数据挖掘技术在上证指数预测中的应用研究

摘要

随着改革开放不断深化，金融市场建设逐步完善，国家对金融产业关注程度不断升高，股票市场自1990年推行至今，受到市场关注和投资者的追捧。股票证券市场以其高额的回报，较低的准入门槛，一度成为社会关注的焦点。我国股票市场投资者今年热情不断升高，2014年底股票开户人数再创新高。但是高收益同时也伴随着高风险，如何在保证较高收益的同时控制风险，或者是在同等收益的情况下降低风险，一直是投资者思考的问题，准确预测股票价格，根据股票历史记录推测未来股票定价，为投资者提供可靠的定价来源。现在，利用数据挖掘技术和机器学习的方法，通过对股票的历史数据的预测，在给定条件的情况下，通过机器自主学习，给机器一个预测能力，通过算法实现，为投资者预测未来股票价格提供支持。
　　由于股票买卖价格随着需求而变动，而需求也会随着各种主动和被动因素上下浮动，提前预测，为投资者合理布局投资方案提供依据。因此，根据预测数据，提前设计投资布局方案，提升资源利用率，提前做好因股票价格变化的投资预案，有备无患。这一切的基础就是对股票的准确预测。
　　相关文献显示，小波神经网络在时间序列数据预测方面具有一定优势且效果较好。但是小波神经网络预测对训练样本和学习过程时间相对较长。由于在股票市场时间就是金钱，提高计算效率是非常重要的。因此，本文尝试在小波神经网络与BP神经网络比较的基础之上，还尝试了运用SVM回归预测股票数据。最后在BP神经网络机器以及衍生神经网络和SVM回归之间做出比较和权衡。
　　本文主要是通过对上证综合指数预测这一实证分析，对BP神经网络和小波神经网络和SVM回归进行了分析和比较。分别对上证综合指数预测、预测均方误差MSE和运算效率等方面进行了对比。通过对比，可以发现BP神经网络是小波神经网络的基础，小波神经网络是在BP神经网络的基础上衍生而得到的。小波神经网络在计算效率方面比较低，在符合要求的情况下，小波神经网络的准确性优于BP神经网络。而性能最优的方法却是支持向量机，无论是在预测准确程度还是在计算效率方面都领先于神经网络。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

第一节 研究背景

第二节 论文研究意义

第三节 国内外研究现状及文献综述

第四节 论文框架结构

第二章 数据挖掘

第一节 什么是数据挖掘

第二节 数据挖掘的功能

第三节 数据挖掘的功能特点及应用

第四节 数据挖掘应用现状

第五节 数据挖掘中存在的问题

第三章 上证指数预测

第一节 上证指数

第二节 上证指数预测方法概述

第四章 数据挖掘理论模型介绍

第一节 BP神经网络

第二节 小波神经网络模型介绍

第三节 SVM模型介绍

第五章 指标概述分类

第一节 昨日最低指数

第二节 昨日最高指数

第三节 昨日开盘指数

第四节 前日收盘指数

第五节 昨日成交量

第六节 昨日成交额

第六章 基于数据挖掘方法的实证分析

第一节 基于BP神经网络的实证分析

第二节 基于小波神经网络模型实证分析

第三节 基于SVM回归模型实证分析

第四节 各种模型的比较研究

第七章 总结、展望建议及不足

第一节 总 结

第二节 研究展望建议

第三节 研究不足

参考文献

附录

致谢