股票數(shù)據(jù)輔助分析算法的應(yīng)用研究.pdf

1、股票市場(chǎng)受政治、經(jīng)濟(jì)和投資者心理等多種復(fù)雜因素的影響。雖然復(fù)雜，但經(jīng)過分析簡(jiǎn)化仍能在海量數(shù)據(jù)中得到相應(yīng)的信息。數(shù)據(jù)挖掘技術(shù)就是能夠?qū)崿F(xiàn)從海量數(shù)據(jù)中挖掘有用信息的新興技術(shù)，其廣泛應(yīng)用于投資領(lǐng)域。本文以技術(shù)分析和基本分析兩種股票分析方法為基礎(chǔ)，針對(duì)股票分析和預(yù)測(cè)應(yīng)用數(shù)據(jù)挖掘中的神經(jīng)網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則建立相應(yīng)的模型，并進(jìn)行了實(shí)證分析和比較。論文主要工作包括以下兩個(gè)方面:
　　1.針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法在股市預(yù)測(cè)中存在的學(xué)習(xí)速度慢、容易陷入局部

2、極小值、預(yù)測(cè)結(jié)果精度不高等問題，提出一種基于共軛梯度的BP神經(jīng)網(wǎng)絡(luò)算法。與快最速下降法相比，采取共軛梯度法有二次收斂特性和更快的收斂速度。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選取對(duì)網(wǎng)絡(luò)的泛化能力有較大的影響，研究了怎樣從復(fù)雜的樣本數(shù)據(jù)中選取合適訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明該算法進(jìn)一步提高了網(wǎng)絡(luò)的泛化能力和模型預(yù)測(cè)精度。
　　2.針對(duì)Apriori算法產(chǎn)生候選項(xiàng)集效率低和需要頻繁掃描數(shù)據(jù)庫(kù)的兩個(gè)不足，分別提出了哈希表技術(shù)和布爾矩陣的挖掘算法。改進(jìn)后的方