数据挖掘技术在证券投资领域的应用研究

摘要

数据挖掘(Datamining)是从大量的、模糊的、不完整的、有噪声的、随机数据中提取人们先前不知道的、但又是潜在有用的规则和知识的过程。数据生成和收集技术的进步促使商业和科研领域产生了海量数据集，人们都渴望掌握隐藏在大量的数据背后有价值的信息，通过深入分析数据，使他们能充分发挥作用。数据挖掘技术的不断发展，很好地解决了这一问题，在数据技术的发展中发挥重大的作用。本文利用数据挖掘技术，从证券行业海量的数据中挖掘其背后隐藏的价格变化规律，主要的研究内容如下：
　　首先，采用数据挖掘中的关联规则技术对股票交易数据进行分析，根据交易数据的特点提出相应的数据挖掘模型，进行以Apriori算法为基础的关联规则的挖掘。对数据进行预处理，构造分析指标，利用Apriori算法挖掘各上市公司股票价格间的相互关联，通过对结果的分析表明：在股票的交易数据中使用关联规则算法对股票分析是有效可行的。为投资者的投资组合提供有意义的参考。
　　接着，以时间序列分析原理为基础，针对股票数据的特点，选取ARIMA模型来对股票交易的历史数据进行分析预测，得出股票在历史时间段中的变化规律，并预测未来的价格走势，将时间序列的方法成功的应用到股票的预测中并取得了一定的效果，分析股票价格图表，为投资者提供理论依据，挖掘适当的投资时间。

目录

声明

中文摘要

英文摘要

目录

1绪 论

1.1研究背景及意义

1.2国内外研究现状

1.3本文的主要内容

1.4本文的章节安排

2数据挖掘技术与证券市场概述

2.1数据挖掘技术

2.1.1数据挖掘的基本理论

2.1.2数据挖掘的实例

2.2证券市场

2.2.1证券市场在我国发展历史

2.2.2市场结构特点

3关联规则挖掘的研究应用

3.1关联规则挖掘技术

3.1.1关联规则的基本概念

3.1.2关联规则挖掘的Apriori算法

3.2关联规则挖掘在证券投资中的应用

3.2.1数据收集及预处理

3.2.2关联分析挖掘

3.3本章小结

4时间序列挖掘的研究应用

4.1时间序列方法的理论知识

4.1.1时间序列常用方法

4.1.2时间序列ARMA模型介绍

4.1.3时间序列的特性分析

4.2时间序列模型的建立

4.2.1自相关函数与偏自相关函数

4.2.2识别模型

4.2.3参数估计

4.2.4模型检验

4.2.5模型的预测

4.3时间序列挖掘在证券投资中的应用

4.3.1数据预处理

4.3.2时间序列挖掘技术的实现

4.4本章小结

5总结与展望

5.1总结

5.2展望

致谢

参考文献

附录