金融數(shù)據是金融市場運行的核心,人們若需要掌握金融市場的發(fā)展趨勢,就應在海量的金融數(shù)據中分析出其中的主要特點,實時掌握金融數(shù)據的走向趨勢。信息化的高速發(fā)展使得金融后臺本就龐大復雜的數(shù)據再次擴充,于是傳統(tǒng)的金融分析方式顯得捉襟見肘。因此,設計并實現(xiàn)了一款基于時間序列數(shù)據挖掘的金融數(shù)據分析系統(tǒng),以提高金融數(shù)據的服務質量,還能提高金融數(shù)據的管理效率,為金融數(shù)據管理人員提供更加便捷的服務。該金融數(shù)據分析系統(tǒng)在設計時,將該系統(tǒng)分為了數(shù)據采集與更新功能、金融咨詢信息管理功能、金融風險控制管理功能、智能挖掘與分析功能、金融數(shù)據監(jiān)控功能、股票關聯(lián)比較功能六大模塊。其中,在智能挖掘時建立了基于時間序列的數(shù)據挖掘風控模型。該模型的創(chuàng)新之處在于根據三種不同的等級對金融數(shù)據指標進行篩選,其中一級指標包含漲幅、市凈率,二級指標包含當日股價等數(shù)據、市盈率、凈利率、流入流出等,三級指標包含資產、毛利率、凈利潤。采用了基于時間序列的方法對這些指標進行挖掘,通過對數(shù)據運行過程中的平滑指數(shù)以及數(shù)據之間的差異指數(shù)進行計算,得到數(shù)據前期的預測值。為避免可能出現(xiàn)的局部影響,將誤差值導入計算公式中,獲取到指定的預測數(shù)值,通過移動平... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

數(shù)據采集與更新功能用例圖

工程碩士學位論文19數(shù)據進行操作，首先能夠利用數(shù)據采集子功能，將平臺上的金融數(shù)據集采過來，采集過來的數(shù)據系統(tǒng)會自動保存至數(shù)據管理子功能中，用戶需要查看數(shù)據時，在數(shù)據管理子功能上進行搜索即可找到。并且，系統(tǒng)還能在數(shù)據采集過后，針對采集到的數(shù)據進行更新，保證系統(tǒng)內部金融數(shù)據的時效性。在金融數(shù)據管理人員需要進行數(shù)據采集時，管理人員可利用該功能選擇采集的數(shù)據源，針對數(shù)據源進行有效數(shù)據的采取，系統(tǒng)會通過時間序列數(shù)據挖掘技術，對指定的數(shù)據源進行金融數(shù)據的采集，在采集成功后，系統(tǒng)會將采集成功的數(shù)據展示于系統(tǒng)上，用戶即可立即查看到已采集數(shù)據的詳細信息。圖3-2為數(shù)據采集流程圖。圖3-2數(shù)據采集流程圖3.3.2金融咨詢信息管理功能模塊需求分析在金融咨詢信息管理功能中，包含信息搜索、信息訂閱、本地管理三項子功能。用戶能夠在該功能上進行金融咨詢信息的搜索，將需要的金融數(shù)據搜索出來，在必要的時候，用戶還能利用信息訂閱子功能，將某咨詢信息進行訂閱。用戶只需要將某咨詢信息訂閱成功后，在下次需要查看該信息時，進入該訂閱信息中即可查看到相關內容。并且，用戶還能將自己需要的金融咨詢信息下載到本地，在本地管理子功能就可查看到已下載的金融咨詢信息。圖3-3為金融咨詢信息管理用例圖。

基于時間序列數(shù)據挖掘的金融數(shù)據分析系統(tǒng)研究與實現(xiàn)20圖3-3金融咨詢信息管理功能用例圖圖3-4為信息訂閱流程圖。圖3-4信息訂閱流程圖在金融咨詢信息管理功能中，用戶能夠在已訂閱的咨詢信息里選擇需要查看的金融咨詢信息，系統(tǒng)會通過后臺程序，將用戶所需查看的金融咨詢信息內容展示于系統(tǒng)中，用戶能夠查看到相關的信息。3.3.3金融風險控制管理功能模塊需求分析在金融風險控制管理功能中，包含確立管理目標、風險評估、風險控制等三項子功能。用戶若需要進行金融風險控制，首先應在該功能上確立管理的目標，然后對該目標進行風險評估，最后在風險控制子功能中對目標的風險值進行管控。該功能包含完善的金融風險控制功能操作，可為用戶提供有效識別金融風險的方法，還能保證風險識別的精準度，提高金融風險控制的科學性。圖3-5為金融風險控制管理功能用例圖。

【參考文獻】：
期刊論文
[1]基于ARIMA和BP神經網絡組合模型的能源消費預測[J]. 謝小軍,邱云蘭,時凌.  數(shù)學的實踐與認識. 2019(10)
[2]基于ARMA誤差修正的LM-BP模型的風功率預測[J]. 梁濤,楊改文,姜文,李永強.  高技術通訊. 2019(05)
[3]采用卷積神經網絡的老年人跌倒檢測系統(tǒng)設計[J]. 呂艷,張萌,姜吳昊,倪益華,錢小鴻.  浙江大學學報(工學版). 2019(06)
[4]多時間尺度時間序列趨勢預測[J]. 王金策,鄧越萍,史明,周云飛.  計算機應用. 2019(04)
[5]云平臺下時間序列數(shù)據并行化排列熵特征提取方法[J]. 楊鵬,申洪濤,陶鵬,馮波,張洋瑞,王立斌.  電力自動化設備. 2019(04)
[6]基于ASP. NET框架的機件產品質量可追朔系統(tǒng)設計（英文）[J]. 肖宏啟.  機床與液壓. 2019(06)
[7]基于實例的遷移時間序列異常檢測算法研究[J]. 王偉,沈旭東.  信息網絡安全. 2019(03)
[8]科技金融對我國高技術產業(yè)區(qū)域創(chuàng)新效率影響分析[J]. 陳珊.  經濟問題探索. 2019(03)
[9]基于APS.NET的船舶航道信息管理系統(tǒng)[J]. 韋銀.  艦船科學技術. 2019(04)
[10]基于時間序列聚類和LSSVM的隧道拱頂位移預測[J]. 楊清浩,胡雄玉,陳子全.  公路工程. 2019(01)



本文編號：3073408