基于粗糙集的股票推荐研究

发布时间：2017-10-13 00:33

  本文关键词：基于粗糙集的股票推荐研究

  更多相关文章： 股票 粗糙集 属性约简 相对性能界限

【摘要】：随着我国经济的发展,人们生活水平日益提高,手中剩余资金不断增多,逐渐有了投资理财意识。股票作为金融市场的最重要组成成分之一,越来越吸引人们的眼光。在股票信息数据库中积累了大量股票历史相关数据,怎样高效利用这些历史数据探寻股票涨跌的决策规则,成为人们关注的热点。近年来,金融专业人士运用基本分析、技术分析和演化分析等传统方法对股票市场进行预测,而这些方法适用于成熟的股票市场,中国股市发展的时间短,散户较多,传统的分析方法不适合中国的股票市场,所以急需一个有效的智能方法帮助人们选择合适的股票。粗糙集理论是分析和处理各种不精确、不完备信息的数学工具,它已成为数据挖掘研究的一个重要组成部分。粗糙集理论的知识获取,主要是在保持分类能力不变的前提下,通过属性约简,导出问题的决策规则。由于获取股票相关数据无法做到全面,所以应用粗糙集理论对股票数据进行挖掘比较适用。本文基于粗糙集理论,重点研究了属性约简中的基于属性重要度算法,在数据预处理阶段,先用相对性能界筛选符合要求的数据,将股票的涨跌属性定义为涨跌比率,设定阈值,满足阈值的股票数据被留下；然后用趋势增量进行离散化,将股票时间序列转换为信息系统,将一个交易日分为两个交易单元,上午和下午,分别查看上午和下午的总体涨跌情况,根据上午下午股票涨跌与股票的其他属性,如今日股票属于高开还是低开,复权价等,最终得到股票涨跌的规则。该方法解决了原有股票属性约简的不准确性问题,采用高频交易、概率制胜的方式,使得到规则的冗余属性值数目进一步降低,规则也更加满足人们的需求。在理论研究的基础上,采用matlab进行了仿真实验,通过连续属性离散化、属性约简、规则提取和规则解释四个步骤完成了基于粗糙集股票推荐的实现,通过决策规则的置信度和支持度对规则进行评价。使用真实的股票历史交易数据对基于粗糙集的股票推荐系统进行测试,取得了较为满意的结果。提供了股票涨跌的预测规则,帮助投资者选择合适的股票进行投资。
【关键词】：股票 粗糙集 属性约简 相对性能界限
【学位授予单位】：哈尔滨商业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;TP18
【目录】：

• 摘要5-6
• Abstract6-12
• 1 绪论12-18
• 1.1 本文研究的目的和意义12-13
• 1.2 国内外研究和应用现状13-16
• 1.3 论文的创新点16
• 1.4 论文研究的主要内容16-18
• 2 挖掘理论研究18-28
• 2.1 粗糙集理论18-25
• 2.1.1 知识的含义与表示18-19
• 2.1.2 不可分辨关系19
• 2.1.3 粗糙集的上、下近似及边界区19-21
• 2.1.4 可辨识矩阵21
• 2.1.5 属性的重要度21-22
• 2.1.6 属性约简22-23
• 2.1.7 约简算法23-25
• 2.2 决策规则25-26
• 2.3 粗糙集在数据挖掘的应用26-27
• 2.3.1 粗糙集在数据挖掘的作用26
• 2.3.2 粗糙集作为数据挖掘的优势26-27
• 2.4 本章小结27-28
• 3 基于相对性能界的算法研究28-33
• 3.1 属性约简属于NP难问题28
• 3.2 解决NP难问题的方法28-29
• 3.3 近似算法29-30
• 3.3.1 差界29
• 3.3.2 相对性能界29-30
• 3.3.3 多项式近似方案和完全多项式近似方案30
• 3.4 相对性能界确定算法30-32
• 3.5 本章小结32-33
• 4 粗糙集属性约简在股票的应用33-42
• 4.1 粗糙集挖掘的功能33-34
• 4.2 数据预处理34-35
• 4.3 连续属性离散化35
• 4.4 属性约简35-36
• 4.5 规则获取36-37
• 4.6 规则解释37
• 4.7 实验数据37-41
• 4.8 本章小结41-42
• 5 股票推荐仿真应用及分析42-49
• 5.1 数据准备42-44
• 5.1.1 清理数据42
• 5.1.2 属性构造42-43
• 5.1.3 连续属性离散化43-44
• 5.2 基于属性重要度的约简44-45
• 5.3 规则提取及解释45-47
• 5.4 对比实验47-48
• 5.5 本章小结48-49
• 结论49-50
• 参考文献50-54
• 致谢54

