数据挖掘是研究如何从大量的数据中获取潜在的有用信息和知识。而关联规则挖掘是数据挖掘中最成熟、最主要、最活跃的研究内容。随着证券市场的不断发展,在证券信息数据库中积累了大量历史交易数据,如何充分利用这些历史数据探寻证券市场自身的运行规律,成为人们关心的问题。特别是2005年下半年,适逢股改大潮的来临,中国股市重新振作,掀起了一波接一波的热潮,从中留下的数据又为数据挖掘提供了良好的挖掘对象,可以总结出大量有价值的规律指导投资者操作。 在整个数据挖掘的研究中,算法的研究占有特别重要的地位。数据挖掘面对的是大量数据集,算法的效率起到决定性的作用,因此,研究和改进现有的算法,有着十分重要的意义。鉴于此,本文对关联规则挖掘算法进行了研究。首先对数据挖掘作了一般性介绍,包括数据挖掘的概念、模式、挖掘的主要问题、数据挖掘系统的分类以及应用和发展趋势。然后,对数据挖掘中重要的关联规则挖掘算法做了深入的研究,分析了关联规则中经典的Apriori算法、AprioriTid算法和AprioriHybird算法及其他学者对Apriori算法的改进算法,总结了算法中存在的问题;接着,详细介绍了本文内容的重点之一,一种AprioriHybird算法的改进算法,并把它与AprioriHybird算法进行了详细比较。 为了更好地挖掘股市信息,就必须结合股市的特点,特别是股票自身的运作规律,股票的走势包含了数以万计人的思维和智慧,必须通过详细和耐心的观察才能学之一二。经过长期学习、跟踪股市及模拟演练,本文决定从宏观和微观两个方面来描述股票。宏观上,把近数月的股票数据通过模糊时间序列匹配的方法转化为股票的长期参数;微观上,把近数日的股票数据通过相关实战书籍经验和模拟实战经验转化为短期参数,从而形成一套完整的参数集,为挖掘工作打下坚实的基础。这是本文内容的重点之二。 最后在Microsoft Visual C++ 6.0环境下完成了对股票数据的处理、算法的改进及挖掘工作。实验验证了改进的AprioriHybird算法的效率在一定程度上优