数据挖掘在股票分析中的研究与应用

论文摘要

数据挖掘又被称为数据库知识发现，它是从数据源（如文本、图片、万维网、数据库等）中寻找有用的模式的过程。该模式必须是具有潜在的实用价值的，并且是可以被理解和运用的。数据挖掘者不止是要掌握先进的挖掘技术，更重要的是要具有相关业务知识和思维模式。掌握丰富的业务知识才能设计出有效的相关模型和变量，这样才能将技术和业务合理地结合起来从而高效地获得有价值的数据。影响股票价格变化的因素很多，所以运用某些固定的数学公式很难准确描述股票的变化趋势。在多种股票预测方法中，使用关联规则来分析股票的涨跌具有一定指导价值。本项目通过对股票知识的深入研究之后，对股票数据进行收集、清理、抽取、建模，从而分析单支股票历年某月份和历年某周的涨跌情况，在变化的状态中寻找不变的状态，对一年内的多支股票做关联分析，寻找其涨跌状态之间关联的概率，计算三个股票在连续三天内的关联规则以及对单支股票的N天涨与M天跌的状态的关系进行研究对比，并计算其支持度与置信度，以此来对股价的涨跌进行分析。根据股票数据的特点，使用位图对股票数据进行建模，使用Apriori算法来挖掘频繁项集，计算支持度和置信度，在查找频繁项集的时候使用了位图计算和KMP算法来共同加速匹配速度。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外研究状况
• 1.3 论文主要研究的内容和目标
• 1.4 论文的组织结构
• 2 相关算法研究
• 2.1 关联规则
• 2.2 Apriori 算法
• 2.3 位图矩阵
• 2.4 KMP 算法与普通匹配算法的比较
• 2.5 本章小结
• 3 数据挖掘在股票中的应用分析
• 3.1 挖掘的定义
• 3.2 分析方法
• 3.3 挖掘的过程
• 3.4 建立数据模型
• 3.5 评价模型
• 3.6 本章小结
• 4 数据挖掘在股票分析中的应用实现
• 4.1 下载股票数据
• 4.2 红月分析模型
• 4.3 红周分析模型
• 4.4 股票 A、B 预测股票 C
• 4.5 单支股票连续涨跌模型
• 4.6 本章小结
• 5 总结和展望
• 5.1 全文总结
• 5.2 展望
• 致谢
• 参考文献