近些年國(guó)家日新月異的發(fā)展,股票市場(chǎng)經(jīng)歷著巨大變化�，F(xiàn)在股票市場(chǎng)的數(shù)據(jù)規(guī)模已非常龐大、復(fù)雜,且容易受市場(chǎng)行情、國(guó)內(nèi)政策和投資者情緒等因素的影響,隨機(jī)性較強(qiáng),給股票的預(yù)測(cè)研究帶來了難度。數(shù)據(jù)挖掘結(jié)合了統(tǒng)計(jì)學(xué)、計(jì)算機(jī)學(xué)和機(jī)器學(xué)習(xí)等多門學(xué)科,可以從龐大的數(shù)據(jù)中搜索挖掘出有效信息,用于支持投資者的決策,為股票數(shù)據(jù)分析提供了有效途徑,因此采用數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測(cè)非常有意義。論文首先搜集了股票的27個(gè)技術(shù)指標(biāo)數(shù)據(jù)并進(jìn)行了指標(biāo)挖掘,然后建立BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)模型對(duì)個(gè)股羅牛山、海南高速和大盤深證成指進(jìn)行了預(yù)測(cè)研究與分析,再針對(duì)所建立的網(wǎng)絡(luò)模型的不足采用了遺傳算法進(jìn)行了優(yōu)化。數(shù)據(jù)挖掘技術(shù)研究股票預(yù)測(cè)非常有應(yīng)用價(jià)值,其創(chuàng)新性研究成果如下所述:（1）針對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入變量是否合理的問題,提出采用Apriori算法來分析股票技術(shù)指標(biāo)間的關(guān)聯(lián),確定了與股票次日收盤價(jià)相關(guān)聯(lián)的指標(biāo)。預(yù)測(cè)個(gè)股羅牛山和海南高速時(shí)神經(jīng)網(wǎng)絡(luò)模型的輸入變量為前一日的最高價(jià)、最低價(jià)、開盤價(jià)、收盤價(jià)、成交量、成交額、換手率、MA1、MA2、MA3和BOLL,共11個(gè)指標(biāo)。預(yù)測(cè)大盤深證成指時(shí)輸入變量為前一日的最高價(jià)、最低價(jià)、開盤價(jià)、收... 

【文章來源】：海南大學(xué)海南省 211工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文組織結(jié)構(gòu)

海南大學(xué)碩士學(xué)位論文253.2.4關(guān)聯(lián)分析針對(duì)上述進(jìn)行預(yù)處理后的股票羅牛山數(shù)據(jù)，選擇運(yùn)用clementine軟件使用Apriori算法對(duì)27個(gè)主要指標(biāo)進(jìn)行關(guān)聯(lián)規(guī)則分析，挖掘出與收盤價(jià)關(guān)聯(lián)性強(qiáng)的指標(biāo)。由于本章節(jié)主要是挖掘選取與收盤價(jià)關(guān)聯(lián)的指標(biāo)，因此這里選擇收盤價(jià)作為后項(xiàng)Y，剩余指標(biāo)作為前項(xiàng)X，人為設(shè)置最小支持度min-sup閾值為29%，最小置信度min-con閾值為75%。(1)羅牛山的關(guān)聯(lián)分析結(jié)果如圖3-5所示，因本文分析研究的是股票次日收盤價(jià)，在與最小支持度min-sup閾值和最小置信度min-con閾值比較后，最后選取的指標(biāo)為前一日的最高價(jià)、最低價(jià)、開盤價(jià)、收盤價(jià)、成交量、成交額、換手率、MA1、MA2、MA3和BOLL，共11個(gè)指標(biāo)。圖3-5羅牛山的關(guān)聯(lián)分析結(jié)果Fig.3-5ResultsofassociationanalysisofLuoNiushan(2)海南高速的關(guān)聯(lián)分析結(jié)果如圖3-6所示，最后選取的指標(biāo)為前一日的最高價(jià)、最低價(jià)、開盤價(jià)、收盤價(jià)、成交量、成交額、換手率、MA1、MA2、MA3和BOLL，共11個(gè)指標(biāo)。

