基于数据挖掘的股票预测研究

论文摘要

针对目前国内股市走势预测存在的问题,如预测过程计算量庞大、预测结果不理想等,本文使用数据挖掘中的几种常用方法建立预测模型,通过对预测过程及预测结果的分析,来寻求数据挖掘算法与股票预测的结合点。本文使用了时间序列方法、马尔可夫链模型、人工神经网络模型对证券市场的价格进行建模和预测。应用时间序列方法预测时使用了简单一次移动平均预测法、一次指数平滑预测法、两次指数平滑预测法。时间序列方法预测股票走势最为简单,但是误差过大。应用人工神经网络时,采用了BP算法和遗传算法来训练网络权值,同时使用动量法和学习率自适应调整相结合的策略,人工神经网络模型虽然预测效果最好,但是计算量过大。相对于前两种方法,马尔可夫链模型更适合对股票走势的预测,其计算量较小,虽然自身有些弊端,但是用多状态预测法可以弥补其自身的不足。改进方法后的马尔可夫链模型预测效果同人工神经网络模型的预测效果不相上下。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究目的与选题意义
• 1.2 国内外研究现状
• 1.3 主要研究内容
• 第二章 数据挖掘技术与证券分析技术
• 2.1 数据挖掘技术
• 2.2 证券分析技术
• 2.3 时间序列预测技术
• 2.4 马尔可夫链技术
• 2.5 人工神经网络技术
• 第三章 时间序列方法的预测实现
• 3.1 简单一次移动平均预测法
• 3.2 一次指数平滑预测法
• 3.3 二次指数平滑预测法
• 3.4 时间序列法预测结果及分析
• 第四章 马尔可夫链的预测实现
• 4.1 马尔可夫链在证券中的应用
• 4.2 改进预测方法
• 4.3 应用马尔可夫链多状态法预测其他股票
• 4.4 马尔可夫链预测结果及分析
• 第五章 人工神经网络的预测实现
• 5.1 神经网络模型在股票预测中的应用
• 5.2 神经网络模型预测结果及分析
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献