证券分析中数据挖掘模型的研究及应用.doc

证券分析中数据挖掘模型的研究及应用证券分析是现代金融分析的基本研究对象。证券市场在我国的短短几十年内迅猛发展,越来越多的人将资金投入到证券中,证券市场尤其在近几年异常活跃。而随着证券市场的快速发展也对证券分析系统提出了更高的要求,因此对证券分析系统的研究也成为金融分析研究的一个重要课题。同时数据挖掘技术近几年被研究越来越多,尤其在证券分析领域中,数据挖掘技术由于其具有强大的发掘潜在信息的能力,被广泛应用。在证券分析中,股票预测是金融数据挖掘的一个重要研究方向。股票时间序列除了具有非线性、非平稳和动态等一般时间序列具有的特征外,还具有高噪音、非正态、尖峰厚尾等特征,因此股票时间序列预测更具有挑战性,并有广阔的应用价值和市场前景。同时相似股票时间序列检索也是证券分析中的一个研究重点。随着证券市场的繁荣,股票价格的波动显得更加复杂,从大量股票的历史数据中快速查找出与其具有相似波动规律的股票从而进行预测或者投资组合分析是证券分析系统中不可缺少的功能。针对以上两个关键问题,本文重点研究了基于遗传BP神经网络混合模型在股票预测中的应用。传统的研究只能对短趋式的预测才有比较好的预测效果,同时大部分的模型都只适用于他们所实验的单一种类的数据而并不能适用于其他类型的测试数据,准确率偏低,连续预测值波动性小等问题。本文针对上述问题提出一种改进的遗传BP神经网络模型,通过实验表明,该模型适用于长期预测,同时预测结果准确率高。同时我们还建立了相似股票时间序列检索库,我们先对股票序列进行特征提取,然后使用模糊聚类方法对时间序列进行聚类分析,在模糊聚类分析方法中我们对其有效性指标进行了改进,提高了聚类效果。最后,基于以上理论算法的研究,我们利用软件工程的思想建立了金融证券分析系统,包括数据的获取,数据库的建立,到算法模型的实现以及结果的展示等。