【正文】 計(jì)算機(jī)工程. 第29卷，第12期，2003年7月.[50] , , , , : Rule Discovery from Time Series. KDD 1998:1622.[51] , . Mining quantitative rules in large rational table. In: Proc. Of the ACM SIGMOD Conference on Management of Data. New York: ACM Press, 1996.[52] , , . Stock movement and ndimensional intertransaction association rules. In: Proc. SIGMOD’ 98(12). Seattle: ACM Press, 1998.[53] , . Spirit: sequential pattern mining with regular expression constraints. In: VLDB’ 99. Edinburgh: Morgan Kaugmann Publishers, 1999.[54] , , . Multidimensional regression analysis of timeseries data steams. In: VLDB’ 2002. Hong Kong: Morgan Kaugmann Publishers, 2002.[55] 方依蘭， 黃智興，張為群. 股票信息的數(shù)據(jù)挖掘. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）. 第25卷，第2期，2000年4月.[56] 鄭朝霞，劉廷建. 關(guān)聯(lián)規(guī)則在股票分析中的應(yīng)用. 成都大學(xué)學(xué)報(bào)(自然科學(xué)版) , 2002.[57] 喻偉，陳國(guó)青. 基于時(shí)序數(shù)據(jù)的延遲關(guān)聯(lián)規(guī)則的挖掘. 計(jì)算機(jī)應(yīng)用研究. 2002年，第12期.[58] 張竹潤(rùn)，謝康林，張忠能. 多粒度時(shí)間序列中模糊規(guī)則的提取. 上海交通大學(xué)學(xué)報(bào). 第35卷，第9期，2001年9月.[59] 馬志鋒，刑漢承，鄭曉妹. 一種基于Rough集的時(shí)間序列數(shù)據(jù)挖掘策略. 系統(tǒng)工程理論與實(shí)踐. 2001年12月,第12期.[60] 王曉華，王正欣. 正則化訓(xùn)練的神經(jīng)網(wǎng)絡(luò)與粗集理論相結(jié)合的股票時(shí)間序列數(shù)據(jù)挖掘技術(shù). 電子與信息學(xué)報(bào). 第26卷，第4期，2004年4月.9 / 10。應(yīng)用Rough集理論對(duì)股票時(shí)間序列數(shù)據(jù)進(jìn)行建模、約簡(jiǎn)、規(guī)則抽取，顯然又是一個(gè)極具新穎和創(chuàng)新的研究領(lǐng)域。Rough集理論是一種處理含糊和不精確性問(wèn)題的新型數(shù)學(xué)工具，是采用精確的數(shù)學(xué)方法分析不精確系統(tǒng)的一種理想方法。股票的漲跌不是各自互不影響的，傳統(tǒng)意義上的“板塊聯(lián)動(dòng)”就是極好的證明。長(zhǎng)期以來(lái)各券商的交易系統(tǒng)一直走在IT技術(shù)應(yīng)用革新的前沿，同時(shí)也積累了大量的數(shù)據(jù)；挖掘、開(kāi)發(fā)和利用這些數(shù)據(jù)一方面可以有效指導(dǎo)證券投資者的投資,另一方面可以使證券公司進(jìn)行最適合的定位，從而使企業(yè)長(zhǎng)期的積累得以充分發(fā)揮，樹(shù)立競(jìng)爭(zhēng)優(yōu)勢(shì)。數(shù)據(jù)挖掘，作為很多學(xué)科交叉的結(jié)果，繼承了機(jī)器學(xué)習(xí)的“冒險(xiǎn)”態(tài)度，比統(tǒng)計(jì)學(xué)更強(qiáng)調(diào)實(shí)踐性、探索性和靈活性。但數(shù)據(jù)挖掘卻不同，它的核心是算法，當(dāng)然也考慮模型和可解釋性問(wèn)題，但算法及可實(shí)現(xiàn)性是第一位的。統(tǒng)計(jì)學(xué)為問(wèn)題的探索解決方案提供了有用而實(shí)際的框架；模型是現(xiàn)代統(tǒng)計(jì)學(xué)的核心，模型的選擇和計(jì)算往往被認(rèn)為是次要的，是建立模型的枝節(jié)。四．總結(jié)與展望從大的方面來(lái)說(shuō)，時(shí)間序列數(shù)據(jù)的挖掘技術(shù)可分為統(tǒng)計(jì)分析法和數(shù)據(jù)挖掘。[59]提出的一種基于Rough集的時(shí)間序列數(shù)據(jù)挖掘策略，顯然適用于股票時(shí)間序列的挖掘；[60]則提出將正則化神經(jīng)網(wǎng)絡(luò)與Rough集理論相結(jié)合應(yīng)用于股票時(shí)間序列數(shù)據(jù)庫(kù)的挖掘。國(guó)內(nèi)學(xué)者在這方面也做了相當(dāng)?shù)难芯?