發(fā)布時間：2021-05-07 23:13

　　時間序列是按特定時間間隔采樣得到的數據點構成的序列,廣泛存在于現實生活中的各種領域,股票交易數據就是典型的時間序列。對股票歷史交易數據進行有效地分析具有重要的現實意義,有助于人們理解數據背后的規(guī)律和知識,為投資者輔助決策。股市具有高風險高收益的特點,對其進行預測可以降低投資風險,產生巨大的經濟價值,股票價格預測一直以來都是金融時間序列分析研究中的熱門課題。分析了股票市場的特點和常見的預測方法,提出了基于模式搜索的時間序列預測方法,該方法不同于傳統的股票分析方法,它可以適應復雜變化的股票數據,能夠對多維數據做出預測并給出置信區(qū)間。設計出一個易于使用的預測分析軟件,它可以將當前股票的模式與歷史數據進行對比,找出所有相似的歷史數據,并以此猜測出未來的價格趨勢。最后,結合真實的股票歷史數據驗證了系統的有效性。主要研究內容如下:（1）分析原始數據的特點,對時間序列數據、分類定義數據、事件數據進行采集并存儲到文檔數據庫中,設計數據采集策略和邏輯存儲結構。分析數據預處理的功能需求,開發(fā)了一組用于實現預處理功能的命令行工具。（2）研究常用的序列相似性度量方法和規(guī)范化方法,定義相似度得分和多維相似度,詳... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 當前研究現狀
    1.3 主要研究內容
    1.4 論文組織結構
第2章 原始數據采集與預處理
    2.1 原始數據的特點
    2.2 ETL工具介紹
    2.3 數據采集功能實現
    2.4 數據存儲設計
        2.4.1 數據庫系統選擇
        2.4.2 邏輯存儲結構
    2.5 預處理功能需求
    2.6 預處理軟件實現
    2.7 本章小結
第3章 基于相似搜索的預測方法
    3.1 關鍵概念定義
        3.1.1 數據集和時間序列定義
        3.1.2 模式搜索定義
    3.2 序列相似性度量
        3.2.1 常用的度量方法
        3.2.2 度量方法的選擇
        3.2.3 相似度得分
        3.2.4 多維序列相似性度量方法
    3.3 序列規(guī)范化
    3.4 搜索過濾條件
    3.5 時間序列相似搜索
        3.5.1 一維模式搜索
        3.5.2 搜索結果收集算法
        3.5.3 多維模式搜索
        3.5.4 數據分段并行
    3.6 時間序列預測
        3.6.1 多維序列預測算法
        3.6.2 預測參數設置
    3.7 預測效果評價方法
    3.8 本章小結
第4章 對股票預測的應用研究
    4.1 股票價格預測的方法
        4.1.1 影響股價的因素
        4.1.2 傳統的預測方法
        4.1.3 基于相似搜索的股價預測
    4.2 股票分析軟件設計
        4.2.1 軟件功能需求
        4.2.2 系統架構
        4.2.3 股票數據導入
    4.3 股票分析軟件應用
        4.3.1 股票價格搜索和預測
        4.3.2 量價組合搜索和預測
        4.3.3 多股關聯搜索和預測
        4.3.4 預測效果評價
    4.4 本章小結
結論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于K線序列相似性搜索的股票價格預測[J]. 呂濤,郝泳濤.  計算機應用. 2017(S2)
[2]影響股票收益的基本面因子略探——基于中小板上市公司的實證分析[J]. 周亮.  金融理論與實踐. 2017(02)
[3]基于RBM的神經網絡時間序列預測[J]. 寇茜茜,何希平.  數學的實踐與認識. 2016(09)
[4]ARIMA和RBF神經網絡相融合的股票價格預測研究[J]. 俞國紅,楊德志,叢佩麗.  計算機工程與應用. 2013(18)
[5]基于ARMA模型的中國農產品價格的分析與預警[J]. 羅永恒.  經濟數學. 2013(01)
[6]基于ARIMA-SVM組合模型的股票價格預測[J]. 程昌品,陳強,姜永生.  計算機仿真. 2012(06)
[7]股票價格預測的建模與仿真研究[J]. 王唯賢,陳利軍.  計算機仿真. 2012(01)
[8]神經網絡在股票價格預測中的研究[J]. 鄭睿穎,伍應環(huán).  計算機仿真. 2011(10)
[9]基于多維形態(tài)特征表示的時間序列相似性度量[J]. 李海林,郭崇慧.  系統工程理論與實踐. 2013(04)
[10]基于PCA-BP神經網絡的股票價格預測研究[J]. 蔡紅,陳榮耀.  計算機仿真. 2011(03)

碩士論文
[1]形態(tài)特征計算的時序自回歸股市預測算法[D]. 艾劉可.合肥工業(yè)大學 2017
[2]基于數據挖掘方法的股票預測系統[D]. 郝知遠.南京理工大學 2017
[3]基于小波消噪的股票價格指數ARIMA模型擬合與預測[D]. 閆芳.江西財經大學 2016
[4]基于相似漲落模式的時間序列預測研究[D]. 湯子健.合肥工業(yè)大學 2016
[5]人工神經網絡在股票預測中的應用[D]. 胡照躍.中北大學 2016
[6]匹配相似搜索研究[D]. 任建新.寧波大學 2015
[7]面向時間序列相似性的序列模式挖掘及應用[D]. 廖清科.重慶交通大學 2015
[8]基于時間序列分析技術的預測模型設計與應用[D]. 莫增文.中國科學院大學（工程管理與信息技術學院） 2014
[9]基于時間序列相似性的股價趨勢預測研究[D]. 孫建樂.重慶交通大學 2014
[10]基于DTW距離的兩步式時間序列相似搜索[D]. 歐陽一村.中山大學 2010



本文編號：3174220