本文關鍵詞： 數(shù)據(jù)挖掘 股市板塊 果蠅優(yōu)化算法 近鄰傳播聚類算法 實時學習 差異化距離　出處：《長春工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：大數(shù)據(jù)時代背景下,股票市場產(chǎn)生的數(shù)據(jù)越來越多,傳統(tǒng)分析方法已很難滿足現(xiàn)代對股市板塊分析的需求,如何從海量股票數(shù)據(jù)中挖掘出有用信息,并對股市板塊進行分析和預測成為了一個重要的研究課題。數(shù)據(jù)挖掘作為一種新的數(shù)據(jù)技術在此環(huán)境背景下迅速發(fā)展,為開發(fā)數(shù)據(jù)信息資源做出重大貢獻。聚類是一種無監(jiān)督學習的數(shù)據(jù)挖掘技術,可以充分地分析數(shù)據(jù)內(nèi)部特征和數(shù)據(jù)間的聯(lián)系。通過形成的多個簇,挖掘出數(shù)據(jù)之間潛在的聯(lián)系與特征,避免直面龐大的數(shù)據(jù)集。群體智能算法是一種演化計算技術,具有實現(xiàn)簡單、收斂速度快、全局收斂性優(yōu)等優(yōu)點,已受到越來越多國內(nèi)外專家和學者的關注。群體智能優(yōu)化算法是人工智能的一個重要分支,與人工生命聯(lián)系緊密。通過模擬自然界生物群體的各種行為,利用個體之間的信息傳遞和合作實現(xiàn)尋優(yōu)的目的。果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm,FOA)是群體智能優(yōu)化算法的一種,因其尋優(yōu)精度高且設置參數(shù)少,已經(jīng)廣泛應用到多個領域。但是FOA仍然存在不足:FOA在處理復雜函數(shù)問題時,收斂速度減慢,且收斂精度降低。針對此問題提出一種實時學習的果蠅優(yōu)化算法(A Real-Time Learning Fruit Fly Optimization Algorithm,RTLFOA)。RTLFOA通過實時的獲取種群知識,在種群陷入早熟時,通過獲取的種群經(jīng)驗引導果蠅群體進行不同尺度的變異。變異后,味道濃度較差位置處的果蠅個體進行全局搜索,提高算法的收斂速度;味道濃度較優(yōu)位置處的果蠅個體進一步對局部區(qū)域進行搜索,提高收斂精度。通過比較RTLFOA與其它算法對基準函數(shù)收斂性的測試結果,證明了RTLFOA有效的提高了收斂速度和收斂精度。近鄰傳播聚類算法(Affinity Propagation,AP)是一種無監(jiān)督學習的聚類算法,不必指定聚類數(shù)目且處理大規(guī)模數(shù)據(jù)集具有較好的聚類結果。但是AP聚類算法的偏向參數(shù)設置難度大。(1)基于群體智能優(yōu)化算法的全局搜索能力,首先提出基于差異化距離的果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm based on Differential Distance,FOADD)。FOADD算法使距離原點相同距離處的果蠅同時移動,避免了無效移動,提高算法的搜索效率。(2)基于FOADD的快速搜索能力,提出基于差異化距離果蠅優(yōu)化的近鄰傳播聚類算法(Affinity Propagation based on FOADD,AP-FOADD)。在搜索空間內(nèi)對偏向參數(shù)進行尋優(yōu),并使用經(jīng)典數(shù)據(jù)集進行測試,根據(jù)Silhouette有效性指標與聚類結果證明其有效性�；贏P-FOADD聚類算法,對股市板塊進行分析。本文選取了112家北京上市公司,并以四項可以反映上市公司盈利能力的財務指標為研究對象,對上市公司聚類。通過聚類結果對上市公司的經(jīng)營能力、發(fā)展?jié)摿M行分析,并根據(jù)上市公司年度報告證明聚類結果的有效性,為投資者提供投資組合、規(guī)避投資風險提供理論依據(jù)。
[Abstract]:Under the background of big data era, more and more data are produced in the stock market. The traditional analysis method has been difficult to meet the needs of the modern stock market plate analysis, how to extract useful information from the massive stock data. And the analysis and prediction of the stock market has become an important research topic. As a new data technology, data mining is developing rapidly in this environment. Clustering is an unsupervised learning data mining technology, which can fully analyze the relationship between the internal characteristics of data and data. Through the formation of multiple clusters. In order to avoid facing the huge data set, swarm intelligence algorithm is a kind of evolutionary computing technology, which has the advantages of simple implementation, fast convergence speed and excellent global convergence. Swarm intelligence optimization algorithm is an important branch of artificial intelligence, which is closely related to artificial life. Fruit Fly Optimization Algorithm was optimized by using the information transmission and cooperation among individuals. FOAis a kind of swarm intelligence optimization algorithm, which has been widely used in many fields because of its high precision and low parameter setting. However, FOA still has shortcomings in dealing with complex function problems. The rate of convergence slows down. And the convergence accuracy is reduced. A real-time learning algorithm for Drosophila is proposed. A Real-Time Learning Fruit Fly Optimization Algorithm. RTLFOA).RTLFOA acquires population knowledge in real time. When the population falls into early maturity, the acquired population experience leads Drosophila populations to mutate on different scales. In order to improve the convergence rate of the algorithm, the individual of Drosophila melanogaster at the location of poor taste concentration is searched globally. In order to improve the convergence accuracy, the individual of Drosophila melanogaster at the optimal location of flavor concentration further searched the local area to improve the convergence accuracy. By comparing the results of RTLFOA and other algorithms to test the convergence of reference function. It is proved that RTLFOA can effectively improve the convergence speed and accuracy. The near neighbor propagation clustering algorithm is Affinity Propagation. App) is an unsupervised learning clustering algorithm. There is no need to specify the number of clustering and processing large data sets has better clustering results, but AP clustering algorithm is difficult to set the bias parameters.) based on the global search ability of swarm intelligence optimization algorithm. First of all, an optimization algorithm for Drosophila based on differential distance is proposed (. Fruit Fly Optimization Algorithm based on Differential Distance. FOADD).FOADD algorithm makes Drosophila at the same distance from origin to move at the same time, avoids invalid movement, and improves search efficiency. 2) Fast search ability based on FOADD. A neighbor propagation clustering algorithm, Affinity Propagation based on FOADD, is proposed based on the optimization of the differential distance of Drosophila melanogaster. AP-FOADD. to optimize the bias parameters in the search space, and use the classical data set to test. According to the Silhouette validity index and clustering results to prove its validity. Based on the AP-FOADD clustering algorithm, the stock market block is analyzed. In this paper, 112 listed companies in Beijing are selected. And taking four financial indexes which can reflect the profitability of listed companies as the research object, this paper analyzes the business ability and development potential of listed companies through clustering results. According to the annual report of listed companies, the validity of clustering results is proved, which provides a theoretical basis for investors to invest portfolio and avoid investment risk.
【學位授予單位】：長春工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：F832.51;TP311.13

