論基于股票時(shí)間序列數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘研究-在線瀏覽
2024-08-03 00:22本頁面
【正文】 那么，對每一顧客而言，他進(jìn)行的所有交易是以交易時(shí)間的升序排列的，從而構(gòu)成一個(gè)序列，稱這種序列為顧客序列CS（Customer Sequence）。相應(yīng)地，可以認(rèn)為上述交易數(shù)據(jù)庫D已轉(zhuǎn)換為顧客序列數(shù)據(jù)庫。某序列的支持度為支持該序列的顧客數(shù)與顧客序列數(shù)據(jù)庫中顧客總數(shù)之比。序列模式的問題定義與關(guān)聯(lián)規(guī)則很相似，它們之間的區(qū)別可以用下列例子描述，關(guān)聯(lián)規(guī)則描述的是在一次購物中所購買物品之間的關(guān)聯(lián)關(guān)系，而序貫?zāi)Ｊ絼t是描述同一顧客在不同次購物所購物品之間可能存在的某種關(guān)聯(lián)關(guān)系。序列模式的發(fā)現(xiàn)方法與關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)方法大致相同，序列模式的挖掘算法AprioriAll、AprioriSome和DynamicSome[34]。 在[35][36]中提出了挖掘具有概念分層、滑動(dòng)時(shí)間窗口及最大和最小時(shí)間約束的 GSP（Generalized Sequential Patterns）算法。 PSP（Perfectly Sequential Patterns）算法在[37]中提出，該算法采用了前綴樹結(jié)構(gòu)（而非哈希樹）存儲(chǔ)候選序列，從而導(dǎo)致該算法的候選序列集的產(chǎn)生和記數(shù)均不同與GSP算法； 同時(shí)，由于前綴樹的每個(gè)節(jié)點(diǎn)只存儲(chǔ)事務(wù)中的一項(xiàng)，故與哈希樹結(jié)構(gòu)相比較大的節(jié)省了內(nèi)存空間。它的目的是為了獲得易處理的、粗糙的、低成本的解決方法而對不確定的數(shù)據(jù)進(jìn)行處理。軟計(jì)算方法主要包括模糊邏輯、Rough集、遺傳算法、神經(jīng)網(wǎng)絡(luò)等。針對時(shí)間序列挖掘，軟計(jì)算方法的應(yīng)用研究簡要介紹如下：模糊邏輯是最早、應(yīng)用最廣泛的軟計(jì)算方法，模糊邏輯的發(fā)展導(dǎo)致了軟計(jì)算方法的出現(xiàn)。神經(jīng)網(wǎng)絡(luò)是一個(gè)黑箱問題，它先前被認(rèn)為不適合應(yīng)用于數(shù)據(jù)挖掘，且在符號(hào)格式中，它并不能獲得有用信息，但卻適合進(jìn)行解釋。它對屬性或逐個(gè)或合并地進(jìn)行判別，這對于決策或分類是非常重要的。遺傳算法是可調(diào)節(jié)的、魯棒的、有效率的搜索方法，它適應(yīng)于搜索大空間集。[41]提出了一個(gè)基于小生境遺傳算法和模式緩存的時(shí)間序列中頻繁結(jié)構(gòu)模式的發(fā)現(xiàn)算法，該算法具有輕便、靈活、可擴(kuò)展性好的特點(diǎn)，可根據(jù)實(shí)際情況合理配置計(jì)算時(shí)間和所占用的內(nèi)存資源，可實(shí)現(xiàn)挖掘結(jié)果的實(shí)時(shí)動(dòng)態(tài)更新輸出，并通過在在實(shí)際時(shí)間序列數(shù)據(jù)上的實(shí)驗(yàn)證明了該算法的有效性。它能有效地分析不精確、不一致、不完整等各種不完備的信息，還可以對數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識(shí)和潛在的規(guī)律。２股票時(shí)間序列挖掘股票市場高風(fēng)險(xiǎn)和高收益并存，因此對于股票數(shù)據(jù)知識(shí)發(fā)現(xiàn)的研究一直受到人們的關(guān)注。（1）相似性的研究。子序列匹配就是找出與給定模式序列相似的所有子序列，而全序列匹配就是找出彼此間相似的序列。一般有兩個(gè)研究方向，一種是將時(shí)間序列從時(shí)間域（time domain）到頻率域（frequency domain）后在進(jìn)行相似性匹配。另一種則是直接在時(shí)間域上研究。在時(shí)間序列相似性方面的研究文獻(xiàn)有［44,45,46,47］。趨勢分析研究時(shí)間序列的變化趨勢，其理論基礎(chǔ)是將時(shí)間序列視為一個(gè)動(dòng)力系統(tǒng)，認(rèn)為在其過去的波動(dòng)中蘊(yùn)涵有可用于預(yù)測未來的信息。移動(dòng)平均可以降低數(shù)據(jù)集中的變化總量，用移動(dòng)平均替代時(shí)序，可以減少不希望出現(xiàn)的波動(dòng)，故它也稱為時(shí)序的平滑。趨勢分析可以用來值預(yù)測，除此之外，用得較多的是神經(jīng)網(wǎng)絡(luò)[48,49]。（3）時(shí)間序列中關(guān)聯(lián)規(guī)則的抽取。然后采用序列模式發(fā)現(xiàn)算法實(shí)現(xiàn)了符號(hào)序列中規(guī)則的發(fā)現(xiàn)。