论文部分内容阅读
股票市场不仅是一个存在利益的市场,同时也是一个存在高风险的市场,对股票的变化趋势做出准确的预测对我国的经济发展和金融建设有着重要的意义。股票价格受多种因素的影响,包括宏观因素中的政治、文化等,产业和区域因素,公司因素和市场因素,因此造成股价预测的复杂性和变化不稳定性。股票市场拥有丰富的数据资源,隐藏大量信息可供挖掘。数据挖掘就是从各种各样的海量数据中,挖掘出看似违背常理,其实又在情理之中的一些潜在规则规律,并利用其来预测人类预测不到、未来一定会发生的事情并做出相应的决策。数据挖掘技术已经广泛应用于金融、零售、制造业、医疗保健与科学等行业,其中股票市场的分析与预测就是一个重要的应用领域。本研究使用了股票市场中常用的一些指标及数据,运用数据挖掘算法中的支持向量机、随机森林、BP神经网络等对股票问题进行分析和预测,主要内容如下:(1)由于上市公司财务数据具有高维性和冗余性等特点,结合一些ST和非ST公司的数据,提出在随机森林方法进行特征选择的基础上结合3种机器学习算法来对上市公司进行分类,用来更好地判断公司的财务状况,达到预警的效果。(2)在鱼龙混杂的股票中,如何在众多类型的股票中选取优质的股票进行科学投资,获得满意的投资回报,一直以来是投资价值分析过程中的一个重要环节。提出了层次分析法与模糊综合评价法相结合的方法来对股票价值进行客观评估。(3)针对股票价格数据的非线性、非平稳性等问题,提出了一种基于主成分分析与广义回归神经网络的股票价格预测方法。运用主成分分析法对影响股票价格的指标进行降维,在此基础上,结合广义回归神经网络模型对股票价格进行预测研究。(4)由于经典的线性映射降维方法如主成分分析法(PCA)、线性判别分析法(LDA)等,对股票价格数据非线性问题无法得到较好结果。提出了一种基于局部线性嵌入算法和BP神经网络的股票价格预测方法。本研究运用数据挖掘中的多种模型和方法对股票的价格预测、股票的分类和股票的价值投资进行了分析研究。仿真实验结果表明,本研究提出的方法能够相对有效地应用于我国股票市场,为投资者更准确地预测股票价格及更好地把握股市发展提供了相应的参考依据。