基于数据挖掘方法的股票预测系统

摘要

随着中国经济社会的发展，越来越多的民众选择投资股市来实现自己资产的增值。如何把握股票的涨跌规律、如何从上千只股票中选择优质股一直是股市中的一个难题。数据挖掘作为一种从大量数据中使用算法搜索其隐藏信息的手段，已经被广泛应用于股市分析中。
　　本文使用了股市中常用的技术指标作为分析基础、支持向量机作为算法对股票价格的变化进行建模，旨在通过机器学习和数据挖掘方法对股票的涨跌进行预测。主要工作包括:本文提出了基于技术指标序列的特征构造方法;以及依据最大化收益思想提出了根据ROC曲线下面积AUC值进行遗传参数寻优的支持向量机，来解决传统方法在股票预测中可用性不高的问题。
　　在实验中，将算法应用于浦发银行股票的涨跌预测中，通过最优化不同时间窗口下分类器的判别效果，求取最佳买入时间点，得到了不错的分类表现和收益回报。之后实现了一个量化选股方法。通过挖掘大量股票上涨趋势的共同规律，选择概率最大的股票进行投资，模拟实际的决策过程并计算了该策略的收益情况。实验表明，本文提出的方法对股票交易具有一定意义上的预测指导作用，因此可以帮助投资者简化投资分析步骤并增加获利。
　　最后，基于上面的预测实验，本文使用MATLAB实现了一个股票预测系统。该系统实现了股票数据获取、股票行情可视化、股票买点预测和量化选股四个模块，给普通投资者的分析提供了方便。

目录

声明

摘要

1 绪论

1．1 课题研究的意义

1．2 相关领域研究现状

1．3 本文主要工作

1．4 本文组织结构

1．5 本章小结

2 股市技术分析

2．1 技术分析的发展

2．1．1 技术分析的历史

2．1．2 技术分析的优势

2．1．3 市场有效性

2．2 常用技术指标

2．2．1 MA

2．2．2 MACD

2．2．3 KDJ

2．2．4 BOLL

2．2．5 RSI

2．3 技术指标的局限性

2．4 本章小结

3 数据挖掘算法介绍

3．1 支持向量机模型

3．1．1 线性支持向量机

3．1．2 核函数变换

3．2 ROC曲线

3．3 遗传算法

3．4 本章小结

4 股票预测方法

4．1 基于技术指标的特征构造

4．2 基于AUC值遗传优化的支持向量机

4．3 股票买点预测实验

4．4 量化选股实验

4．5 本章小结

5 股市预测系统的实现

5．1 股票预测系统的设计

5．2 股票预测系统展示

5．2．1 股票数据获取模块

5．2．2 股票行情可视化模块

5．2．3 股票买点预测模块

5．2．4 量化选股模块

5．3 本章小结

6 结论与展望

致谢

参考文献

附录