，[55]對(duì)股票時(shí)間序列的挖掘，分別探討了一維和二維關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)；[56]通過(guò)一個(gè)具體的實(shí)例描述了從股票時(shí)間序列中挖掘一維關(guān)聯(lián)規(guī)則的方法；[57]提出了延遲關(guān)聯(lián)規(guī)則的概念，并在股票時(shí)間序列上實(shí)現(xiàn)挖掘該規(guī)則的算法；[58]在時(shí)間序列中引入多重時(shí)間粒度，以模糊規(guī)則的形式給出數(shù)據(jù)挖掘的結(jié)果。針對(duì)股票時(shí)間序列的特殊性，許多學(xué)者在經(jīng)典關(guān)聯(lián)規(guī)則挖掘算法的基礎(chǔ)上，又提出了許多新的算法。Gautam Das等對(duì)從時(shí)間序列中發(fā)現(xiàn)關(guān)聯(lián)規(guī)則進(jìn)行了研究[50]，這里規(guī)則是對(duì)時(shí)間序列中不同模式間關(guān)系的一種描述，[50]的主要貢獻(xiàn)在于給出了一個(gè)將原始時(shí)間序列轉(zhuǎn)換成有各個(gè)模式表示符組成的符號(hào)序列的一般方案，該方案由三部分組成，即分割，聚類(lèi)和符號(hào)替換。這種預(yù)測(cè)方法由于是基于時(shí)間序列的具體數(shù)值，而這些數(shù)據(jù)往往含有許多干擾數(shù)據(jù)，因此該值預(yù)測(cè)方法的抗干擾能力較弱。另一種是最小二乘法，即以最好的擬合曲線(xiàn)C作為最小二乘曲線(xiàn)，即曲線(xiàn)具有最小的，其中偏差或誤差di是指點(diǎn)（xi,yi）的值yi與對(duì)應(yīng)曲線(xiàn)C的值之間的差值。給定一組值（Y1,Y2,Y3,…），確定數(shù)據(jù)趨勢(shì)的方法通常有兩種[2]：一種是N階的移動(dòng)平均值，即 ()/n，()/n，()/n，…。（2）趨勢(shì)分析與值預(yù)測(cè)研究。主要應(yīng)用是從股票數(shù)據(jù)中識(shí)別具有相似變化趨勢(shì)的模式，以預(yù)測(cè)新數(shù)據(jù)在未來(lái)的發(fā)展行為。至于為什么要進(jìn)行這種數(shù)據(jù)變換，主要是基于許多信號(hào)分析技術(shù)（如離散傅立葉變換DFT和離散小波變換DWT）需要數(shù)據(jù)來(lái)自頻率域[2]。具體的操作時(shí)將時(shí)間窗口在時(shí)間序列上滑動(dòng)，通過(guò)距離計(jì)算從一個(gè)時(shí)間序列和多個(gè)時(shí)間序列中尋找相似的時(shí)間序列模式進(jìn)行聚類(lèi)形成相似組群，當(dāng)有一個(gè)新的時(shí)間序列需要分析時(shí)，可以從相似組群中尋找與它最相似的類(lèi)來(lái)匹配。該方法是在時(shí)間序列數(shù)據(jù)庫(kù)中找出與給定查詢(xún)序列最接近的數(shù)據(jù)序列，它包含了全序列匹配和子序列匹配兩種問(wèn)題。目前對(duì)股票時(shí)間序列的數(shù)據(jù)挖掘方法大致集中在以下三個(gè)方面。同時(shí)，Rough集理論在處理大數(shù)據(jù)量，消除冗余信息等方面有著良好的效果，因此廣泛應(yīng)用于數(shù)據(jù)挖掘的數(shù)據(jù)預(yù)處理（數(shù)據(jù)約簡(jiǎn)）、規(guī)則生成等方面[42,43]。 Rough集理論由波蘭邏輯學(xué)家Pawlak教授在20世紀(jì)80年代提出，是一種處理含糊和不確定問(wèn)題的新型數(shù)學(xué)工具，其出發(fā)點(diǎn)是根據(jù)目前已有的對(duì)給定問(wèn)題的知識(shí)將問(wèn)題的論域進(jìn)行劃分，然后對(duì)劃分的每一部分確定其對(duì)某一概念的支持程度：即肯定支持此概念，肯定不支持此概念和可能支持此概念，并分別用三個(gè)近似集合來(lái)表示為正域、負(fù)域和邊界。它相對(duì)數(shù)據(jù)挖掘的標(biāo)準(zhǔn)來(lái)優(yōu)化功能，并達(dá)到搜索最優(yōu)解的目的。它對(duì)數(shù)據(jù)挖掘的貢獻(xiàn)是在規(guī)則提取和自組織性上。近年來(lái)，挖掘訓(xùn)練過(guò)的網(wǎng)絡(luò)中的嵌入知識(shí)，已廣泛地應(yīng)用于數(shù)據(jù)挖掘中。[39]在挖掘時(shí)間序列數(shù)據(jù)時(shí)使用了模糊語(yǔ)言概化；[40]針對(duì)商業(yè)銷(xiāo)售的智能分析需求，提出了一種基于模糊集合的數(shù)據(jù)挖掘時(shí)間序列模式算法。模糊邏輯是處理不確定性概念及其推理機(jī)制的過(guò)程，Rough集和神經(jīng)網(wǎng)絡(luò)常被用來(lái)分類(lèi)和規(guī)則抽取，遺傳算法包括最優(yōu)解和搜索過(guò)程，像問(wèn)題最優(yōu)解和樣本選擇。遵從的原則是以追求近似解決模糊/精確問(wèn)題，并低成本地設(shè)計(jì)解決方案。（3）軟計(jì)算方法軟計(jì)算（Soft Computing）是方法論的集合，這些方法集互相協(xié)作，并以一種形式或其它某種形式為現(xiàn)實(shí)中的模糊情況提供靈活信息處理功能[38]。該算法也采用哈希樹(shù)存儲(chǔ)候選序列，仍將候選序列的記數(shù)分為向前及向后階段，但此法劃