模巨大的數(shù)據(jù)。股票行業(yè)的交易數(shù)據(jù)是非常大的,早已達(dá)到GB級(jí)別。如今,數(shù)據(jù)就意味著價(jià)值。我們現(xiàn)在缺少的不再是數(shù)據(jù),而是如何去挖掘數(shù)據(jù)背后的信息。聚類分析方法作為數(shù)據(jù)挖掘中的一個(gè)重要分支,目的就是研究數(shù)據(jù)之間的相似化,把相似的數(shù)據(jù)劃分為同一類中。根據(jù)各只股票價(jià)值的不同,通過聚類把價(jià)值相近的股票聚為一類,從而把握股票的總體趨勢(shì),判斷股票的潛在價(jià)值。股票交易數(shù)據(jù)隨著每筆交易的產(chǎn)生在實(shí)時(shí)變化著,并且連續(xù)不斷的產(chǎn)生,這正符合流數(shù)據(jù)的典型特征,因此,對(duì)股市行情數(shù)據(jù)的分析與挖掘應(yīng)采用流數(shù)據(jù)挖掘技術(shù)。因此本文選取流數(shù)據(jù)聚類算法,對(duì)股市交易數(shù)據(jù)進(jìn)行聚類分析。本文首先對(duì)現(xiàn)有的傳統(tǒng)聚類算法在股票市場(chǎng)的應(yīng)用以及流數(shù)據(jù)聚類算法的相關(guān)文獻(xiàn)進(jìn)行了梳理。其次,本文對(duì)流數(shù)據(jù)聚類技術(shù)進(jìn)行了詳細(xì)的介紹。主要包括流數(shù)據(jù)的三種模型:時(shí)間序列模型、收銀機(jī)模型、十字轉(zhuǎn)門模型;四種常見的概要數(shù)據(jù)結(jié)構(gòu):特征向量、原型陣列、核心樹和網(wǎng)格;四種常用的移動(dòng)窗口技術(shù):界標(biāo)窗口、滑動(dòng)窗口、衰退窗口和傾斜時(shí)間窗口。接著本文分析了流數(shù)據(jù)聚類在股市分析中的應(yīng)... 

【文章來源】：山東財(cái)經(jīng)大學(xué)山東省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究?jī)?nèi)容和框架
    1.3 研究創(chuàng)新點(diǎn)
第2章 流數(shù)據(jù)聚類綜述
    2.1 傳統(tǒng)聚類方法在股票市場(chǎng)的應(yīng)用
    2.2 流數(shù)據(jù)聚類
        2.2.1 流數(shù)據(jù)聚類概述
        2.2.2 流數(shù)據(jù)聚類技術(shù)
    2.3 計(jì)算方法
        2.3.1 增量學(xué)習(xí)
        2.3.2 兩階段學(xué)習(xí)
    2.4 流驗(yàn)證
    2.5 傳統(tǒng)聚類與流數(shù)據(jù)聚類的比較
    2.6 本章小結(jié)
第3章 基于股市分析的流數(shù)據(jù)聚類算法研究
    3.1 流數(shù)據(jù)聚類在股市分析中的應(yīng)用背景和現(xiàn)狀
        3.1.1 流數(shù)據(jù)聚類技術(shù)適用于股市分析的原因
        3.1.2 基于股市行情分析的流數(shù)據(jù)挖掘算法特點(diǎn)
    3.2 D-Stream算法分析
        3.2.1 D-Stream算法的相關(guān)概念
        3.2.2 D-Stream算法的基本思想
    3.3 本章小結(jié)
第4章 D-Stream算法在股市的實(shí)證分析
    4.1 基于D-Stream算法的股市行情數(shù)據(jù)模型
        4.1.1 數(shù)據(jù)來源和指標(biāo)選取
        4.1.2 數(shù)據(jù)預(yù)處理
    4.2 股票聚類及結(jié)果分析
    4.3 本章小結(jié)
第5章 結(jié)論和展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]面向大數(shù)據(jù)的并行聚類算法在股票板塊劃分中的應(yīng)用[J]. 海沫,牛怡晗,張悅今.  大數(shù)據(jù). 2015(04)
[2]數(shù)據(jù)流聚類算法研究[J]. 李敏,李英梅.  智能計(jì)算機(jī)與應(yīng)用. 2014(01)
[3]基于密度的混合屬性數(shù)據(jù)流聚類算法[J]. 黃德才,吳天虹.  控制與決策. 2010(03)
[4]基于相關(guān)分析的多數(shù)據(jù)流聚類(英文)[J]. 屠莉,陳崚,鄒凌君.  軟件學(xué)報(bào). 2009(07)
[5]數(shù)據(jù)流的網(wǎng)格密度聚類算法[J]. 屠莉,陳崚,鄒凌君.  小型微型計(jì)算機(jī)系統(tǒng). 2009(07)
[6]基于概率數(shù)據(jù)流的有效聚類算法[J]. 戴東波,趙杠,孫圣力.  軟件學(xué)報(bào). 2009(05)
[7]基于移動(dòng)網(wǎng)格和密度的數(shù)據(jù)流聚類算法[J]. 鄭盈盈,倪志偉,吳姍,王麗紅.  計(jì)算機(jī)工程與應(yīng)用. 2009(08)
[8]基于隨機(jī)投影的并行數(shù)據(jù)流聚類方法[J]. 陳華輝,施伯樂.  模式識(shí)別與人工智能. 2009(01)
[9]基于模糊聚類技術(shù)的股票投資價(jià)值評(píng)價(jià)指標(biāo)選擇[J]. 李云飛,李鵬雁.  燕山大學(xué)學(xué)報(bào). 2008(06)
[10]基于動(dòng)態(tài)網(wǎng)格的數(shù)據(jù)流聚類分析[J]. 何勇,劉青寶.  計(jì)算機(jī)應(yīng)用研究. 2008(11)

博士論文
[1]基于網(wǎng)格方法的聚類算法研究[D]. 孫玉芬.華中科技大學(xué) 2006

碩士論文
[1]數(shù)據(jù)挖掘方法在股票分析中的應(yīng)用與研究[D]. 孫磊平.西南財(cái)經(jīng)大學(xué) 2013
[2]我國(guó)股票市場(chǎng)板塊效應(yīng)實(shí)證研究[D]. 周鑫.西南交通大學(xué) 2012
[3]基于蟻群聚類算法的股票板塊分類研究[D]. 張傳琦.復(fù)旦大學(xué) 2012
[4]數(shù)據(jù)挖掘技術(shù)在股票投資中的應(yīng)用[D]. 楊富勇.湖南大學(xué) 2010



本文編號(hào)：3203893