论文部分内容阅读
获得1997年诺贝尔经济学奖的罗伯特·默顿(Robert Merton)认为,资金的时间价值、资产定价与风险管理构成了现代金融理论的基石,如何在不确定的环境下对资源进行跨期的最优配置是其最重要的问题。随着计算机软件的发展,各种软件和应用得到广泛的运用,并持续不断的融入各种商业、社会生产和生活等。金融是社会经济中极其重要的组成部分。对金融数据进行数据挖掘,就是在大量非稳态、非线性和高信噪比的不确定的金融数据中挖掘出有价值的信息。数据挖掘技术在金融领域的研究日渐兴起。虽然传统的数据挖掘技术在处理常见数据时表现尚可,但是处理非稳态、非线性和高信噪比的不稳定的金融时间序列时表现出一定的局限性。因此改进现有数据挖掘技术方法在金融时间序列中的应用研究显得尤为重要。针对这一问题,本文以数据挖掘中的聚类算法为切入点,挖掘出金融时间序列中潜在的知识并形成模型进行预测,对金融时间序列展开了深入的研究,主要工作如下:首先,针对DBSCAN聚类算法无法处理变化密度数据集的问题,结合初始点优化和参数自适应的方法改进DBSCAN算法,提出了一种新的可应对变化密度数据集的基于密度的空间聚类算法(OS-DBSCAN)。实验结果表明新的改进的基于密度的空间聚类算法能够针对变化密度数据集进行聚类,并能在给予初始参数之后根据数据集自身的特征和属性进行参数自适应,而且相对于传统的DBSCAN算法,初始点优化与参数自适应的密度空间聚类算法能够在一定程度上提高聚类的质量。其次,针对基于数据挖掘的金融时间序列预测的问题,结合所提出的OS-DBSCAN聚类算法和基于粒子群优化的SVR回归预测算法,提出了一种可应对非稳态、非线性和高信噪比的金融时间序列的混合算法。使用真实金融数据,如Microsoft与Intel股票数据、TWII金融指数数据和A股2259只个股历史交易数据,对算法展开了深入研究。实验数据显示,基于OS-DBSCAN和粒子群优化的SVR的混合算法在对金融时间序列预测中表现出一定的优势。相对于传统的处理方法,基于OS-DBSCAN和粒子群优化的SVR算法在股票价格和金融指数的回归预测实验中获得了较好的准确率,能够提高对股票次日涨幅预测的准确率。数据挖掘算法在金融时间序列预测上取得了一定的效果和实用性。