【正文】 j++) { i。 i++) { for(j = 0。 while(n2 1) { for(i = 0。 } } //找出 k頻繁項集，并連接生成 (k+1)項集 n2 = 2。 rule_tmp[n1].count = 0。 j++) { rule_tmp[n1].seq[0].stock = i。 i++) { for(j = 0。 for(i = 0。 //支持度 support = 。 //記錄當前 k 的值 bool is_rule。 //用于保存 k頻繁項集 int n1, n2。 node rule_tmp[5000]。//一條規(guī)則最多有 10 項，因為有 10 只股票 int count。 }。 //以下為生成 k項集部分 //node1 為規(guī)則細項 struct node1 { int stock。 infiles[8].close()。 infiles[6].close()。 infiles[4].close()。 infiles[2].close()。 } } infiles[0].close()。 } tmp1[i].end = tmp2[i].end。 (percent = t4)) { record[i][n] = 3。 } else if((percent t3) amp。amp。 (percent = t2)) { record[i][n] = 1。 } else if((percent t1) amp。 percent = (minus * ) / tmp1[i].end。 i 10。 i++) { if(infiles[i].eof()) flag = false。 } } } for(i = 0。 } else { top_date = tmp2[i].date。tmp2[i]), sizeof(data))。amp。 i 10。 (!infiles[0].eof())) { tmp_count = 0。 while((tmp_count != 10) amp。 while(flag) { top_date++。 break。 } if(tmp1[i].date == top_date) { tmp_count++。 (!infiles[i].eof())) { infiles[i].read((char *)(amp。 i++) { while((tmp1[i].date top_date) amp。 for(i = 0。 //記錄同一組數據中暫時最遲的時間 //讀取第一組數據 tmp_count = 0。 t4 = 。 t2 = 。 //升跌幅度 double t1, t2, t3, t4。 //趨勢集 int minus。 //在程序中作判斷開關用 int n = 0。 //用于計算同一日期有有效記錄股票的數目 int i, j, k。 //用于讀取第一 組數據的臨時變量 data tmp2[10]。 infiles[9].open(, ios::binary)。 infiles[7].open(, ios::binary)。 infiles[5].open(, ios::binary)。 infiles[3].open(, ios::binary)。 infiles[1].open(, ios::binary)。 int main () { ifstream infiles[10]。 long unknow3。 //收市價 long unknow1。 //最高價 long bottom。 //日期 long open。 } （ 2） ： include fstream include iomanip include iostream using namespace std。 (rule[i][j] )) { couti jendl。 j++) { //支持度為 2%，置信度為 60% if(((arr[i][j] * ) / (n * ) ) amp。 i++) { for(j = 0。 } } //輸出強規(guī)則 for(i = 0。 j 5。 i 7。 j++) { count[i] = count[i] + arr[i][j]。 for(j = 0。 i 7。 //置信度計數 int count[7]。 } coutendl。 coutsetw(6)setiosflags(ios::right)setprecision(3)(arr[i][j] * ) / (n * ) * % 。 j 5。 i 7。 i++) { arr[record_index[i]][record_stock[i]]++。 } } for(i = 0。 j 5。 i 7。 //支持度計數 int i, j。 ()。 if((()) || (())) flag = false。 = 。 } else { record_stock[n] = 4。amp。 (percent = t3)) { record_stock[n] = 2。 } else if((percent t2) amp。amp。 if(percent = t1) { record_stock[n] = 0。 } //計算股票趨勢，用 0 到 4 表示 a 到 e minus_stock = 。 (minus_index = tt6)) { record_index[n] = 5。 } else if((minus_index tt5) amp。amp。 (minus_index = tt4)) { record_index[n] = 3。 } else if((minus_index tt3) amp。amp。 (minus_index = tt2)) { record_index[n] = 1。 } else if((minus_index tt1) amp。 } } //計算股票指數趨勢，用 0 到 6 表示 a 到 g minus_index = 。 (!