基于数据挖掘与神经网络技术的股票预测模型的

应用科技 基于数据挖掘与神经网络技术的股票预测模型的研究 陈晓辉 桂林工学院电子与计算机系 广西桂林 541004 （ ， ） 摘 要 近年来 股票市场在我国发展迅速 已逐步成为金融业必不可少的组成部分 受到投资者的普遍关注 股票市场具有高噪声 强 ［ ］ ， ， ， 。 、 非线性和不确定性等特点 但许多研究表明 股价还是可以预测的 至少是短期可预测的 这为投资者的投资决策提供了一定的参考 。 ， ， ， 。 关键词 股票预测 数据挖掘 聚类 神经网络 ［ ］ ； ； ； 股票预测是一个热门的课题，传统的技术分析，通常是影响股价 析运用于股票预测只能预测一段时期内股票价格变动的大致趋势，预测 的某一方面的技术指标如MACD、KDJ等，具有一定的局限性。传统 正确度不高。 流行的技术分析 的统计经济学方法运用于股票预测只能预测一段时期内股票价格变动的 3.2 大致趋势，预测正确度不高。 近几年来，数据挖掘技术、神经网络技术在股票投资中的使用已 1 数据挖掘技术 取得了很大的进步。 数据挖掘源于20世纪90年代中期，是一个既年轻又活跃的研究 目前的数据挖掘方法的聚类分析是一种行之有效的指导证券投资 领域，涉及机器学习、模式识别、统计学、数据库、知识获取与表达、 的方法。运用聚类分析能帮助投资者准确地了解和把握股票的总体特 专家系统、神经网络、模糊数学、遗传算法等多个领域。聚类分析是数 征，把市场所有股票或行业板块内的上市公司股票进行分类。通过细小 据挖掘研究领域中一个非常重要的研究课题。 的差别发现这些公司之间的异同，确定投资范围和投资价值，为投资者 聚类分析是一个将数据集划分为若干组或类的过程，并使得同一 出最佳的投资决策提供依据。 建立数据挖掘与神经网络预测模型 组内的数据对象具有较高的相似度，而不同组中的数据对象是不相似 3.3 的。相似或不相似的描述是基于数据描述属性的取值来确定的。通常就 本文通过建立数据挖掘与神经网络预测模型，对股票短期走势进 是利用各数据对象间距离来进行表示的。聚类分析是建立在某种优化意 行预测，从而提高模型的泛化能力及预测正确度。 义下，对样品或指标之间存在的相似性进行度量，将 “相似”的归并成 将股票数据导入数据库系统，根据数据挖掘时的各种需要对数据 类。分类结果是直观的，聚类谱系图明确、清楚地表现其数值分类结 库数据进行抽取、清洗、聚合等转换后导入数据仓库，完成数据仓库准 果，聚类分析得到的结果比传统分类方法更细致、全面、合理。 备。神经网络系统用于完成对指数、板块、个股的短期趋势预测。数据 根据研究对象的特征把性质相近的个体归为一类，使得同一类中 挖掘聚类引擎采用用户提供的各种策略对股票进行聚类分析，得到不同 的个体具有高度的同质性、非同类之间的个体具有高度的异质性的多元 的聚类，用户最终得到感兴趣、满意的聚类，分析结果以图形界面或文 分析技术的总称。这样对原来的大样本集，通