论文部分内容阅读
作为市场经济重要特征的股票市场,从诞生的那天起就牵挂着数以千万投资者的心。高风险高回报是股票市场的特征,因此投资者们时刻在关心股市、分析股市、试图预测股市的发展趋势。由于股市的行情受到政治、经济等多方面因素的影响,其内部规律非常复杂,传统的预测技术预测效果并不理想。 针对股价(股指)预测存在的问题,如:股价(股指)具有非线性特性、股价数据具有高噪声特性等,本文通过研究数掘挖掘算法在股市预测中的应用,来寻求数据挖掘算法与股价(股指)预测的结合点。 论文首先介绍了各种数据挖掘算法以及目前数据挖掘算法的研究现状,提出通过研究数据挖掘算法在股市预测中的应用来更好地进行股市预测。 其次,本文应用数据挖掘算法对股票指数进行了预测,分别使用了灰色系统和神经网络模型对股票指数进行了预测。预测结果表明,在对股指走势的短期预测中,GM模型是一个高效率的方法,而神经网络模型同样表现了较好的预测效果,但单一模型预测效果仍然不够理想。针对单一模型预测的缺点,本文提出了灰色系统与神经网络组合模型,并使用该组合模型对股指进行了预测。数值实验结果表明,组合模型预测结果较单一模型有所改进。 再次,本文应用数据挖掘算法对个股股价进行了预测。在神经网络用于股市预测的工作中,本文将股市中广泛使用的技术指标如KD指标、指数平滑异同移动平均线MACD、相对强弱指标RSI等引入模型,分别使用BP神经网络和径向基函数网络进行了预测。同时,我们使用时间序列预测中的二次指数平滑法和三次指数平滑法对同一问题进行了研究并将各种方法预测的结果进行了比较。数值试验的结果表明,径向基函数网络的预测效果要好于BP神经网络,BP神经网络的预测效果要好于二次指数平滑和三次指数平滑。