本文關(guān)鍵詞： 數(shù)據(jù)挖掘 股市板塊 果蠅優(yōu)化算法 近鄰傳播聚類算法 實(shí)時(shí)學(xué)習(xí) 差異化距離　出處：《長(zhǎng)春工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：大數(shù)據(jù)時(shí)代背景下,股票市場(chǎng)產(chǎn)生的數(shù)據(jù)越來(lái)越多,傳統(tǒng)分析方法已很難滿足現(xiàn)代對(duì)股市板塊分析的需求,如何從海量股票數(shù)據(jù)中挖掘出有用信息,并對(duì)股市板塊進(jìn)行分析和預(yù)測(cè)成為了一個(gè)重要的研究課題。數(shù)據(jù)挖掘作為一種新的數(shù)據(jù)技術(shù)在此環(huán)境背景下迅速發(fā)展,為開發(fā)數(shù)據(jù)信息資源做出重大貢獻(xiàn)。聚類是一種無(wú)監(jiān)督學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù),可以充分地分析數(shù)據(jù)內(nèi)部特征和數(shù)據(jù)間的聯(lián)系。通過(guò)形成的多個(gè)簇,挖掘出數(shù)據(jù)之間潛在的聯(lián)系與特征,避免直面龐大的數(shù)據(jù)集。群體智能算法是一種演化計(jì)算技術(shù),具有實(shí)現(xiàn)簡(jiǎn)單、收斂速度快、全局收斂性優(yōu)等優(yōu)點(diǎn),已受到越來(lái)越多國(guó)內(nèi)外專家和學(xué)者的關(guān)注。群體智能優(yōu)化算法是人工智能的一個(gè)重要分支,與人工生命聯(lián)系緊密。通過(guò)模擬自然界生物群體的各種行為,利用個(gè)體之間的信息傳遞和合作實(shí)現(xiàn)尋優(yōu)的目的。果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm,FOA)是群體智能優(yōu)化算法的一種,因其尋優(yōu)精度高且設(shè)置參數(shù)少,已經(jīng)廣泛應(yīng)用到多個(gè)領(lǐng)域。但是FOA仍然存在不足:FOA在處理復(fù)雜函數(shù)問(wèn)題時(shí),收斂速度減慢,且收斂精度降低。針對(duì)此問(wèn)題提出一種實(shí)時(shí)學(xué)習(xí)的果蠅優(yōu)化算法(A Real-Time Learning Fruit Fly Optimization Algorithm,RTLFOA)。RTLFOA通過(guò)實(shí)時(shí)的獲取種群知識(shí),在種群陷入早熟時(shí),通過(guò)獲取的種群經(jīng)驗(yàn)引導(dǎo)果蠅群體進(jìn)行不同尺度的變異。變異后,味道濃度較差位置處的果蠅個(gè)體進(jìn)行全局搜索,提高算法的收斂速度;味道濃度較優(yōu)位置處的果蠅個(gè)體進(jìn)一步對(duì)局部區(qū)域進(jìn)行搜索,提高收斂精度。通過(guò)比較RTLFOA與其它算法對(duì)基準(zhǔn)函數(shù)收斂性的測(cè)試結(jié)果,證明了RTLFOA有效的提高了收斂速度和收斂精度。近鄰傳播聚類算法(Affinity Propagation,AP)是一種無(wú)監(jiān)督學(xué)習(xí)的聚類算法,不必指定聚類數(shù)目且處理大規(guī)模數(shù)據(jù)集具有較好的聚類結(jié)果。但是AP聚類算法的偏向參數(shù)設(shè)置難度大。(1)基于群體智能優(yōu)化算法的全局搜索能力,首先提出基于差異化距離的果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm based on Differential Distance,FOADD)。FOADD算法使距離原點(diǎn)相同距離處的果蠅同時(shí)移動(dòng),避免了無(wú)效移動(dòng),提高算法的搜索效率。(2)基于FOADD的快速搜索能力,提出基于差異化距離果蠅優(yōu)化的近鄰傳播聚類算法(Affinity Propagation based on FOADD,AP-FOADD)。在搜索空間內(nèi)對(duì)偏向參數(shù)進(jìn)行尋優(yōu),并使用經(jīng)典數(shù)據(jù)集進(jìn)行測(cè)試,根據(jù)Silhouette有效性指標(biāo)與聚類結(jié)果證明其有效性。基于AP-FOADD聚類算法,對(duì)股市板塊進(jìn)行分析。本文選取了112家北京上市公司,并以四項(xiàng)可以反映上市公司盈利能力的財(cái)務(wù)指標(biāo)為研究對(duì)象,對(duì)上市公司聚類。通過(guò)聚類結(jié)果對(duì)上市公司的經(jīng)營(yíng)能力、發(fā)展?jié)摿M(jìn)行分析,并根據(jù)上市公司年度報(bào)告證明聚類結(jié)果的有效性,為投資者提供投資組合、規(guī)避投資風(fēng)險(xiǎn)提供理論依據(jù)。
[Abstract]:Under the background of big data era, more and more data are produced in the stock market. The traditional analysis method has been difficult to meet the needs of the modern stock market plate analysis, how to extract useful information from the massive stock data. And the analysis and prediction of the stock market has become an important research topic. As a new data technology, data mining is developing rapidly in this environment. Clustering is an unsupervised learning data mining technology, which can fully analyze the relationship between the internal characteristics of data and data. Through the formation of multiple clusters. In order to avoid facing the huge data set, swarm intelligence algorithm is a kind of evolutionary computing technology, which has the advantages of simple implementation, fast convergence speed and excellent global convergence. Swarm intelligence optimization algorithm is an important branch of artificial intelligence, which