21世紀(jì)是人工智能技術(shù)飛速發(fā)展的一個(gè)年代。大數(shù)據(jù)技術(shù)與機(jī)器學(xué)習(xí)的快速發(fā)展與應(yīng)用,已滲入到社會(huì)許多領(lǐng)域。股票市場被稱為宏觀經(jīng)濟(jì)的晴雨表,預(yù)測股票趨勢一直是一項(xiàng)具有重要實(shí)際意義的工作。股票價(jià)格是一種非平穩(wěn)、波動(dòng)性大、無規(guī)律的時(shí)序性數(shù)據(jù),而股票價(jià)格預(yù)測受到各種復(fù)雜因素的影響,這就導(dǎo)致了股票價(jià)格趨勢預(yù)測一直是一個(gè)非常困難的研究課題。時(shí)態(tài)數(shù)據(jù)是將變化不規(guī)則的時(shí)序數(shù)據(jù)按一定的時(shí)態(tài)型重新劃分轉(zhuǎn)換得到的數(shù)據(jù),轉(zhuǎn)換后的時(shí)態(tài)數(shù)據(jù)在時(shí)態(tài)型上可能具有一定的規(guī)律,然后針對時(shí)態(tài)數(shù)據(jù)進(jìn)行挖掘以發(fā)現(xiàn)對源數(shù)據(jù)挖掘所發(fā)現(xiàn)不到的時(shí)態(tài)知識(shí)。時(shí)態(tài)數(shù)據(jù)挖掘模型提供了一條解決復(fù)雜不規(guī)則的時(shí)序數(shù)據(jù)挖掘問題的途徑。另一個(gè)挖掘不規(guī)則數(shù)據(jù)知識(shí)的方法是神經(jīng)網(wǎng)絡(luò)模型,神經(jīng)網(wǎng)絡(luò)具有并行、容錯(cuò)、可以硬件實(shí)現(xiàn)以及自我學(xué)習(xí)的優(yōu)點(diǎn),也可作為股票分類預(yù)測應(yīng)用的一種有效方法。本文通過將時(shí)態(tài)數(shù)據(jù)挖掘模型與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,提出一種時(shí)態(tài)神經(jīng)網(wǎng)絡(luò)的分類模型及算法,將股票數(shù)據(jù)轉(zhuǎn)換為時(shí)態(tài)型數(shù)據(jù),利用所提出的模型對時(shí)態(tài)型股票數(shù)據(jù)進(jìn)行趨勢預(yù)測。通過對收集的若干上市公司十年內(nèi)的股票數(shù)據(jù)進(jìn)行數(shù)據(jù)分析,構(gòu)建了基于時(shí)態(tài)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分類器,并對八支股票進(jìn)行趨勢分類預(yù)測。實(shí)驗(yàn)結(jié)... 

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 主要研究內(nèi)容和意義
        1.3.1 研究內(nèi)容
        1.3.2 研究意義
    1.4 擬解決的核心
    1.5 本文創(chuàng)新點(diǎn)
    1.6 論文結(jié)構(gòu)
2 相關(guān)理論綜述
    2.1 時(shí)態(tài)數(shù)據(jù)挖掘模型理論
    2.2 神經(jīng)網(wǎng)絡(luò)理論
    2.3 股票分類預(yù)測
    2.4 時(shí)態(tài)數(shù)據(jù)在股票分類預(yù)測的應(yīng)用
    2.5 神經(jīng)網(wǎng)絡(luò)方法在股票分類預(yù)測的應(yīng)用
    2.6 本章小結(jié)
3 時(shí)態(tài)神經(jīng)網(wǎng)絡(luò)模型與算法
    3.1 時(shí)態(tài)型定義及性質(zhì)
    3.2 時(shí)態(tài)轉(zhuǎn)換方法
    3.3 神經(jīng)網(wǎng)絡(luò)分類模型
    3.4 時(shí)態(tài)神經(jīng)網(wǎng)絡(luò)分類模型
    3.5 模型特性與可用性分析
    3.6 本章小結(jié)
4 金融證券投資應(yīng)用
    4.1 數(shù)據(jù)獲取與預(yù)處理
    4.2 模型參數(shù)選擇
    4.3 數(shù)據(jù)分析與結(jié)果
    4.4 本章小結(jié)
5 結(jié)論與展望
    5.1 研究結(jié)論
    5.2 論文展望
參考文獻(xiàn)
附錄1
附錄2
附錄3
附錄4
附錄5
致謝
攻讀學(xué)位期間參加的研究工作和獲得的學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]一種基于Spark的分布式時(shí)態(tài)索引方法[J]. 鄭曉東,王梅,陳德華,張碧瑩.  計(jì)算機(jī)應(yīng)用與軟件. 2018(05)
[2]基于理性指標(biāo)的馬爾可夫鏈股市態(tài)勢預(yù)測方法[J]. 姚宏亮,張遠(yuǎn)濤,王浩,李俊照.  計(jì)算機(jī)工程與應(yīng)用. 2017(22)
[3]基于大數(shù)據(jù)背景下的多層神經(jīng)網(wǎng)絡(luò)股票預(yù)測模型[J]. 丁美琳,高語越,陳學(xué)斌.  軟件. 2017(07)
[4]SHB+樹——一種面向時(shí)態(tài)數(shù)據(jù)的分段混合索引[J]. 肖蒙,王梅.  計(jì)算機(jī)研究與發(fā)展. 2015(S1)
[5]Kappa系數(shù):一種衡量評估者間一致性的常用方法（英文）[J]. 唐萬,胡俊,張暉,吳攀,賀華.  上海精神醫(yī)學(xué). 2015(01)
[6]HBase下時(shí)態(tài)信息索引策略研究[J]. 陳磊,封朝永.  廣東工業(yè)大學(xué)學(xué)報(bào). 2014(03)
[7]氣象GIS中的氣象時(shí)態(tài)數(shù)據(jù)模型的設(shè)計(jì)[J]. 楊桂菊,石偉偉,鄒偉.  測繪與空間地理信息. 2014(05)
[8]基于Hadoop的時(shí)態(tài)信息存儲(chǔ)與時(shí)態(tài)關(guān)系演算問題研究[J]. 左亞堯,封朝永,陳磊.  計(jì)算機(jī)應(yīng)用研究. 2014(05)
[9]多粒度時(shí)間文本數(shù)據(jù)的周期模式挖掘算法[J]. 孟志青,樓婷淵,胡強(qiáng).  計(jì)算機(jī)科學(xué). 2013(S2)
[10]用于非線性時(shí)間序列預(yù)測的POD-RBF神經(jīng)網(wǎng)絡(luò)[J]. 吳春國,朱世釗,汪秉宏,關(guān)昱航.  小型微型計(jì)算機(jī)系統(tǒng). 2013(08)

碩士論文
[1]基于Hadoop多維時(shí)態(tài)數(shù)據(jù)挖掘模型的研究與應(yīng)用[D]. 張?jiān)讫?浙江理工大學(xué) 2016
[2]基于隱馬爾科夫模型（HMM）的股票價(jià)格預(yù)測分析[D]. 黃冉.青島大學(xué) 2015
[3]基于SVMAdaBoost模型的股票漲跌實(shí)證研究[D]. 詹財(cái)鑫.華南理工大學(xué) 2013
[4]BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D]. 王莎.中南大學(xué) 2008



本文編號(hào)：3685538