实验八 预测股票市场的收益.docxVIP

实验八 预测股票市场的收益 实验目的和要求： 理解股票时间序列的分析和相关包调用； 理解和掌握通过学习的方法建立股票时间序列的预测模型； 理解股票时间序列的模型评价标准； 实验指导： 对数据挖掘而言股票市场交易是个具有巨大潜力的应用领域。事实上，由于大量历史数据的存在，人工对这些数据进行检测是很困难的，而数据挖掘技术对大数据有先天的优势。另一方面，有学者声称，市场在价格调整上适应之快，以至于根本没有空间可以得到稳定的收益。这就是有名的有效市场假设。这个理论先后被一些更宽松的版本所取代，即由于短暂的市场无效，市场还是有一些交易机会空间的。 股票交易的总体目标是维持一个基于买卖订单的股票组合。长期目标就是从这些股票交易中获取尽可能多的利润。本章对股票组合简化，只“交易”一只单一的证券，这里采用股票市场指数—标准普尔指数。对于给定的证券和初始资金，我们将尝试通过交易行为(买人、卖出、持有)，在未来一段测试期使利润最大化。应用数据挖掘技术得到结果给出信号，然后据此作为决策的基础来制定交易策略。在该过程中，我们应用标准普尔500指数的历史数据来预测未来的指数变化。因此我们的预测模型将包含进一个交易系统中，该交易系统应用模型的预测结果来生成决策。总体的评估标准就是该交易系统的性能，即该交易系统的交易所产生的利润或者损失，以及对投资者有意义的一些其他统计指标。因此，我们的主要评价指标是应用数据挖掘过程发现的知识来进行交易所产生的结果，而不是在该过程中所开发的模型的预测准确性。 1.包 xts的介绍和包中的数据结构 xts扩展zoo的基础结构，由3部分组合。 索引部分：时间类型向量 数据部分：以矩阵为基础类型，支持可以与矩阵相互转换的任何类型 属性部分：附件信息，包括时区，索引时间类型的格式等 xts基础 xts: 定义xts数据类型，继承zoo类型 coredata.xts: 对xts部分数据赋值 xtsAttributes: xts对象属性赋值 [.xts: 用[]语法，取数据子集 dimnames.xts: xts维度名赋值 sample_matrix: 测试数据集，包括180条xts对象的记录，matrix类型 xtsAPI: C语言API接口 类型转换 as.xts: 转换对象到xts(zoo)类型 as.xts.methods: 转换对象到xts函数 plot.xts: 为plot函数，提供xts的接口作图 .parseISO8601: 把字符串(ISO8601格式)输出为，POSIXct类型的，包括开始时间和结束时间的list对象 firstof: 创建一个开始时间，POSIXct类型 lastof: 创建一个结束时间，POSIXct类型 indexClass: 取索引类型 .indexDate: 取索引的 .indexday: 索引的日值 .indexyday: 索引的年(日)值 .indexmday: 索引的月(日)值 .indexwday: 索引的周(日)值 .indexweek: 索引的周值 .indexmon: 索引的月值 .indexyear: 索引的年值 .indexhour: 索引的时值 .indexmin: 索引的分值 .indexsec: 索引的秒值 数据处理 align.time: 以下一个时间对齐数据，秒，分钟，小时 endpoints: 按时间单元提取索引数据 merge.xts: 合并多个xts对象，重写zoo::merge.zoo函数 rbind.xts: 数据按行合并，为rbind函数，提供xts的接口 split.xts: 数据分隔，为split函数，提供xts的接口 na.locf.xts: 替换NA值，重写zoo:na.locf函数 数据统计 apply.daily: 按日分割数据，执行函数 apply.weekly: 按周分割数据，执行函数 apply.monthly: 按月分割数据，执行函数 apply.quarterly: 按季分割数据，执行函数 apply.yearly: 按年分割数据，执行函数 to.period: 按期间分割数据 period.apply: 按期间执行自定义函数 period.max: 按期间计算最大值 period.min: 按期间计算最小值 period.prod: 按期间计算指数 period.sum: 按期间求和 nseconds: 计算数据集，包括多少秒 nminutes: 计算数据集，包括多少分 nhours: 计算数据集，包括多少时 ndays: 计算数据集，包括多少日 nweeks: 计算数据集，包括多少周 nmonths: 计算数据集，包括多少月 nquarters: 计算数据集，包括多少季 nyears: 计算数据集，包括多少年 period