is closely related to artificial life. Fruit Fly Optimization Algorithm was optimized by using the information transmission and cooperation among individuals. FOAis a kind of swarm intelligence optimization algorithm, which has been widely used in many fields because of its high precision and low parameter setting. However, FOA still has shortcomings in dealing with complex function problems. The rate of convergence slows down. And the convergence accuracy is reduced. A real-time learning algorithm for Drosophila is proposed. A Real-Time Learning Fruit Fly Optimization Algorithm. RTLFOA).RTLFOA acquires population knowledge in real time. When the population falls into early maturity, the acquired population experience leads Drosophila populations to mutate on different scales. In order to improve the convergence rate of the algorithm, the individual of Drosophila melanogaster at the location of poor taste concentration is searched globally. In order to improve the convergence accuracy, the individual of Drosophila melanogaster at the optimal location of flavor concentration further searched the local area to improve the convergence accuracy. By comparing the results of RTLFOA and other algorithms to test the convergence of reference function. It is proved that RTLFOA can effectively improve the convergence speed and accuracy. The near neighbor propagation clustering algorithm is Affinity Propagation. App) is an unsupervised learning clustering algorithm. There is no need to specify the number of clustering and processing large data sets has better clustering results, but AP clustering algorithm is difficult to set the bias parameters.) based on the global search ability of swarm intelligence optimization algorithm. First of all, an optimization algorithm for Drosophila based on differential distance is proposed (. Fruit Fly Optimization Algorithm based on Differential Distance. FOADD).FOADD algorithm makes Drosophila at the same distance from origin to move at the same time, avoids invalid movement, and improves search efficiency. 2) Fast search ability based on FOADD. A neighbor propagation clustering algorithm, Affinity Propagation based on FOADD, is proposed based on the optimization of the differential distance of Drosophila melanogaster. AP-FOADD. to optimize the bias parameters in the search space, and use the classical data set to test. According to the Silhouette validity index and clustering results to prove its validity. Based on the AP-FOADD clustering algorithm, the stock market block is analyzed. In this paper, 112 listed companies in Beijing are selected. And taking four financial indexes which can reflect the profitability of listed companies as the research object, this paper analyzes the business ability and development potential of listed companies through clustering results. According to the annual report of listed companies, the validity of clustering results is proved, which provides a theoretical basis for investors to invest portfolio and avoid investment risk.
【學(xué)位授予單位】：長(zhǎng)春工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F832.51;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何小賢,朱云龍,王玫;群體智能中的知識(shí)涌現(xiàn)與復(fù)雜適應(yīng)性問(wèn)題綜述研究[J];信息與控制;2005年05期

