时间序列论文：基于数据挖掘技术的金融指数预测.docVIP

时间序列论文：基于数据挖掘技术的金融指数预测 【中文摘要】时间序列挖掘是数据挖掘的一个重要研究方向,而金融时间序列由于它的非平稳性、自相关性、非线性性、低信噪比等特点,成为时间序列挖掘的一个难点,但同时又具有很高的研究价值和市场价值。相对于个股数据,金融指数具有透明性好、抗操纵、只有系统风险等优点,因此成为合适的研究对象。本文首先针对市场的交易制度、周期特征等构造了一个以60分钟为基本交易单元的高频交易策略,然后通过数据预处理、特征提取、k近邻分类从原始60分钟数据中挖掘出一个可交易时间单元集合,以满足前述交易策略。其中数据预处理时充分考虑了周期性；特征提取时着重考虑了成交量的影响,提出了加权量比这一特征概念；并对传统的k近邻分类算法做出了调整和改进,提出了概率k近邻(P-kNN)算法,以适应金融数据的特点。用Matlab对实际数据进行的实验表明,上述改进都取得了良好的效果。 【英文摘要】Time series mining is an important research domain of data mining. Financial time series mining is a difficult aspect of time series mining, because its non-stationarity, autocorrelation, non-linear, low signal to noise ratio, etc. But it has high value of research and market at the same time. As to stock data, financial index has good transparency and anti-manipulation, so it is a proper research target.In this paper, we construct a 60-minute high-frequency trading strategy based on the market trading rule and the cycle characteristics. Then we dig out a tradable time units set by data preprocessing, feature extraction and k nearest neighbors classification, which meet the above trading strategy. Cycle characteristics are key consideration in data preprocessing. In feature extraction, the volume ratio is key consideration and weighted volume ratio is proposed. Based on the improvement of the traditional kNN algorithm, the probability kNN algorithm is proposed to adapting financial data. At last, the experiments on actual data with Matlab show that these improvements achieve good results. 【】1.3.99.3.8848 同时提供论文写作指导和论文发表委托服务 【关键词】时间序列 金融预测 特征提取 k近邻算法 【英文关键词】Time series Financial forecast Feature extraction kNN algorithm 【目录】基于数据挖掘技术的金融指数预测 摘要 5-6 Abstract 6 第1章 绪论 9-15 1.1 研究背景 9-10 1.2 研究现状 10-13 1.3 本文内容安排 13-15 第2章 金融时间序列挖掘理论基础 15-24 2.1 时间序列模型 15-17 2.2 时间序列相似性度量 17-20 2.3 时间序列的聚类分析 20-21 2.4 时间序列的分类预测 21-22 2.5 k近邻算法概述 22-23 2.6 本章小结 23-24 第3章 指数序列的预处理与特征提取 24-35 3.1 数据源与分析工具的选取 24-25 3.2 数据的预处理 25-27 3.3 指数序列的特征提取 27-30 3.4 特征的初步分析 30-34 3.5 本章小结 34-