[51]；[52]；[53]；2002年 [54]。Rough集理論在數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用主要體現(xiàn)在數(shù)據(jù)約簡和關(guān)聯(lián)規(guī)則的抽取上，這方面的研究已經(jīng)有了少量的文獻(xiàn)。該方法融合了正則神經(jīng)網(wǎng)絡(luò)優(yōu)良的泛化性能和Rough集理論的規(guī)則生成能力，充分展示了軟計(jì)算方法應(yīng)用于時(shí)間序列數(shù)據(jù)分析的新穎性。眾所周知，統(tǒng)計(jì)學(xué)是數(shù)據(jù)挖掘的三大支柱之一（另兩種是數(shù)據(jù)庫和人工智能）；同時(shí)，數(shù)據(jù)挖掘在統(tǒng)計(jì)學(xué)的基礎(chǔ)上另有擴(kuò)充和發(fā)展，這使得數(shù)據(jù)挖掘技術(shù)成為一種更具優(yōu)勢性的研究方法。統(tǒng)計(jì)學(xué)本質(zhì)上是從事“確定性”分析的，可以說統(tǒng)計(jì)方法是“目標(biāo)驅(qū)動(dòng)”的。它所強(qiáng)調(diào)的首先是發(fā)現(xiàn)，其次才是解釋。證券市場是國民經(jīng)濟(jì)的晴雨表，是政府主管部門、券商和廣大投資者的興趣中心。作為數(shù)據(jù)挖掘的主要組成部分之一，關(guān)聯(lián)規(guī)則挖掘獲得了廣泛的研究，但從關(guān)聯(lián)規(guī)則的角度進(jìn)行股票時(shí)間序列分析，從學(xué)術(shù)上來說具有一定的新穎性，其終極目標(biāo)是以極大的概率預(yù)測股價(jià)的未來走勢?？疾旃善眱r(jià)格之間的漲跌關(guān)系，如能在傳統(tǒng)分析方法的基礎(chǔ)上，采用先進(jìn)的數(shù)據(jù)挖掘技術(shù)，挖掘出股票之間的價(jià)格聯(lián)動(dòng)關(guān)聯(lián)規(guī)則，顯然具有十分重要的意義。大量文獻(xiàn)已經(jīng)說明Rough集理論是從數(shù)據(jù)集中提取關(guān)聯(lián)規(guī)則的有效方法，其中主要的原因應(yīng)歸功于Rough集理論強(qiáng)大的數(shù)據(jù)約簡能力。參考文獻(xiàn) [1] 安鴻志，陳兆國，杜金觀，潘一民. 時(shí)間序列的分析與應(yīng)用. 科學(xué)出版社 1983.[2] Jiawei Han，Micheline Kamber. 數(shù)據(jù)挖掘: ：～278～285.[3] 貝政新，陳瑛. 證券投資通論. 上海：復(fù)旦大學(xué)出版社，1998.[4] 安妮. 股票投資技術(shù)方法與應(yīng)用. 深圳：海天出版社，1995.[5] 王耀動(dòng)，張德遠(yuǎn)，張海雄. 經(jīng)濟(jì)時(shí)間序列分析. 上海財(cái)經(jīng)大學(xué)出版社 1996.[6] 李民，邵建中，李俊平等. 用ARMA模型預(yù)測深滬股市. 長沙鐵道學(xué)院學(xué)報(bào)，2002，18(1)：78～84.[7] 李愛國，覃征. 滑動(dòng)窗口二次自回歸模型預(yù)測非線性時(shí)間序列. 計(jì)算機(jī)學(xué)報(bào)，第27卷，第7期2004年7月.[8] 孫宏義，朱梅. 混沌時(shí)間序列預(yù)測及在股票市場中的應(yīng)用. 安徽工程科技學(xué)院學(xué)報(bào)，第18卷，第4期2003年12月.[9] 李菁菁，邵培基，黃亦瀟. 數(shù)據(jù)挖掘在中國的現(xiàn)狀和發(fā)展研究. 管理工程學(xué)報(bào) 2004年第3期.[10] , , . Mining Association Rules Between Sets of Items in Large Databases[C]. Proceedings of ACM SIGMOD Int’1 Conf. Management of Data, Washington ., ～216. [11] , . Fast Algorithms for Mining Association Rules[J]. VLDB94, Santiago, Chile,1994:478～499.[12] Mannila H, Toivonen, Inkeri Verkamo A. Efficient algorithms for discovery association rules. In Proceedings of AAAI Workshop on Knowledge Discovery in database. July ～192.[13] Hannu Toivonen, Mika Klemettinen, Pirjo Ronkaine etal. Pruning and grouping discovered association rules. In Mlnet workshop on Statistics, Maching Learning and Discovery in
語文相關(guān)推薦
鄂ICP備17016276號(hào)-1