基于數據挖掘的證券態(tài)勢估計系統(tǒng).pdf

1、本文作為面向證券的智能檢索系統(tǒng)的一個重要組成部分,側重于對證券進行技術分析,主要是對交易行情進行數據挖掘,期望建立起證券投資的自動決策系統(tǒng).本文首先介紹了系統(tǒng)的體系結構,其次介紹了數據挖掘方法在該系統(tǒng)中的具體應用,最后介紹了系統(tǒng)的語音接口. 本文將數據融合中的態(tài)勢估計理論用于證券研究領域,提出了證券態(tài)勢估計的新概念.由于證券市場具有高度復雜性,僅僅依靠單一的方法,不可能對證券市場做出精確的預測.為了充分利用多種預測方案的優(yōu)勢,本

2、文用數據融合技術將各種數據挖掘方法組合起來.鑒于態(tài)勢估計的層次化要求,本文使用分組多層黑板體系結構實現了證券態(tài)勢估計系統(tǒng)(SSAS),并且建立了證券數據挖掘方法本體庫.該系統(tǒng)被設計成一個開放的平臺,便于擴充新的分析手段. 本文使用自組織網絡(SOM)對個股收盤價,市盈率,市凈率,市銷率和流通市值進行聚類,建立了基于財務指標的板塊劃分方法.對個股的時間序列數據進行小波分析,得到各級小波分解下的能量及能量分布,求得個股的信息量系數,

3、然后用SOM聚類,創(chuàng)建了板塊劃分新方法. 本文使用Apriori算法挖掘個股的關聯(lián)規(guī)則,還進行了基于聚類的關聯(lián)規(guī)則挖掘.另外,分析了每周各交易日個股走勢及其關聯(lián)關系,結果表明中國證券市場存在時間異象. 本文使用馬爾科夫鏈(Markov)進行股票的價格趨勢預測.并且以個股時間序列的小波分解系數作為觀測值,借用數字語音識別的思想,使用隱馬爾科夫模型(HMM)進行價格趨勢預測,改善了預測效果.用誤差反饋神經網絡(BP)對股票價