期货数据挖掘算法的研究与应用
发布时间：2021-06-05 23:37
随着改革开放的逐步深化,金融市场的飞速发展,一些相关体制逐步得到完善,期货市场面临着良好的发展机遇,越来越多的企业、个人和机构投资者都加入到期货市场中来。如今,中国期货市场与世界期货市场的联系越来越密切,经济全球化对各国期货市场的竞争产生了巨大的影响。因而,建立期货市场来规避现货市场风险,加强对我国期货市场的理论研究十分必要,利用数据挖掘对期货交易数据进行价值信息的发掘亦成为其中最主要的问题。本文从划分消费客户的类别和预测产品价格两个方面进行了期货数据挖掘算法的研究。在重点掌握分类、预测、大数据、前端技术以及数据预处理的基础上,对比得出串并行下的FCM聚类和BP预测算法,实现了算法在Spark计算框架下的分布式运算,同时将改进算法应用于期货管理平台。首先,结合K-means与模糊聚类FCM等分类算法对期货交易客户进行特征分类,以标签形式描述客户画像。在BP神经网络的基础上应用遗传算法对算法进行改进,并将两种算法对多种产品价格的预测结果进行比较;然后,将验证可行的客户聚类和产品预测算法与大数据技术结合,对算法进行优化设计,以满足大数据环境下的应用效果,在搭建的Spark平台中对两种算法进...
【文章来源】：青岛科技大学山东省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
期货行情走势分析
青岛科技大学研究生学位论文9系用一种用户能够利用的方式来组织和表达。发布时要将活动的模型运用到鞭策制订的过程中去。图2-1所示为挖掘技术的操作步骤图。图2-1数据挖掘技术流程图Fig.2-1Flowchartofdataminingtechnology2.1.1K-means聚类分析聚类分析，是一种研究分析数据构造的理论，在模式识别和数据处理等方面得到了广泛认可和普遍应用。聚类分析既可以根据聚类的方法将其分为层次聚类和划分聚类两类，也可以根据聚类的性质划分为硬聚类和软聚类两种类别。K-均值算法[61]是硬聚类算法中最为简单和普遍的代表算法，由Macqueen于1967年提出，Macqueen总结Cox、Fisher等人的研究成果，得出K-means算法的流程并进行了相关的数学证明。算法的核心思想[62,63]是将n个数据对象划分成k个聚类，使每个聚类中的数据与该聚类中心距离的平方和最校K-means算法首先是选择初始聚类中心，然后计算剩余各个样本到每一个聚类中心的距离，把该样本归到离它最近的那个聚类中心所在的类[70]。之后根据公式（2-1）再重新计算每个类或者簇的平均值，直到准则函数收敛。通过不断计算每个聚类的平均值，对聚类中心进行调整。最终使类内对象相似性最大，类间对象相似性最校准则函数根据距离选用不同函数，这里有欧式距离为例，其准则函数如公式3-6所示。jniijjxnc11（2-1）2ki1iixCExx（2-2）
期货数据挖掘算法的研究与应用12输入层输入层隐含层输入层输出层权值ωth阈值γh权值ωhj阈值θjy1yjylb1b2bhbqx1xixd图2-2BP网络拓扑结构图Fig.2-2BPnetworktopology如上图2-2所示，假设在神经网络中输入层包含个神经元，隐含层中存在个神经元，输出层内有着个神经元。将输入层对隐含层第个神经元的输入表示为：=∑=1（2-8）继而将隐含层对输出层第个神经元的输入标记为：=∑=1（2-9）其中，为隐含层第个神经元输出。神经元的输出结果是由神经网络中神经元接收来自其他的神经元的输入后把这些信号乘以相应的权值，将总输入与阈值进行比较，再由激活函数[29]对其进行处理产生的。图2-3阶跃函数和sigmoid函数Fig.2-3Stepfunctionandsigmoidfunction在理想状态下，激活函数应该是阶跃函数，但是阶跃函数具有不连续性，不可导，并且不光滑等特点[30],因此常用sigmoid函数进行代替。阶跃函数和sigmoid函数如图2-3所示。1,0sgn(x)0,0xx（2-10）
