数据挖掘方法及其在证券市场中的应用PDF|Epub|txt|kindle电子书版本网盘下载

数据挖掘方法及其在证券市场中的应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　绪论1

1.1　选题背景及课题来源1

1.2　研究意义3

1.3　主要工作及创新点4

1.4　研究思路与内容5

第2章　相关研究基础与文献综述9

2.1　数据挖掘技术9

2.1.1　数据挖掘模型的分类10

2.1.2　数据挖掘的主要方法和算法12

2.1.3　时态数据挖掘17

2.2　金融时间序列分析方法研究24

2.2.1　金融时间序列的传统分析方法24

2.2.2　混合方法26

2.2.3 传统时间序列分析挖掘方法的不足28

2.3　不确定性及其方法28

2.3.1 不确定性的定义29

2.3.2 造成不确定性的原因31

2.3.3　不确定性方法32

2.4　本章小结35

第3章　证券市场预测需求下新型数据挖掘方法的构建36

3.1　金融市场可预测性36

3.2　证券市场行情预测总体分析38

3.2.1 证券市场预测的分类41

3.2.2　研究对象的选择42

3.2.3　证券市场科学预测的研究方法43

3.3　不确定时态数据挖掘方法的构建52

3.3.1　数据挖掘技术的应用领域53

3.3.2 时间序列挖掘的研究领域55

3.3.3 不确定时态数据挖掘方法的基本思路59

3.4　证券市场行情预测研究方案的确定60

3.5　本章小结62

第4章　模糊相似关系下模糊粗糙集对股价的预测63

4.1　模糊粗糙集理论基础64

4.1.1　粗糙集理论基本概念65

4.1.2　模糊集理论基本概念68

4.1.3　模糊相似关系70

4.2　模糊相似关系下的模糊粗糙集72

4.2.1 模糊粗糙集近邻算法73

4.2.2 基于FRNN算法的聚类分类算法74

4.3　利用模糊粗糙集对证券市场进行预测75

4.3.1　股票价格序列预定义75

4.3.2　利用模糊粗糙集方法挖掘规则过程77

4.3.3　模糊粗糙集规则挖掘78

4.3.4 测试结果80

4.4　本章小结80

第5章　趋势特征挖掘对股价突变的预测82

5.1　时间序列相似性模式挖掘研究82

5.1.1　相似性度量83

5.1.2 欧氏距离的定义85

5.2　趋势特征挖掘预测方法构造过程87

5.2.1　特征提取平滑处理88

5.2.2　趋势特征抽取算法88

5.2.3　趋势特征聚类算法选择90

5.2.4　特征模式预测方法发现过程91

5.3　趋势特征挖掘方法在证券市场中的应用92

5.4　测试结果94

5.5　本章小结96

第6章　股票间时间序列模糊关联规则挖掘预测97

6.1　模糊数据挖掘技术97

6.2　时间序列关联规则挖掘方法99

6.2.1　Apriori算法100

6.2.2 时间序列关联规则挖掘基本步骤102

6.3　证券市场中时间序列模糊预处理过程103

6.3.1 模糊集核与支集的定义104

6.3.2　模糊集的隶属函数构造105

6.3.3　聚类方法的选择105

6.3.4　时间序列的模糊离散化106

6.4　时间序列模糊关联规则挖掘算法构造108

6.5　时间序列模糊关联规则在证券市场中的应用109

6.5.1 时间序列数据预处理110

6.5.2　规则抽取结果分析112

6.6　本章小结113

第7章 多灰色神经网络组合方法对股指的预测115

7.1　灰色系统理论及其技术116

7.1.1　灰色系统理论的形成116

7.1.2　灰色预测分类117

7.1.3　灰色理论在证券市场分析中的应用118

7.1.4 灰色理论在证券市场分析应用中的不足119

7.2　神经网络模型120

7.2.1　基本人工神经元及其网络121

7.2.2　神经网络的学习与训练122

7.3　多灰色神经网络组合预测模型建模过程123

7.3.1 带残差修正的灰色GM（1,1）模型125

7.3.2　无偏GM（1,1）模型127

7.3.3　pGM（1,1）模型128

7.3.4　BP神经网络129

7.3.5 多灰色神经网络组合预测模型134

7.4　组合预测方法实证分析136

7.4.1　灰色模型进行预测137

7.4.2　BP神经网络模型进行预测138

7.4.3 多灰色神经网络模型预测结果分析138

7.5　本章小结142

结论144

附录　相关算法部分程序源代码147

参考文献175

图1.1　研究结构图6

图2.1　不确定性的描述30

图3.1　不确定性方法、数据挖掘技术及金融时间序列的关系59

图3.2　证券市场行情预测的总体方案设计61

图5.1　影响序列相似性的常见因素84

图5.2 中牧股份股价变动时间序列93

图5.3　特征数量变化曲线95

图5.4　预测时段与预测精度曲线95

图7.1　一般前向神经网络结构122

图7.2　有指导学习原理图122

图7.3　人工神经元模型129

图7.4　组合预测模型结构图135

表2.1　几种不确定性方法的比较34

表4.1　变化率的粗集分类76

表4.2　预分类及分类等级值79

表4.3　2006年5月10日中牧股份预分类及分类等级值79

表4.4　13:30时刻的候选属性79

表4.5　5分钟数据测试结果80

表5.1 各时间段的相应趋势特征93

表6.1　股票行情的数据结构110

表6.2 中牧股份交易行情基本数据110

表6.3　部分预处理后的数据111

表6.4　部分模糊离散化结果111

表6.5　规则抽取部分实验结果112

表6.6　2007年11月5～25日期间的部分具体规则112

表7.1　预测精度等级划分127

表7.2　上证综指月均指数各模型模拟预测值138

表7.3　深证成指月均指数各模型模拟预测值140

表7.4　上证综指月均指数模型检验与评价141

表7.5　深证成指月均指数模型检验与评价141