数据挖掘方法及其在证券市场中的应用PDF电子书下载

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