数据挖掘技术对股票走势预测的分析和研究

发布时间：2022-01-08 21:12

　　股票市场是市场经济的重要组成部分,股市的稳定不仅关系到国家经济的繁荣发展,也关系到普通投资者的经济收入。因此有效的股票走势预测的分析和研究有着重大的理论意义和实践价值。但是股票市场的高度非线性特征,导致众多的股市分析方法的应用效果都难如人意。基于神经网络技术的数据挖掘模型,因其很强的非线性模拟、自适应能力和自学习能力的特点,所以本文将使用神经网络技术对股票走势预测这一课题进行深入的研究。本文阐述了数据挖掘的基本思想,对神经网络技术进行了深入分析,主要研究了二种神经网络算法——BP神经网络算法和RBF神经网络算法,来建立股票走势预测模型,更好地对股票走势进行预测。主要工作有以下二点:（1）.基于股票历史交易数据对BP神经网络模型的设计,利用收集样本数据进行训练优化网络,使网络预测误差达到设计要求。经测试数据测试,实验结果可以达到指导投资者投资的作用。（2）.基于股票历史交易数据对RBF神经网络模型的设计,利用收集样本数据进行训练,确定最优的RBF股票预测模型。实验结果表明,该神经网络模型完全达到设计要求,显示出该算法的可行性和有效性。通过实验数据的证明,本文的研究为二种算法在股票走势预测... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

学习速率0.1时训练结果（隐单元数：9）

图 4.4 学习速率 0.1 时训练结果 （隐单元数：9 ）隐含层神经元的数目为 9，学习速率为 0.01 时的训练结果，如图 4.5 学01 时训练结果所示

图 4.6 学习速率 0.001 时训练结果（隐单元数：9）含层神经元数为 9，取不同的学习速率(η )训练的结果、误差对比，由有限只取了最后 10 个预测值。结果如表 4.7 预测值与预测误差所示 表 4.7 预测值与预测误差η ＝0.1η ＝0.01η＝0.001 预测误差 预测值 预测误差 预测值 预测误差 0.0624 0.7989 0.0711 0.8033 0.0667 0.0343 0.8192 0.0498 0.8391 0.0299 0.0151 0.8479 0.0449 0.8368 0.0338 0.0541 0.8037 0.0123 0.7895 0.0265 0.0032 0.7925 0.0025 0.8010 0.0060 0.0392 0.7774 0.0326 0.7821 0.0279

【参考文献】：
期刊论文
[1]含肿瘤BNCT网格模型的Monte Carlo剂量计算[J]. 李刚,邓力,叶涛,陈朝斌.  清华大学学报(自然科学版). 2007(S1)
[2]用RBF神经网络确定上海股市的分形维数[J]. 徐绪松,熊保平,龙虎.  武汉大学学报(理学版). 2003(03)
[3]基于人工神经网络的股市预测模型[J]. 孙丹,张秀艳.  吉林大学学报(信息科学版). 2002(04)
[4]神经网络及其在股市预测中的应用[J]. 姜静清,梁艳春,宋初一.  内蒙古民族大学学报(自然科学版). 2002(05)
[5]神经网络在股票价格预测中的应用[J]. 袁晓东.  北京机械工业学院学报. 2002(03)
[6]股市预测中的小波神经网络方法的研究[J]. 姚洪兴,盛昭瀚.  管理工程学报. 2002(02)
[7]改进的神经网络最近邻聚类学习算法及其应用[J]. 孙延风,梁艳春,孟庆福.  吉林大学学报(信息科学版). 2002(01)
[8]我国上市公司财务困境的预测模型研究[J]. 吴世农,卢贤义.  经济研究. 2001(06)
[9]用BP神经网络预测股票市场涨跌[J]. 吴微,陈维强,刘波.  大连理工大学学报. 2001(01)
[10]股票信息的数据挖掘[J]. 方依兰,黄智兴,张为群.  西南师范大学学报(自然科学版). 2000(02)



本文编号：3577291