【相似文獻】

相關期刊論文 前10條

1 何小賢,朱云龍,王玫;群體智能中的知識涌現(xiàn)與復雜適應性問題綜述研究[J];信息與控制;2005年05期

2 張燕,康琦,汪鐳,吳啟迪;群體智能[J];冶金自動化;2005年02期

3 楊東升;康琦;劉波;汪鐳;吳啟迪;;面向生產(chǎn)系統(tǒng)的殘次品主次成因的群體智能分析[J];智能系統(tǒng)學報;2009年06期

4 余建平;周新民;陳明;;群體智能典型算法研究綜述[J];計算機工程與應用;2010年25期

5 吳尤可;王田;;基于蟻群群體智能理論的創(chuàng)新政策擴散研究[J];科學學與科學技術管理;2014年04期

6 凌海峰,楊善林,劉業(yè)政;基于群體智能的蟻群算法研究[J];合肥工業(yè)大學學報(自然科學版);2005年06期

7 黃應申;;群體智能在圖書館信息化改造中的應用[J];圖書館學刊;2009年08期

8 王芳;謝克明;劉建霞;;基于群體智能的思維進化算法設計[J];控制與決策;2010年01期

9 陳世明,方華京;大規(guī)模智能群體的建模及穩(wěn)定性分析[J];控制與決策;2005年05期

10 陳云飛,劉玉樹,錢越英,趙基海;一種基于密度的啟發(fā)性群體智能聚類算法[J];北京理工大學學報;2005年01期

相關會議論文 前5條

1 孫長銀;馮純伯;夏良正;;群體智能——最優(yōu)化技術的一種新的有效實現(xiàn)模式[A];全國自動化新技術學術交流會會議論文集（一）[C];2005年

2 安靜;康琦;汪鐳;吳啟迪;;群體智能及其在BPR中的應用[A];《制造業(yè)自動化與網(wǎng)絡化制造》學術交流會論文集[C];2004年

3 張國英;周俊武;沙蕓;;基于約束懲罰的群體智能聚類算法[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

4 安靜;康琦;汪鐳;吳啟迪;;群體智能及其在BPR中的應用[A];先進制造技術論壇暨第三屆制造業(yè)自動化與信息化技術交流會論文集[C];2004年

5 康琦;楊東升;汪鐳;吳啟迪;;半導體封裝作業(yè)調(diào)度的群體智能近似動態(tài)優(yōu)化[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

相關博士學位論文 前6條

1 王康平;群體智能新方法在優(yōu)化和模擬中的研究[D];吉林大學;2008年

2 薛晗;不確定規(guī)劃的群體智能計算[D];國防科學技術大學;2010年

3 王學厚;群體智能優(yōu)化的計算模式和方法研究與應用[D];華北電力大學;2011年

4 王巧靈;基于群體智能混合優(yōu)化算法的研究[D];哈爾濱工業(yè)大學;2010年

5 高政威;模擬生物群體智能的優(yōu)化方法及其應用研究[D];東北大學;2012年

6 張曉明;基于種子傳播方式和植物分布演化的種子優(yōu)化算法研究[D];中國科學技術大學;2011年

相關碩士學位論文 前10條

1 宋建國;果蠅優(yōu)化算法的改進研究[D];江西理工大學;2015年

2 唐超宇;基于群體智能的超多目標優(yōu)化算法研究[D];深圳大學;2016年

3 劉志江;基于群體智能的微博公眾情感預測方法[D];華中科技大學;2015年

4 邱兵;基于群體智能聚類研究及其在股市板塊分析中的應用[D];長春工業(yè)大學;2017年

5 劉運源;混沌群體智能及其優(yōu)化算法的研究和應用[D];武漢科技大學;2008年

6 束建華;群體智能及其在分布式知識管理中的應用研究[D];合肥工業(yè)大學;2007年

7 王會穎;蟻群算法及群體智能的應用研究[D];安徽大學;2007年

8 劉瓊;基于群體智能的聚類算法研究[D];長沙理工大學;2010年

9 張文斌;群體智能涌現(xiàn)在網(wǎng)絡輿情預測中的應用[D];西南交通大學;2011年

10 趙磊;基于群體智能的分子對接算法研究與實現(xiàn)[D];大連理工大學;2013年

，

本文編號：1455984