基于数据挖掘技术的股票预测研究与应用
发布时间：2021-06-22 07:21
近些年国家日新月异的发展,股票市场经历着巨大变化。现在股票市场的数据规模已非常庞大、复杂,且容易受市场行情、国内政策和投资者情绪等因素的影响,随机性较强,给股票的预测研究带来了难度。数据挖掘结合了统计学、计算机学和机器学习等多门学科,可以从庞大的数据中搜索挖掘出有效信息,用于支持投资者的决策,为股票数据分析提供了有效途径,因此采用数据挖掘技术研究股票预测非常有意义。论文首先搜集了股票的27个技术指标数据并进行了指标挖掘,然后建立BP网络、RBF网络模型对个股罗牛山、海南高速和大盘深证成指进行了预测研究与分析,再针对所建立的网络模型的不足采用了遗传算法进行了优化。数据挖掘技术研究股票预测非常有应用价值,其创新性研究成果如下所述:（1）针对神经网络预测模型的输入变量是否合理的问题,提出采用Apriori算法来分析股票技术指标间的关联,确定了与股票次日收盘价相关联的指标。预测个股罗牛山和海南高速时神经网络模型的输入变量为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL,共11个指标。预测大盘深证成指时输入变量为前一日的最高价、最低价、开盘价、收...
【文章来源】：海南大学海南省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
论文组织结构
海南大学硕士学位论文253.2.4关联分析针对上述进行预处理后的股票罗牛山数据，选择运用clementine软件使用Apriori算法对27个主要指标进行关联规则分析，挖掘出与收盘价关联性强的指标。由于本章节主要是挖掘选取与收盘价关联的指标，因此这里选择收盘价作为后项Y，剩余指标作为前项X，人为设置最小支持度min-sup阈值为29%，最小置信度min-con阈值为75%。(1)罗牛山的关联分析结果如图3-5所示，因本文分析研究的是股票次日收盘价，在与最小支持度min-sup阈值和最小置信度min-con阈值比较后，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL，共11个指标。图3-5罗牛山的关联分析结果Fig.3-5ResultsofassociationanalysisofLuoNiushan(2)海南高速的关联分析结果如图3-6所示，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL，共11个指标。
基于数据挖掘技术的股票预测研究与应用26图3-6海南高速的关联分析结果Fig.3-6ResultsofassociationanalysisofHainanExpressway(3)深证成指的关联分析结果如图3-7所示，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交额、MA1、MA2、MA3、BOLL、OBV和RSI3，共11个指标。图3-7深证成指的关联分析结果Fig.3-7AssociationanalysisresultsoftheSZSEComponentIndex3.2.5仿真结果与分析
【参考文献】：
期刊论文
[1]基于改进剪枝的关联规则隐藏算法[J]. 龚晨,龚博. 黑龙江工业学院学报(综合版). 2019(07)
[2]一种改进遗传算法及验证[J]. 魏晓玲. 电脑编程技巧与维护. 2019(06)
[3]改进的关联规则挖掘算法——MIFP-Apriori算法[J]. 曾子贤,巩青歌,张俊. 科学技术与工程. 2019(16)
[4]基于改进遗传算法的RBF神经网络结构优化研究[J]. 文常保,马文博,刘鹏里. 计算机工程与科学. 2019(05)
[5]基于改进的自适应遗传算法优化BP神经网络[J]. 苏崇宇,汪毓铎. 工业控制计算机. 2019(01)
[6]实数编码遗传算法的改进及并行化实现[J]. 刘振鹏,王雪峰,薛雷,张彬,张寿华. 河北大学学报(自然科学版). 2019(01)
[7]基于正交实验的塑料件优化设计研究[J]. 成薇,徐以国. 上海汽车. 2019(01)
[8]基于Apriori关联规则的信息技术相关股票数据分析[J]. 段玉晓. 科技经济导刊. 2018(31)
[9]基于关联规则挖掘Apriori算法的改进算法[J]. 周凯,顾洪博,李爱国. 陕西理工大学学报(自然科学版). 2018(05)
[10]关于股市的一些认识[J]. 苏文华. 现代经济信息. 2018(12)
硕士论文
[1]基于GA-BP神经网络的多日股票价格预测[D]. 郭盼盼.郑州大学 2019
[2]基于神经网络的股票价格预测研究[D]. 刘雯琦.西安建筑科技大学 2018
[3]BP神经网络模型对股票市场预测的应用及实证分析[D]. 王晶.南京财经大学 2018
[4]基于数据挖掘技术的股票选择分析[D]. 黄悦.北京外国语大学 2017
[5]基于自适应遗传算法优化的BP神经网络股价预测模型[D]. 任浩然.延安大学 2017