2 張燕,康琦,汪鐳,吳啟迪;群體智能[J];冶金自動(dòng)化;2005年02期

3 楊東升;康琦;劉波;汪鐳;吳啟迪;;面向生產(chǎn)系統(tǒng)的殘次品主次成因的群體智能分析[J];智能系統(tǒng)學(xué)報(bào);2009年06期

4 余建平;周新民;陳明;;群體智能典型算法研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2010年25期

5 吳尤可;王田;;基于蟻群群體智能理論的創(chuàng)新政策擴(kuò)散研究[J];科學(xué)學(xué)與科學(xué)技術(shù)管理;2014年04期

6 凌海峰,楊善林,劉業(yè)政;基于群體智能的蟻群算法研究[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年06期

7 黃應(yīng)申;;群體智能在圖書館信息化改造中的應(yīng)用[J];圖書館學(xué)刊;2009年08期

8 王芳;謝克明;劉建霞;;基于群體智能的思維進(jìn)化算法設(shè)計(jì)[J];控制與決策;2010年01期

9 陳世明,方華京;大規(guī)模智能群體的建模及穩(wěn)定性分析[J];控制與決策;2005年05期

10 陳云飛,劉玉樹,錢越英,趙基海;一種基于密度的啟發(fā)性群體智能聚類算法[J];北京理工大學(xué)學(xué)報(bào);2005年01期

相關(guān)會(huì)議論文 前5條

1 孫長(zhǎng)銀;馮純伯;夏良正;;群體智能——最優(yōu)化技術(shù)的一種新的有效實(shí)現(xiàn)模式[A];全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)議論文集（一）[C];2005年

2 安靜;康琦;汪鐳;吳啟迪;;群體智能及其在BPR中的應(yīng)用[A];《制造業(yè)自動(dòng)化與網(wǎng)絡(luò)化制造》學(xué)術(shù)交流會(huì)論文集[C];2004年

3 張國(guó)英;周俊武;沙蕓;;基于約束懲罰的群體智能聚類算法[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

4 安靜;康琦;汪鐳;吳啟迪;;群體智能及其在BPR中的應(yīng)用[A];先進(jìn)制造技術(shù)論壇暨第三屆制造業(yè)自動(dòng)化與信息化技術(shù)交流會(huì)論文集[C];2004年

5 康琦;楊東升;汪鐳;吳啟迪;;半導(dǎo)體封裝作業(yè)調(diào)度的群體智能近似動(dòng)態(tài)優(yōu)化[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

相關(guān)博士學(xué)位論文 前6條

1 王康平;群體智能新方法在優(yōu)化和模擬中的研究[D];吉林大學(xué);2008年

2 薛晗;不確定規(guī)劃的群體智能計(jì)算[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

3 王學(xué)厚;群體智能優(yōu)化的計(jì)算模式和方法研究與應(yīng)用[D];華北電力大學(xué);2011年

4 王巧靈;基于群體智能混合優(yōu)化算法的研究[D];哈爾濱工業(yè)大學(xué);2010年

5 高政威;模擬生物群體智能的優(yōu)化方法及其應(yīng)用研究[D];東北大學(xué);2012年

6 張曉明;基于種子傳播方式和植物分布演化的種子優(yōu)化算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 宋建國(guó);果蠅優(yōu)化算法的改進(jìn)研究[D];江西理工大學(xué);2015年

2 唐超宇;基于群體智能的超多目標(biāo)優(yōu)化算法研究[D];深圳大學(xué);2016年

3 劉志江;基于群體智能的微博公眾情感預(yù)測(cè)方法[D];華中科技大學(xué);2015年

4 邱兵;基于群體智能聚類研究及其在股市板塊分析中的應(yīng)用[D];長(zhǎng)春工業(yè)大學(xué);2017年

5 劉運(yùn)源;混沌群體智能及其優(yōu)化算法的研究和應(yīng)用[D];武漢科技大學(xué);2008年

6 束建華;群體智能及其在分布式知識(shí)管理中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2007年

7 王會(huì)穎;蟻群算法及群體智能的應(yīng)用研究[D];安徽大學(xué);2007年

8 劉瓊;基于群體智能的聚類算法研究[D];長(zhǎng)沙理工大學(xué);2010年

9 張文斌;群體智能涌現(xiàn)在網(wǎng)絡(luò)輿情預(yù)測(cè)中的應(yīng)用[D];西南交通大學(xué);2011年

10 趙磊;基于群體智能的分子對(duì)接算法研究與實(shí)現(xiàn)[D];大連理工大學(xué);2013年

，

本文編號(hào)：1455984