())) { ((char *)(amp。 } while(( ) amp。 (!())) { ((char *)(amp。 (!())) { while(( ) amp。 (!()) amp。} while(( != ) amp。} if(!()) {((char *)(amp。 while (flag) { if(!()) {((char *)(amp。tmp2), sizeof(data))。amp。tmp1), sizeof(data))。amp。amp。amp。tmp2), sizeof(data))。tmp1), sizeof(data))。 //股票指數、股票前后兩天的交易收市價的差 double percent。 bool flag。 tt5 = 5000。 tt3 = 1000。 tt1 = 10000。 t3 = 。 //定義 4 里面的 T1, T2, T3, T4, T5, T6 t1 = 。 //記錄數計數 double t1, t2, t3, t4。 //股票指數趨勢集數組 int record_stock[3500]。 //infile2 為股票文件 data tmp1, tmp2, tmp3, tmp4。 int main() { //打開文件 ifstream infile1(, ios::binary)。 long unknow3。 //收市價 long unknow1。 //最高價 long bottom。 //日期 long open。 21 致謝 劉玉葆老師 中國銀行農林下路支行理財中心所有同事 參考文獻 [1] Jiawei Han, Micheline Kamber. 數據挖掘 — 概念與技術 [M] . 范明 , 孟小峰等譯 . 北京 : 機械工業(yè)出版社 , 2020 [2] 趙永進 ,王世卿 . 關聯規(guī)則在股票分析中的應用研究 . 微機發(fā) 展 , 2020, vol. 15 no. 9: 152 – 153 [3] 鄭朝霞 ,劉廷建 . 關聯規(guī)則在股票分析中 的應用 . 成都大學學報 (自然科學版 ), vol. 21 no. 4: 46 – 49 [4] 柴明亮 ,宋 蘇 . 關聯規(guī)則在股票分析中的應用 . 計算機應用 , vol. 25 no. 4: 952 – 954 [5] 李 宏 ,陳松喬 ,王建新 . 基于時序模式關聯的股票走勢分析研究 . 計算機工程與應用 , 2020. 13: 56 – 57 [6] 方依蘭 ,黃智興 ,張為群 . 股票信息的數據挖掘 . 西南師范大學學報 (自然科學版 ), vol. 25 no. 2: 138 – 142 [7] Robert D. Edwards, John Magee and W. H. C. Bassetti. 股市趨勢技術分析 . 程鵬等譯 . 北京 :中國發(fā)展出版社 ,2020 [8] [9] .html [10] 附錄 （ 1） ： include fstream include iomanip include iostream using namespace std。這些想法就算目前對于筆者來說尚無法實現，但對于筆者以后的學習、工作都有很大的指引作用。事實上，一些基本序列，例如在股票技術分析中常見的雙頂、旗面等，持續(xù)的天數、幅度和方向等都很不確定，不可能用一個或若干個數組加上一個偏差值就可以描述的。另外，由于在最后一個應用，也就是 基于股票時序模式的關聯規(guī)則挖掘 中需要用到模式識 別，這大大超出了筆者的能力范圍，所以沒能編制實驗對實際數據進行分析，這是一個很大的遺憾。 不足的地方，首先是算法比較簡單，也沒有多考慮效率。 再一點，將股票指數的漲跌分為七種情況是對參考文獻里定義的擴充和新創(chuàng)造 ，符合現實中股票指數的走勢 。 首先是優(yōu)點，研究股票聯系股票指數一起研究是一個很有意義并且頗有 獨創(chuàng)性的應用。通過解決這些問題，筆者對數據挖掘、股票分析都有了更深的理解。在實驗的過程，也遇到了不少問題，例如如何講市面上股票軟件所記錄的歷史數據轉化為程序可以識別的文件等等。由于成交量是反映股票走勢的重要指標，怎樣將形態(tài)和成交量結合起來，并進行動態(tài)的基本模式和時序數據 關聯規(guī)則的挖掘是將來要繼續(xù)研究的問題。 總結和討論 采用時序模式關聯的思想對股票走勢進行分析，首先是建立和維護基本的形態(tài)序列，對數據子序列采用線段斜率序列表示，進行子序列模式匹配，然后調用時序模式關聯算法，得出其結果。 19 子序列的匹配結果驗證： 對圖 1 的走勢進行了驗證，選時間窗口 T = 20， ε = ， wc = 下和上升三角形態(tài)得到匹配。 (3)對待分析的數據序列進行匹配，采用窗口大小為 T進行滑動匹配，若成功則將其記錄為 (aj , Tj)其中 aj ∈ F， Tj表示其出現的時 間值。 (2)選定要分析的數據序列 (計算 5天的均線序列 )，并確定其相關的參數。同時發(fā)現對時間段的劃分也是影響規(guī)律的一個重要方面。 (2)然后對確定的 A 掃描序列，計算其符合 A = B(within T)的數目，當到達可信度以 上時，則輸出規(guī)則。 Bj[nj]的長度，如果一致，則計算其距離 E=∑ |k[n] Bj[n]| / n If E = WC //認為是匹配成功，將其歸為相應的基本模式 18 then A ∈ . Bj[nj] Else Return “NO Matching” 模式關聯性的挖掘 將基本序列模式用字母 B1 , B2 , … , Bj表示，構成集合 F。 算法 1：序列匹配算法 Input：序列 A 的 M[1]，?， M[T]， T，趨勢差值 ε 基本序列的數據 B1[n1] , B2[n2] , … , Bj[nj]，允許誤差 wc output： A∈ Bj[nj] 0r “NO Matching” i = 1。實際上相