【参考文献】：
期刊论文
[1]基于GRA-CS-BP算法的期货价格预测[J]. 王海军,金涛,林志伟. 数学的实践与认识. 2018(24)
[2]关于期货商品交易价格预测仿真研究[J]. 罗光华,陈江,柯翔敏. 计算机仿真. 2018(09)
[3]一种BP神经网络优化算法在配电网故障定位的研究[J]. 钟建伟,刘俊夫,周文辉. 内蒙古师范大学学报(自然科学汉文版). 2017(04)
[4]一种基于Spark与BP神经网络的入侵检测方法[J]. 王辉,王勇,柯文龙. 电脑知识与技术. 2017(16)
[5]C4.5算法在期货价格预测中的应用[J]. 陈磊,何国辉. 五邑大学学报(自然科学版). 2016(03)
[6]基于蚁群算法的ACO-BP神经网络性能研究[J]. 殷书彦,杜庆东. 黑龙江科技信息. 2015(22)
[7]基于BP神经网络模型的玉米价格基差预测[J]. 曾星月. 粮食经济研究. 2015(01)
[8]客户关系管理中客户细分的数据挖掘分析[J]. 区嘉良,吕淑仪. 中国商贸. 2015(02)
[9]数据挖掘技术在计算机教学中的应用[J]. 刘世勇,罗美淑. 中国新通信. 2012(21)
[10]对k均值算法和硬C-均值算法的对比分析[J]. 李宇泊,李秦. 洛阳理工学院学报(自然科学版). 2012(01)
博士论文
[1]基于粗糙集数据挖掘技术的客户价值分析[D]. 王宏.哈尔滨工程大学 2006
硕士论文
[1]模糊聚类算法基于Spark的实现与应用[D]. 吴云龙.南京邮电大学 2019
[2]基于Hadoop平台及轨迹挖掘的打车服务应用系统设计与实现[D]. 周伦.北京邮电大学 2018
[3]基于客户细分的多维效用关联规则挖掘[D]. 杨文芳.武汉理工大学 2017
[4]人工鱼群K-means算法及其在通信客户细分中的应用研究[D]. 郭永峰.合肥工业大学 2017
[5]医疗行业生产管理系统的设计与实现[D]. 英俊.电子科技大学 2014
[6]变电设备巡检信息管理系统的设计与实现[D]. 薛文超.电子科技大学 2013
[7]基于Hadoop的XBRL数据分析系统设计与实现[D]. 贾少攀.大连理工大学 2013
[8]期货公司客户分类和风险管理[D]. 赵锦锦.云南财经大学 2011
[9]自组织组合预测模型的EMD改进在石油期货市场中的应用[D]. 何继锐.电子科技大学 2008
[10]基于关联规则的期货交易信息数据挖掘[D]. 刘刚.上海海事大学 2005
本文编号：3213128
【文章来源】：青岛科技大学山东省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
期货行情走势分析
青岛科技大学研究生学位论文9系用一种用户能够利用的方式来组织和表达。发布时要将活动的模型运用到鞭策制订的过程中去。图2-1所示为挖掘技术的操作步骤图。图2-1数据挖掘技术流程图Fig.2-1Flowchartofdataminingtechnology2.1.1K-means聚类分析聚类分析，是一种研究分析数据构造的理论，在模式识别和数据处理等方面得到了广泛认可和普遍应用。聚类分析既可以根据聚类的方法将其分为层次聚类和划分聚类两类，也可以根据聚类的性质划分为硬聚类和软聚类两种类别。K-均值算法[61]是硬聚类算法中最为简单和普遍的代表算法，由Macqueen于1967年提出，Macqueen总结Cox、Fisher等人的研究成果，得出K-means算法的流程并进行了相关的数学证明。算法的核心思想[62,63]是将n个数据对象划分成k个聚类，使每个聚类中的数据与该聚类中心距离的平方和最校K-means算法首先是选择初始聚类中心，然后计算剩余各个样本到每一个聚类中心的距离，把该样本归到离它最近的那个聚类中心所在的类[70]。之后根据公式（2-1）再重新计算每个类或者簇的平均值，直到准则函数收敛。通过不断计算每个聚类的平均值，对聚类中心进行调整。最终使类内对象相似性最大，类间对象相似性最校准则函数根据距离选用不同函数，这里有欧式距离为例，其准则函数如公式3-6所示。jniijjxnc11（2-1）2ki1iixCExx（2-2）
