基于數(shù)據(jù)挖掘技術(shù)及股票價格預(yù)測-資料下載頁
2025-01-18 14:55本頁面
【正文】 ICITY：指定一個用于檢查周期性、介于0到1之間的數(shù)值。將這個值設(shè)置為越接近1，就會探索更多周期性模型，并自動產(chǎn)生周期性提示。處理大量周期性模型，會導(dǎo)致較長的模型訓(xùn)練時間。如果將辭職設(shè)置為越接近1，則僅考慮周期性很強的模型。COMPLEXITY_PENALTY：盡職決策樹成長。減少此值會增加拆解的可能性，而增加此值則減少拆解的可能性。HISTORIC_MODEL_COUNT：指定將記錄建模次數(shù)，本文對十只股票進行預(yù)測，將記錄建模次數(shù)的值設(shè)為10。MAXIMUM_SERIES_VALUE：指定任何時間序列預(yù)測的上限。MINIMUM_SERIES_VALUE：指定任何時間序列預(yù)測的下限。MINIMUM_SUPPORT：指定要在每一個時間序列樹中產(chǎn)生分割所需的最少觀測期數(shù)。MISSING_VALUE_SUBSTITUTION：指定缺失值的替代方法?？捎锰娲校荷弦粋€值(Previous)、平均值(Mean)或指定的常數(shù)(Numerical Constant)。PERIODICITY_HINT：設(shè)置建議的周期。此參數(shù)采用的格式為{n [,n]}，其中n是任意的正數(shù)，且可重復(fù)。 預(yù)測折線圖針對當日收盤價，繪制時間序列的預(yù)測圖，包含30期預(yù)測值與預(yù)測誤差區(qū)間，其中范例點中，而預(yù)測誤差為177。根據(jù)上圖顯示，未來一個月的當日收盤價呈穩(wěn)步上升。 實際折線圖日期實際值預(yù)測值預(yù)測誤差相對誤差2011128177。2011131177。201121177。201129177。2011210177。2011211177。2011214177。2011215177。2011216177。2011217177。2011218177。2011221177。2011222177。2011223177。2011224177。2011225177。表2 預(yù)測誤差對比表，在時間序列模型中預(yù)測誤差隨著時間的推移，誤差波動性在逐漸的增強，%。綜合剩余9只股票的相對誤差率結(jié)果，它們的相對誤差率比神經(jīng)網(wǎng)絡(luò)模型中的相對誤差率都要大，所以在本文股票預(yù)測中，以相同的輸入變量來預(yù)測當日收盤價，神經(jīng)網(wǎng)絡(luò)模型更為適合。5 總結(jié)本文使用了數(shù)據(jù)挖掘方法中的時間序列預(yù)測方法、神經(jīng)網(wǎng)絡(luò)模型對同一股票的當日收盤價的走勢進行了預(yù)測。采用數(shù)據(jù)挖掘技術(shù)解決實際問題，說明了在信息科技時代，信息化處理數(shù)據(jù)是一個必然趨勢，對股場中眾多股民在選擇股票及回避風險中具有較為深遠的參考意義。利用SQL Server 2008的操作平臺建立數(shù)據(jù)挖掘預(yù)測模型，包括時間序列模型和神經(jīng)網(wǎng)絡(luò)模型。從兩個模型的分析結(jié)果來看，神經(jīng)網(wǎng)絡(luò)模型預(yù)測10只股票的當日收盤價中，有8只股票的相對誤差率小于7%，但是這個過程需要處理相當多的數(shù)據(jù)；時間序列模型能夠大致的預(yù)測出當日收盤價的走勢，但是預(yù)測誤差波動較大，預(yù)測結(jié)果不大精準。通過這兩個模型的訓(xùn)練調(diào)試，我們得出了以下結(jié)論：時間序列方法預(yù)測股票走勢比較簡單，但是誤差過大；人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果比較好，但是計算量過大。兩方面繼續(xù)研究：（1）數(shù)據(jù)挖掘是一個綜合過程。從大量數(shù)據(jù)中發(fā)現(xiàn)模式僅僅是數(shù)據(jù)挖掘的開始，此外，仍需做大量的驗證、解釋和分析工作，以期望達到更好、更深入的知識發(fā)現(xiàn)，在實際操作中將知識更有效的表示為計算機可重復(fù)利用的知識需要進一步研究。（2）在設(shè)計預(yù)測模型時，本設(shè)計只考慮到對當日收盤價的預(yù)測，應(yīng)把開盤價、最高價、最低價、成交量、成交額等考慮到預(yù)測模型中去。此外，由于不同方法之間存在各自的優(yōu)劣性，應(yīng)綜合更多不同預(yù)測方法進行研究。 隨著社會的進步和發(fā)展，數(shù)據(jù)挖掘技術(shù)將會日趨成熟，將會在越來越多的領(lǐng)域中發(fā)揮越來越大的作用。致謝首先，我要對我的畢業(yè)設(shè)計指導(dǎo)老師賀文武老師表示最真誠的感謝。賀老師從選題、開題報告、寫作到初稿修改直至定稿都給予我許多的耐心指導(dǎo)和寫作思路，在此向賀老師再次表示最衷心的感謝，并致以崇高的敬意！同時，感謝福建工程學(xué)院數(shù)理系領(lǐng)導(dǎo)和老師在大學(xué)四年里對我的孜孜教誨，他們不僅教會我許多的專業(yè)知識，還教會我該如何做人，這些都將是我人生中的重要財富。最后，感謝周圍的同學(xué)，不論是在學(xué)習中，還是生活中都給予我很大的幫助。四年了，仿佛還在昨天，藉此，愿老師們工作順利，身體健康，同學(xué)們能夠找到理想的工作。參考文獻《數(shù)據(jù)挖掘教程》 Margaret 清華大學(xué)出版社 2005；《經(jīng)濟預(yù)測與決策》 朱建平 廈門大學(xué)出版社 2007；《數(shù)據(jù)挖掘原理與算法》（第二版）毛國君，王實等編著 華大學(xué)出版社2007；《數(shù)據(jù)挖掘》朱明編著 中國科學(xué)技術(shù)大學(xué)出版社 2008；《數(shù)據(jù)挖掘?qū)д摗稰angNing Tan編著 人民郵電出版社2008；《數(shù)據(jù)挖掘理論與應(yīng)用》 胡可云，田鳳占等編著 清華大學(xué)出版社2008；《商務(wù)智能與數(shù)據(jù)挖掘Microsoft SQL Server應(yīng)用》謝邦昌編著 機械工業(yè)出版社2008；《數(shù)據(jù)挖掘技術(shù)應(yīng)用實例》紀希禹，韓秋明等編著 機械工業(yè)出版社2009；《數(shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用寶典》 鄧松，李文敬等編著 電子工業(yè)出版社 2009；《數(shù)據(jù)挖掘與數(shù)學(xué)建?！?廖芹，郝志峰等編著 國防工業(yè)出版社 2010；1《時間序列分析》王振龍編著 中國統(tǒng)計出版社 2000。25
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1