[6]基于数据挖掘技术的股票市场分析与预测[D]. 靳雨佳.吉林财经大学 2017
[7]基于BP神经网络的股价预测模型应用分析[D]. 石茜子.暨南大学 2017
[8]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[9]基于因子分析的BP神经网络股指预测[D]. 石志成.云南大学 2017
[10]基于主成分分析和BP神经网络的股价预测[D]. 刘庆霞.苏州大学 2017
本文编号：3242406
【文章来源】：海南大学海南省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
论文组织结构
海南大学硕士学位论文253.2.4关联分析针对上述进行预处理后的股票罗牛山数据，选择运用clementine软件使用Apriori算法对27个主要指标进行关联规则分析，挖掘出与收盘价关联性强的指标。由于本章节主要是挖掘选取与收盘价关联的指标，因此这里选择收盘价作为后项Y，剩余指标作为前项X，人为设置最小支持度min-sup阈值为29%，最小置信度min-con阈值为75%。(1)罗牛山的关联分析结果如图3-5所示，因本文分析研究的是股票次日收盘价，在与最小支持度min-sup阈值和最小置信度min-con阈值比较后，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL，共11个指标。图3-5罗牛山的关联分析结果Fig.3-5ResultsofassociationanalysisofLuoNiushan(2)海南高速的关联分析结果如图3-6所示，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交量、成交额、换手率、MA1、MA2、MA3和BOLL，共11个指标。
基于数据挖掘技术的股票预测研究与应用26图3-6海南高速的关联分析结果Fig.3-6ResultsofassociationanalysisofHainanExpressway(3)深证成指的关联分析结果如图3-7所示，最后选取的指标为前一日的最高价、最低价、开盘价、收盘价、成交额、MA1、MA2、MA3、BOLL、OBV和RSI3，共11个指标。图3-7深证成指的关联分析结果Fig.3-7AssociationanalysisresultsoftheSZSEComponentIndex3.2.5仿真结果与分析
【参考文献】：
期刊论文
[1]基于改进剪枝的关联规则隐藏算法[J]. 龚晨,龚博. 黑龙江工业学院学报(综合版). 2019(07)
[2]一种改进遗传算法及验证[J]. 魏晓玲. 电脑编程技巧与维护. 2019(06)
[3]改进的关联规则挖掘算法——MIFP-Apriori算法[J]. 曾子贤,巩青歌,张俊. 科学技术与工程. 2019(16)
[4]基于改进遗传算法的RBF神经网络结构优化研究[J]. 文常保,马文博,刘鹏里. 计算机工程与科学. 2019(05)
[5]基于改进的自适应遗传算法优化BP神经网络[J]. 苏崇宇,汪毓铎. 工业控制计算机. 2019(01)
[6]实数编码遗传算法的改进及并行化实现[J]. 刘振鹏,王雪峰,薛雷,张彬,张寿华. 河北大学学报(自然科学版). 2019(01)
[7]基于正交实验的塑料件优化设计研究[J]. 成薇,徐以国. 上海汽车. 2019(01)
[8]基于Apriori关联规则的信息技术相关股票数据分析[J]. 段玉晓. 科技经济导刊. 2018(31)
[9]基于关联规则挖掘Apriori算法的改进算法[J]. 周凯,顾洪博,李爱国. 陕西理工大学学报(自然科学版). 2018(05)
[10]关于股市的一些认识[J]. 苏文华. 现代经济信息. 2018(12)
硕士论文
[1]基于GA-BP神经网络的多日股票价格预测[D]. 郭盼盼.郑州大学 2019
[2]基于神经网络的股票价格预测研究[D]. 刘雯琦.西安建筑科技大学 2018
[3]BP神经网络模型对股票市场预测的应用及实证分析[D]. 王晶.南京财经大学 2018
[4]基于数据挖掘技术的股票选择分析[D]. 黄悦.北京外国语大学 2017
[5]基于自适应遗传算法优化的BP神经网络股价预测模型[D]. 任浩然.延安大学 2017
[6]基于数据挖掘技术的股票市场分析与预测[D]. 靳雨佳.吉林财经大学 2017
[7]基于BP神经网络的股价预测模型应用分析[D]. 石茜子.暨南大学 2017
[8]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[9]基于因子分析的BP神经网络股指预测[D]. 石志成.云南大学 2017
[10]基于主成分分析和BP神经网络的股价预测[D]. 刘庆霞.苏州大学 2017
本文编号：3242406
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3242406.html
