基于數(shù)據(jù)挖掘技術(shù)及股票價(jià)格預(yù)測(cè)-資料下載頁(yè)
2025-01-18 14:55本頁(yè)面
【正文】 ICITY：指定一個(gè)用于檢查周期性、介于0到1之間的數(shù)值。將這個(gè)值設(shè)置為越接近1，就會(huì)探索更多周期性模型，并自動(dòng)產(chǎn)生周期性提示。處理大量周期性模型，會(huì)導(dǎo)致較長(zhǎng)的模型訓(xùn)練時(shí)間。如果將辭職設(shè)置為越接近1，則僅考慮周期性很強(qiáng)的模型。COMPLEXITY_PENALTY：盡職決策樹成長(zhǎng)。減少此值會(huì)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(duì)十只股票進(jìn)行預(yù)測(cè)，將記錄建模次數(shù)的值設(shè)為10。MAXIMUM_SERIES_VALUE：指定任何時(shí)間序列預(yù)測(cè)的上限。MINIMUM_SERIES_VALUE：指定任何時(shí)間序列預(yù)測(cè)的下限。MINIMUM_SUPPORT：指定要在每一個(gè)時(shí)間序列樹中產(chǎn)生分割所需的最少觀測(cè)期數(shù)。MISSING_VALUE_SUBSTITUTION：指定缺失值的替代方法。可用替代之有：上一個(gè)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(cè)折線圖針對(duì)當(dāng)日收盤價(jià)，繪制時(shí)間序列的預(yù)測(cè)圖，包含30期預(yù)測(cè)值與預(yù)測(cè)誤差區(qū)間，其中范例點(diǎn)中，而預(yù)測(cè)誤差為177。根據(jù)上圖顯示，未來(lái)一個(gè)月的當(dāng)日收盤價(jià)呈穩(wěn)步上升。 實(shí)際折線圖日期實(shí)際值預(yù)測(cè)值預(yù)測(cè)誤差相對(duì)誤差2011128177。2011131177。201121177。201129177。2011210177。2011211177。2011214177。2011215177。2011216177。2011217177。2011218177。2011221177。2011222177。2011223177。2011224177。2011225177。表2 預(yù)測(cè)誤差對(duì)比表，在時(shí)間序列模型中預(yù)測(cè)誤差隨著時(shí)間的推移，誤差波動(dòng)性在逐漸的增強(qiáng)，%。綜合剩余9只股票的相對(duì)誤差率結(jié)果，它們的相對(duì)誤差率比神經(jīng)網(wǎng)絡(luò)模型中的相對(duì)誤差率都要大，所以在本文股票預(yù)測(cè)中，以相同的輸入變量來(lái)預(yù)測(cè)當(dāng)日收盤價(jià)，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(shí)間序列預(yù)測(cè)方法、神經(jīng)網(wǎng)絡(luò)模型對(duì)同一股票的當(dāng)日收盤價(jià)的走勢(shì)進(jìn)行了預(yù)測(cè)。采用數(shù)據(jù)挖掘技術(shù)解決實(shí)際問題，說明了在信息科技時(shí)代，信息化處理數(shù)據(jù)是一個(gè)必然趨勢(shì)，對(duì)股場(chǎng)中眾多股民在選擇股票及回避風(fēng)險(xiǎn)中具有較為深遠(yuǎn)的參考意義。利用SQL Server 2008的操作平臺(tái)建立數(shù)據(jù)挖掘預(yù)測(cè)模型，包括時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型。從兩個(gè)模型的分析結(jié)果來(lái)看，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)10只股票的當(dāng)日收盤價(jià)中，有8只股票的相對(duì)誤差率小于7%，但是這個(gè)過程需要處理相當(dāng)多的數(shù)據(jù)；時(shí)間序列模型能夠大致的預(yù)測(cè)出當(dāng)日收盤價(jià)的走勢(shì)，但是預(yù)測(cè)誤差波動(dòng)較大，預(yù)測(cè)結(jié)果不大精準(zhǔn)。通過這兩個(gè)模型的訓(xùn)練調(diào)試，我們得出了以下結(jié)論：時(shí)間序列方法預(yù)測(cè)股票走勢(shì)比較簡(jiǎn)單，但是誤差過大；人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果比較好，但是計(jì)算量過大。兩方面繼續(xù)研究：（1）數(shù)據(jù)挖掘是一個(gè)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(yàn)證、解釋和分析工作，以期望達(dá)到更好、更深入的知識(shí)發(fā)現(xiàn)，在實(shí)際操作中將知識(shí)更有效的表示為計(jì)算機(jī)可重復(fù)利用的知識(shí)需要進(jìn)一步研究。（2）在設(shè)計(jì)預(yù)測(cè)模型時(shí)，本設(shè)計(jì)只考慮到對(duì)當(dāng)日收盤價(jià)的預(yù)測(cè)，應(yīng)把開盤價(jià)、最高價(jià)、最低價(jià)、成交量、成交額等考慮到預(yù)測(cè)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(cè)方法進(jìn)行研究。 隨著社會(huì)的進(jìn)步和發(fā)展，數(shù)據(jù)挖掘技術(shù)將會(huì)日趨成熟，將會(huì)在越來(lái)越多的領(lǐng)域中發(fā)揮越來(lái)越大的作用。致謝首先，我要對(duì)我的畢業(yè)設(shè)計(jì)指導(dǎo)老師賀文武老師表示最真誠(chéng)的感謝。賀老師從選題、開題報(bào)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(shí)，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(duì)我的孜孜教誨，他們不僅教會(huì)我許多的專業(yè)知識(shí)，還教會(huì)我該如何做人，這些都將是我人生中的重要財(cái)富。最后，感謝周圍的同學(xué)，不論是在學(xué)習(xí)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(xiàn)《數(shù)據(jù)挖掘教程》 Margaret 清華大學(xué)出版社 2005；《經(jīng)濟(jì)預(yù)測(cè)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(guó)君，王實(shí)等編著 華大學(xué)出版社2007；《數(shù)據(jù)挖掘》朱明編著 中國(guó)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(jī)械工業(yè)出版社2008；《數(shù)據(jù)挖掘技術(shù)應(yīng)用實(shí)例》紀(jì)希禹，韓秋明等編著 機(jī)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(guó)防工業(yè)出版社 2010；1《時(shí)間序列分析》王振龍編著 中國(guó)統(tǒng)計(jì)出版社 2000。25
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號(hào)-1