對具有時間屬性的數(shù)據(jù)進行數(shù)據(jù)挖掘稱為時態(tài)數(shù)據(jù)挖掘,用以發(fā)現(xiàn)數(shù)據(jù)在時間上的知識,當數(shù)據(jù)變化不規(guī)律時,如股票交易數(shù)據(jù),就很難發(fā)現(xiàn)有價值的規(guī)律與規(guī)則。而神經(jīng)網(wǎng)絡具有并行、容錯、可以硬件實現(xiàn)以及自我學習的優(yōu)點,可作為股票分類預測應用的一種方法。通過將股票數(shù)據(jù)與時態(tài)型相結合,將股票數(shù)據(jù)轉換成時態(tài)型股票數(shù)據(jù),提出時態(tài)神經(jīng)網(wǎng)絡模型的分類方法,對收集的若干上市公司十年內(nèi)的股票數(shù)據(jù)進行分析,構建了時態(tài)股票數(shù)據(jù)神經(jīng)網(wǎng)絡分類器對股票進行分類預測。經(jīng)過實驗驗證,相比改進前的神經(jīng)網(wǎng)絡和支持向量機方法,該分類器具有更高的分類準確率。結果證明,這種時態(tài)數(shù)據(jù)神經(jīng)網(wǎng)絡模型對于多只股票的分類預測是非常有效的,可以很好地運用到股票市場的分類預測中。 

【文章來源】：計算機工程與應用. 2019,55(15)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

各神經(jīng)網(wǎng)絡準確率對比圖

【參考文獻】：
期刊論文
[1]基于理性指標的馬爾可夫鏈股市態(tài)勢預測方法[J]. 姚宏亮,張遠濤,王浩,李俊照.  計算機工程與應用. 2017(22)
[2]用于非線性時間序列預測的POD-RBF神經(jīng)網(wǎng)絡[J]. 吳春國,朱世釗,汪秉宏,關昱航.  小型微型計算機系統(tǒng). 2013(08)
[3]基于AR模型的Kalman濾波在股票價格預測中的應用[J]. 金瑤,蔡之華.  統(tǒng)計與決策. 2013(06)
[4]模糊時間序列建模及股票市場多步預測[J]. 楊一文,藺玉佩.  計算機工程與應用. 2014(05)
[5]基于結構修剪神經(jīng)網(wǎng)絡的股票指數(shù)預測模型[J]. 孫彬,李鐵克,張文學.  計算機應用研究. 2011(08)
[6]基于核主元聚類的股票分類[J]. 余樂安,汪壽陽.  系統(tǒng)工程理論與實踐. 2009(12)
[7]基于PCA和Rough Set在股票分類中的研究[J]. 楊蒙召,趙春剛,顧澤元.  科學技術與工程. 2009(04)
[8]基于模糊神經(jīng)網(wǎng)絡的粗糙集在股市預測中的應用[J]. 葉德謙,馬志強,李幗,姜皇普.  計算機科學. 2008(04)

碩士論文
[1]基于PCA-NBC算法的股票分類研究[D]. 王志.蘭州大學 2014
[2]BP神經(jīng)網(wǎng)絡在股票預測中的應用研究[D]. 王莎.中南大學 2008



本文編號：3389518