【相似文献】

中国期刊全文数据库 前10条

1 邱兆雷;范颖;王爱云;;粗糙集理论及进展[J];信息技术与信息化;2006年05期

2 徐伟华;张文修;;覆盖广义粗糙集的模糊性[J];模糊系统与数学;2006年06期

3 石杰;;粗糙集理论及其应用研究[J];科技信息;2008年33期

4 唐彬;;粗糙集理论和应用研究[J];内江科技;2008年03期

5 胡军;王国胤;;覆盖粗糙集的模糊度[J];重庆邮电大学学报(自然科学版);2009年04期

6 燕红文;康向平;张丽;;依赖空间与粗糙集理论[J];农业网络信息;2009年09期

7 林国平;;覆盖广义粗糙集与信任函数[J];漳州师范学院学报(自然科学版);2010年02期

8 王石平;祝峰;朱培勇;;基于抽象相关关系的粗糙集研究[J];南京大学学报(自然科学版);2010年05期

9 成新文;陈国超;李琦;;关于粗糙集的理论及应用研究[J];煤炭技术;2010年10期

10 林治;张璇;;粗糙集理论的应用探析[J];邢台职业技术学院学报;2011年03期

中国重要会议论文全文数据库 前10条

1 黎文航;陈善本;王兵;;粗糙集理论在焊接中的应用综述[A];第十一次全国焊接会议论文集（第2册）[C];2005年

2 尹宗成;;粗糙集理论在我国粮食产量预测中的应用[A];现代农业理论与实践——安徽现代农业博士科技论坛论文集[C];2007年

3 邹刚;滕书华;孙即祥;陈森林;敖永红;;一种粗糙集优化协同原型模式约简分类方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

4 葛丽;傅彦;;粗糙集在科学数据属性约简中的应用[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

5 陈雪飞;;粗糙集分类中耦合数据的处理方法研究[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

6 肖健梅;芦晓明;王锡淮;;集装箱起重机防摇系统粗糙集控制[A];第二十六届中国控制会议论文集[C];2007年

7 王印松;冯康;;主汽温调节系统性能评价的粗糙集实现方法[A];第二十七届中国控制会议论文集[C];2008年

8 王红萍;万程亮;金彦丰;;应用粗糙集理论的对抗效果权重确定方法[A];2009’中国西部地区声学学术交流会论文集[C];2009年

9 王莉;周献中;;一种基于粗糙集的模糊神经网络模型在钢材力学性能预测中的研究[A];2009年中国智能自动化会议论文集（第二分册）[C];2009年

10 卓明;王丽珍;谭旭;;基于粗糙集近似集扩展的规则提取算法[A];第十七届全国数据库学术会议论文集（技术报告篇）[C];2000年

中国博士学位论文全文数据库 前10条

1 唐孝;基于粗糙集的知识发现方法及其在ECG信号识别中的应用[D];电子科技大学;2015年

2 曾凯;邻域粒化粗糙计算的关键技术研究与应用[D];电子科技大学;2015年

3 鲍忠奎;面向不确定信息系统的粗糙集扩展模型研究[D];合肥工业大学;2015年

4 王永生;基于粗糙集理论的动态数据挖掘关键技术研究[D];北京科技大学;2016年

5 薛佩军;正负域覆盖广义粗糙集与知识粗传播研究[D];山东大学;2007年

6 孔芝;粗糙集理论若干问题的研究与应用[D];东北大学;2009年

7 秦中广;基于粗糙集的交叉研究及其在中医诊断的应用[D];华南理工大学;2002年

8 刘少辉;知识发现中粗糙集理论的研究[D];中国科学院研究生院（计算技术研究所）;2003年

9 邓大勇;基于粗糙集的数据约简及粗糙集扩展模型的研究[D];北京交通大学;2007年

10 孙英娟;基于粗糙集的分类方法研究[D];吉林大学;2011年

中国硕士学位论文全文数据库 前10条

1 张德齐;基于粗糙集理论的电机故障诊断方法研究[D];渤海大学;2015年

2 杨礼;基于粗糙集的公路交通安全预警研究[D];西南交通大学;2015年

3 朱争琼;多知识抽取在脑认知中的应用[D];大连海事大学;2016年

4 尹哲;基于粗糙集的决策树分类方法研究[D];大连海事大学;2016年

5 李卓军;基于粒子群算法和粗糙集的属性约简研究[D];中国石油大学(华东);2014年

6 梁文惠;基于粗糙集理论构建项目级企业社会责任管理指标体系[D];清华大学;2015年

7 吴健阳;基于典型相关性分析的粗糙集属性约简研究及其并行化实现[D];南京大学;2014年

8 黄双双;基于粗糙集和突变模型的江西省生态经济发展水平评价研究[D];东华理工大学;2016年

9 张佃伦;基于粗糙集的聚类算法及其在入侵检测中的应用[D];青岛科技大学;2015年

10 邱玉颖;基于模糊内积依赖度及辨识矩阵的属性约简[D];渤海大学;2016年

，

本文编号：1021861