基于K-means算法和决策树模型的投资者交易行为研究

摘要

随着互联网技术的发展，用户在互联网上留下的行为信息越来越多，通过运用数据挖掘技术寻找行为之间的内在规律，揭示其背后潜在的价值信息，对商业决策和理论研究都具有重要意义。在互联网金融领域，投资者的交易行为同样也蕴含了大量信息，为了能够探究股票投资者交易行为特征，本文以股票投资者交易行为研究对象，研究其交易行为与股票收益之间的规律。
　　本文内容主要包括五个章节。第一章我们首先介绍了数据挖掘的研究背景，数据挖掘的流程及挖掘内容;然后分别介绍了数据挖掘在金融领域和用户行为领域的国内外研究现状;最后，在各学者研究的基础上，我们提出本文的研究方向及研究意义，并简要介绍了本文的主要内容。
　　在第二章中，我们首先从相关网络上收集了与投资者实盘交易相关的数据，对数据进行预处理，并对用户投资交易行为定义并量化，然后分别从盈亏情况、操作风格、交易次数、交易频率、选股情况等方面对整体交易行为进行分析。通过分析发现，整体交易记录中盈利多于亏损，整体交易偏保守型，且选股情况不佳;大多数交易倾向于中短期投资，同时倾向于低频操作。
　　第三章中，我们以中短期交易记录为研究对象，通过K-means算法，将其分为四类，分析各个类别的行为特征，结合各个类别的收益情况发现中短期盈利情况受整体交易中的交易风格影响较大，而其操作频率影响较小。
　　第四章中，以投资者个人为研究对象，对其指标进行定义转化，用K-means算法对投资者指标进行离散化处理，然后通过ID3算法构建决策树模型，经过模型训练与剪枝，得到投资者行为特征与收益之间的规则，发现投资者的选股能力对其盈利情况影响最大，另外，把握时机能力、操作风格和交易频率对投资者收益都有一定的影响，在此规则基础上，我们为投资者提出了一定的投资参考建议。
　　第五章中，总结概括全文内容，并阐述了本文的不足之处，并探讨了下一步模型的改进之处;同时展望了本文研究方向的发展以及实际的研究意义。

目录

声明

摘要

第1章 绪论

1．1 数据挖掘

1．2 数据挖掘在金融领域的应用

1．3 数据挖掘在用户行为分析中的应用

1．4 本文主要工作内容

第2章 整体投资交易行为量化分析

2．1 投资交易行为数据获取及预处理

2．2 投资交易行为的定义及量化

2．3 整体交易行为分析

2．4 本章小结

第3章 基于K-means算法的中短期交易行为聚类分析

3．1 聚类算法

3．2 数据处理及定义

3．3 聚类结果分析

3．4 本章小结

第4章 基于决策树模型的投资者交易行为研究

4．1 决策树理论

4．2 投资者行为特征的提取转化

4．3 基于决策树模型的投资者交易行为与收益之间的研究

4．4 本章小结

第5章 总结与展望

参考文献

致谢