基于数据挖掘技术的股票数据分析研究

目录

第一章 绪 论

1.1 研究工作的背景与意义

1.2 国内外研究历史与现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 本文的主要贡献与创新

1.4 本论文的结构安排

第二章 数据挖掘技术

2.1 数据挖掘概述

2.2 数据挖掘的功能与过程

2.2.1 数据挖掘的功能

2.2.2数据挖掘的过程

2.3 应用于股票预测的适用性分析

2.3.1 股票预测的困难性

2.3.2 应用领域

2.3.3 应用于股票分析的适用性

2.4 解决方案概述

2.4.1 功能需求

2.4.2 模块设计

2.4.3 技术需求

2.5 本章小结

第三章 基于关联分析的股票关键指标提取

3.1关联规则

3.1.1 关联规则基本概念

3.1.2 关联规则的股票分析

3.2 基于Apriori算法的关键指标挖掘

3.2.1 Apriori算法

3.2.2 数据准备

3.3 股票的关联规则分析

3.3.1 数据预处理

3.3.2 实验结果及分析

3.4 本章小结

第四章 基于改进K-Means算法的优质股票选取

4.1 聚类算法简介

4.1.1 聚类的概念

4.1.2 相似性度量

4.2 聚类算法

4.2.1 K均值算法

4.2.2 层次聚类算法

4.2.3 基于密度的聚类

4.3 基于改进K-Means算法的聚类分析

4.3.1 数据预处理

4.3.2 模型对比

4.3.3 基于K均值的改进

4.3.4 最优K值选取

4.4 实验结果与分析

4.5 本章小结

第五章 基于改进C5.0决策树的股票分析预测

5.1 决策树算法

5.2 C5.0决策树算法

5.2.1 特征选择

5.2.2 C5.0决策树算法的优缺点

5.3 Boosting提升算法

5.3.1 Boosting算法原理

5.3.2 决策树以及提升 Boosting 算法在股票分析中的可行性

5.4 基于C5.0算法的模型构建

5.4.1 数据预处理

5.4.2 评价指标

5.4.3 构建C5.0决策树模型

5.5 实验结果与分析

5.5.1 C5.0决策树算法实验

5.5.2 C5.0决策树结合Boosting五指标算法实验

5.5.3 C5.0决策树结合Boosting七指标算法实验

5.6 模型对比

5.7 本章小结

第六章 全文总结与展望

6.1全文总结

6.2后续工作展望

致谢

参考文献