基于细粒度演化超网络的股票预测

发布时间：2018-02-23 07:01

  本文关键词： 证券年报 股票预测 细粒度超网络 卡方分裂算法 机器学习　出处：《江苏大学学报(自然科学版)》2017年03期 　论文类型：期刊论文

【摘要】：为了更准确地预测股票的走势,提出了一种基于细粒度演化超网络的股票预测方法.对2011年证券年报数据进行处理,以预测其中股票在2012年的走势.采用卡方分裂算法和等宽度离散化相结合的方法对股票数据进行有效的离散化,以应对连续型数据简单二值化处理造成的信息损失,然后采用细粒度演化超网络模型预测每支股票在未来一年内的走势.试验结果表明:细粒度演化超网络对股票走势预测正确率是86.73%,股票上涨预测正确率是75.00%.得到了用细粒度超网络挖掘影响股票上涨的重要特征组合及其对应的取值范围,为投资者提供了一种可靠而又方便的选股新方法.
[Abstract]:In order to predict the trend of stock more accurately, a method of stock prediction based on fine-grained evolutionary supernetwork is proposed. The data of securities annual report in 2011 are processed. In order to predict the trend of the stocks in 2012, the method of combining chi-square splitting algorithm and equal-width discretization is used to discretize the stock data effectively, so as to deal with the information loss caused by the simple binary processing of continuous data. Then the fine-grained evolutionary supernetwork model is used to predict the trend of each stock in the next year. The experimental results show that the accuracy of fine-grained evolutionary supernetwork in predicting stock trend is 86.73, and the accuracy of stock rising prediction is 75.00. This paper uses fine-grained supernetwork to mine the important feature combinations that affect the stock price rise and its corresponding value range. For investors to provide a reliable and convenient stock selection new method.
【作者单位】： 重庆邮电大学计算机科学与技术学院;重庆邮电大学计算智能重庆市重点实验室;
【基金】：重庆市研究生科研创新项目(CYS15167,CYS14147,CYS14150) 重庆市基础与前沿研究计划项目(cstc2014jcyjA40001)
【分类号】：F832.51;O157.5

【相似文献】

相关期刊论文 前9条

1 欧阳纯萍;阳小华;雷龙艳;徐强;余颖;刘志明;;多策略中文微博细粒度情绪分析研究[J];北京大学学报(自然科学版);2014年01期

2 谢圣献;李俊青;李新友;于会山;陈晨;何顺刚;刘广亮;姜华;;动态细粒度访问控制关键问题研究[J];聊城大学学报(自然科学版);2009年03期

3 易明;毛进;邓卫华;;基于社会化标签网络的细粒度用户兴趣建模[J];现代图书情报技术;2011年04期

4 张明慧;李永刚;;基于细粒度的访问控制及性能优化[J];郑州师范教育;2012年04期

5 贺飞艳;何炎祥;刘楠;刘健博;彭敏;;面向微博短文本的细粒度情感特征抽取方法[J];北京大学学报(自然科学版);2014年01期

6 廖斌;;网络环境中CAD系统协作研究[J];科技资讯;2009年12期

7 邵华;江南;胡斌;吕恒;朱进;;利用GPU的R树细粒度并行STR方法批量构建[J];武汉大学学报(信息科学版);2014年09期

8 夏飞;窦勇;徐佳庆;张阳;;基于FPGA的存储优化的细粒度并行Zuker算法加速器研究[J];计算机研究与发展;2011年04期

9 ;[J];;年期

相关会议论文 前5条

1 叶蕴芳;杨榆;罗鑫;徐国爱;;Appfuse系统中细粒度权限控制的研究与实现[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

2 江伟玉;高能;刘泽艺;林雪燕;;一种云计算中的多重身份认证与授权方案[A];第27次全国计算机安全学术交流会论文集[C];2012年

3 郭磊;唐玉华;周杰;董亚卓;;基于FPGA的Cholesky分解细粒度并行结构与实现[A];2010年第16届全国信息存储技术大会（IST2010）论文集[C];2010年

4 李俊青;谢圣献;刘广亮;陈晨;;P2P网络基于蚁群优化的动态细粒度访问控制框架[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

5 盛振华;吴羽;江锦华;寿黎但;陈刚;;InfoSigs:一种面向WEB对象的细粒度聚类算法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

相关重要报纸文章 前2条

1 赵晓涛;巡展中的三大热门[N];网络世界;2007年

2 乐天邋编译;编织一张更好的Web[N];计算机世界;2007年

相关博士学位论文 前4条

1 付兴兵;基于属性基加密的细粒度访问控制机制研究[D];电子科技大学;2016年

2 时杰;关系数据库细粒度访问控制研究[D];华中科技大学;2010年

3 朱倩;面向自由文本的细粒度关系抽取的关键技术研究[D];江苏大学;2011年

4 余a\;基于Simulink模型的细粒度多线程技术研究[D];浙江大学;2014年

相关硕士学位论文 前10条

1 赵黎光;基于依存句法的句子级细粒度情感计算[D];华南理工大学;2015年

2 李星宇;一种细粒度Cloud-RAN框架与关键技术研究[D];电子科技大学;2014年

3 郦丽珍;基于Open vSwitch虚拟网络的细粒度访问控制[D];复旦大学;2013年

4 姚亮;数据访问控制中基于中间代理的用户撤销方法[D];西安电子科技大学;2014年

5 占文平;面向产品评论的情感分析技术研究[D];浙江工商大学;2015年

6 楼弘;基于深度神经网络的传感器覆盖细粒度优化研究[D];浙江工业大学;2015年

7 蔡雅雅;基于半监督集成剪枝算法的细粒度城市空气质量估计[D];浙江大学;2016年

8 何东梅;细粒度物体分类算法研究与实现[D];北京交通大学;2016年

9 廖纯;基于句法和语义的话题细粒度情感分析的研究[D];北京理工大学;2016年

10 李毅;属性层级观点挖掘技术的研究与应用[D];石家庄铁道大学;2016年

，

本文编号：1526412