基于數(shù)據(jù)挖掘技術(shù)的股票預(yù)測(cè)研究與應(yīng)用26圖3-6海南高速的關(guān)聯(lián)分析結(jié)果Fig.3-6ResultsofassociationanalysisofHainanExpressway(3)深證成指的關(guān)聯(lián)分析結(jié)果如圖3-7所示，最后選取的指標(biāo)為前一日的最高價(jià)、最低價(jià)、開盤價(jià)、收盤價(jià)、成交額、MA1、MA2、MA3、BOLL、OBV和RSI3，共11個(gè)指標(biāo)。圖3-7深證成指的關(guān)聯(lián)分析結(jié)果Fig.3-7AssociationanalysisresultsoftheSZSEComponentIndex3.2.5仿真結(jié)果與分析

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)剪枝的關(guān)聯(lián)規(guī)則隱藏算法[J]. 龔晨,龔博.  黑龍江工業(yè)學(xué)院學(xué)報(bào)(綜合版). 2019(07)
[2]一種改進(jìn)遺傳算法及驗(yàn)證[J]. 魏曉玲.  電腦編程技巧與維護(hù). 2019(06)
[3]改進(jìn)的關(guān)聯(lián)規(guī)則挖掘算法——MIFP-Apriori算法[J]. 曾子賢,鞏青歌,張俊.  科學(xué)技術(shù)與工程. 2019(16)
[4]基于改進(jìn)遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化研究[J]. 文常保,馬文博,劉鵬里.  計(jì)算機(jī)工程與科學(xué). 2019(05)
[5]基于改進(jìn)的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J]. 蘇崇宇,汪毓鐸.  工業(yè)控制計(jì)算機(jī). 2019(01)
[6]實(shí)數(shù)編碼遺傳算法的改進(jìn)及并行化實(shí)現(xiàn)[J]. 劉振鵬,王雪峰,薛雷,張彬,張壽華.  河北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[7]基于正交實(shí)驗(yàn)的塑料件優(yōu)化設(shè)計(jì)研究[J]. 成薇,徐以國(guó).  上海汽車. 2019(01)
[8]基于Apriori關(guān)聯(lián)規(guī)則的信息技術(shù)相關(guān)股票數(shù)據(jù)分析[J]. 段玉曉.  科技經(jīng)濟(jì)導(dǎo)刊. 2018(31)
[9]基于關(guān)聯(lián)規(guī)則挖掘Apriori算法的改進(jìn)算法[J]. 周凱,顧洪博,李愛國(guó).  陜西理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[10]關(guān)于股市的一些認(rèn)識(shí)[J]. 蘇文華.  現(xiàn)代經(jīng)濟(jì)信息. 2018(12)

碩士論文
[1]基于GA-BP神經(jīng)網(wǎng)絡(luò)的多日股票價(jià)格預(yù)測(cè)[D]. 郭盼盼.鄭州大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[D]. 劉雯琦.西安建筑科技大學(xué) 2018
[3]BP神經(jīng)網(wǎng)絡(luò)模型對(duì)股票市場(chǎng)預(yù)測(cè)的應(yīng)用及實(shí)證分析[D]. 王晶.南京財(cái)經(jīng)大學(xué) 2018
[4]基于數(shù)據(jù)挖掘技術(shù)的股票選擇分析[D]. 黃悅.北京外國(guó)語大學(xué) 2017
[5]基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)模型[D]. 任浩然.延安大學(xué) 2017
[6]基于數(shù)據(jù)挖掘技術(shù)的股票市場(chǎng)分析與預(yù)測(cè)[D]. 靳雨佳.吉林財(cái)經(jīng)大學(xué) 2017
[7]基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)模型應(yīng)用分析[D]. 石茜子.暨南大學(xué) 2017
[8]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)算法的綜合選股實(shí)證研究[D]. 蘭強(qiáng)太.暨南大學(xué) 2017
[9]基于因子分析的BP神經(jīng)網(wǎng)絡(luò)股指預(yù)測(cè)[D]. 石志成.云南大學(xué) 2017
[10]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)[D]. 劉慶霞.蘇州大學(xué) 2017



本文編號(hào)：3242406