基于基因表达式编程的股票指数和价格时间序列分析

摘要

数据挖掘是从大量的数据信息中提取出隐含的知识、规律和行为模式的处理过程。　　经济学家一直致力于研究股票市场价格的变化，希望能从中找出一些规律，避免诸如股灾这种大的股市波动，从而保持经济稳定。股票市场是一个复杂的非线性系统，同时受多种因素的交互影响，对于股票未来价格的精确预测是非常困难的。股市预测被认为是当前时间序列预测中最富挑战性的应用之一，受到数据挖掘界的广泛关注。　　基因表达式编程(GEP)是在遗传算法的基础上发展而来的遗传算法的新分支，它在个体的表示、个体的处理和结果的形式等方面与传统遗传算法有着显著的区别和优势。　　本文针对股票对象的特点，研究了用GEP算法对股票指数和价格进行预测，取得了满意的效果。本文主要工作如下：1.阐述了数据挖掘的基本概念和流程；2.对遗传类算法特别是GEP算法的结构和特点进行了分析；3.对股票市场及数据的特点进行了研究和分析；4.建立了基于基因表达式编程的股票分析模型GEP-STOCK及其算法；5.在GEP-STOCK模型和算法的基础上对股票指数和价格进行了一系列实验，然后用神经网络算法进行了相应的对比实验，对实验结果进行了分析，实验结果表明，GEP算法对股票指数预测的精度比神经网络算法高200％。

目录

文摘

英文文摘

0.引言

1.数据挖掘综述

1.1数据挖掘及其任务

1.2数据挖掘的流程

1.3时间数据和序列数据的挖掘

2.股市数据的特点及预测

2.1股市与国民经济

2.2用时间序列方法预测股票价格的基本方法

3.遗传和进化

3.1生物进化和遗传

3.2遗传算法

3.3遗传编程

3.4相关的其他算法

4.基因表达式编程(GEP)概述

4.1 GEP基本概念

4.2GEP算法的基本结构

5.GEP-STOCK模型

5.1 GEP-STOCK中的概念

5.1.1STOCK-gene

5.1.2 STOCK-fitness

5.2 STOCK-GEP算法

6.实验

6.1实验数据(来源于WWW.SOHU.COM)

6.2方法一：基于GEP-STOCK的上证指数时间序列分析

6.2.1上证指数时间序列模型

6.2.2误差分析

6.2.3指数涨跌分析

6.2.4基于GEP-STOCK的股票价格时间序列分析

6.3方法二：基于神经网络的上证指数分析

6.3.1神经网络分析方法

6.3.2基于神经网络(MATLAB)对上证指数的分析

6.4方法一与方法二的分析结果比较

7.结束语

参考文献

本文作者在攻读硕士期间录取发表的文章：

声明：

致谢：