期货数据挖掘算法的研究与应用12输入层输入层隐含层输入层输出层权值ωth阈值γh权值ωhj阈值θjy1yjylb1b2bhbqx1xixd图2-2BP网络拓扑结构图Fig.2-2BPnetworktopology如上图2-2所示，假设在神经网络中输入层包含个神经元，隐含层中存在个神经元，输出层内有着个神经元。将输入层对隐含层第个神经元的输入表示为：=∑=1（2-8）继而将隐含层对输出层第个神经元的输入标记为：=∑=1（2-9）其中，为隐含层第个神经元输出。神经元的输出结果是由神经网络中神经元接收来自其他的神经元的输入后把这些信号乘以相应的权值，将总输入与阈值进行比较，再由激活函数[29]对其进行处理产生的。图2-3阶跃函数和sigmoid函数Fig.2-3Stepfunctionandsigmoidfunction在理想状态下，激活函数应该是阶跃函数，但是阶跃函数具有不连续性，不可导，并且不光滑等特点[30],因此常用sigmoid函数进行代替。阶跃函数和sigmoid函数如图2-3所示。1,0sgn(x)0,0xx（2-10）
【参考文献】：
期刊论文
[1]基于GRA-CS-BP算法的期货价格预测[J]. 王海军,金涛,林志伟. 数学的实践与认识. 2018(24)
[2]关于期货商品交易价格预测仿真研究[J]. 罗光华,陈江,柯翔敏. 计算机仿真. 2018(09)
[3]一种BP神经网络优化算法在配电网故障定位的研究[J]. 钟建伟,刘俊夫,周文辉. 内蒙古师范大学学报(自然科学汉文版). 2017(04)
[4]一种基于Spark与BP神经网络的入侵检测方法[J]. 王辉,王勇,柯文龙. 电脑知识与技术. 2017(16)
[5]C4.5算法在期货价格预测中的应用[J]. 陈磊,何国辉. 五邑大学学报(自然科学版). 2016(03)
[6]基于蚁群算法的ACO-BP神经网络性能研究[J]. 殷书彦,杜庆东. 黑龙江科技信息. 2015(22)
[7]基于BP神经网络模型的玉米价格基差预测[J]. 曾星月. 粮食经济研究. 2015(01)
[8]客户关系管理中客户细分的数据挖掘分析[J]. 区嘉良,吕淑仪. 中国商贸. 2015(02)
[9]数据挖掘技术在计算机教学中的应用[J]. 刘世勇,罗美淑. 中国新通信. 2012(21)
[10]对k均值算法和硬C-均值算法的对比分析[J]. 李宇泊,李秦. 洛阳理工学院学报(自然科学版). 2012(01)
博士论文
[1]基于粗糙集数据挖掘技术的客户价值分析[D]. 王宏.哈尔滨工程大学 2006
硕士论文
[1]模糊聚类算法基于Spark的实现与应用[D]. 吴云龙.南京邮电大学 2019
[2]基于Hadoop平台及轨迹挖掘的打车服务应用系统设计与实现[D]. 周伦.北京邮电大学 2018
[3]基于客户细分的多维效用关联规则挖掘[D]. 杨文芳.武汉理工大学 2017
[4]人工鱼群K-means算法及其在通信客户细分中的应用研究[D]. 郭永峰.合肥工业大学 2017
[5]医疗行业生产管理系统的设计与实现[D]. 英俊.电子科技大学 2014
[6]变电设备巡检信息管理系统的设计与实现[D]. 薛文超.电子科技大学 2013
[7]基于Hadoop的XBRL数据分析系统设计与实现[D]. 贾少攀.大连理工大学 2013
[8]期货公司客户分类和风险管理[D]. 赵锦锦.云南财经大学 2011
[9]自组织组合预测模型的EMD改进在石油期货市场中的应用[D]. 何继锐.电子科技大学 2008
[10]基于关联规则的期货交易信息数据挖掘[D]. 刘刚.上海海事大学 2005
本文编号：3213128
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3213128.html
