基于数据挖掘技术的股票投资实证分析-概率论与数理统计专业论文.docxVIP

重庆大学硕士学位论 重庆大学硕士学位论文 目 录 PAGE PAGE IV 目 录 中文摘要I 英文摘要 II 1 绪 论 1 1.1 研究背景 1 1.2 研究的目的和内容 2 1.3 国内外研究现状 2 1.4 本文的框架结构 3 2 数据挖掘概述 4 2.1 数据挖掘技术的定义 4 2.2 数据挖掘的任务 4 2.3 数据挖掘的方法 5 2.4 数据挖掘的步骤 5 2.5 关联规则的基本概念 6 2.6 Apriori 算法分析 7 2.6.1 算法描述 7 2.6.2 算法演示 8 3 决策树 11 3.1 决策树介绍 11 3.2 ID3 算法 12 3.2.1 算法的基本思想 12 3.2.2 算法描述 13 3.2.3 算法演示 14 4 马克维茨模型 18 4.1 基本假设 18 4.2 马克维茨均值-方差模型 18 4.2.1 模型理论 18 4.2.2 收益与风险计算函数 19 4.2.3 有效前沿计算函数 20 5 股票分析应用模型设计与实现 21 5.1 股票数据准备 21 5.2 关联规则找出关键属性 23 5.3 用决策树算法找出投资股票池 26 5.4 用马克维茨模型找出最佳投资组合 28 6 总结与展望 32 6.1 研究总结 32 6.2 本研究的不足和对未来的展望 32 致 谢 33 参考文献 34 附 录 36 A. 作者在攻读硕士学位期间发表的论文目录 36 重庆大学硕士学位 重庆大学硕士学位论文 1 绪 论 PAGE PAGE 10 1 绪 论 1.1 研究背景 随着人们生活水平的不断提高和股票市场的不断发展，股票投资已成为人们 主要的投资理财方式。而要在几千只股票中做投资选择是目前大部分客户关注最 多的问题之一。股票投资的目的就是如何最大限度地在风险一定的情况下实现高 收益，如何在收益一定的情况下不确定性最小，即实现投资效用的最大化。因此， 进行有效的股票分析是必不可少的，它不仅可以帮助人们提高股票收益还可以控 制风险，减少盲目投资，提高投资决策的科学性和投资回报率[1]。因此股票分析在 整个股票投资过程中占有着极其重要的地位，是一项非常值得研究的工作。 股票市场的数据以时间序列为主，他们具有海量，不平稳，非正态，高噪声 等特点，并且影响股市的因素很多，因此股票分析是比较复杂的过程，传统的分 析方法解决的是已知总体分布的数据模型，并且事先对统计模型作一系列的假定， 如正态分布、独立性假定等。这使传统分析法在解决股票分析问题面前显得无能 为力。 近年来随着数据挖掘的广泛应用，这项技术引起了人们越来越多的关注。数 据挖掘常应用于大型数据库，这就注定了它和股票市场从一开始就有着千丝万缕 的联系。数据挖掘从数据中发现隐含于其中的知识[2]。证券市场每天都会有许多关 于股票的信息产生。它包括最新的行业新闻、经济动向、宏观经济、政治动向等， 每只上市股票的收益、资产负债率、流通市值、利润等财务报告相关指标信息以 及股票每天的行情走势，包括成交量、涨幅、换手率等技术指标信息。这些都成 为投资者的研究对象。股票分析就是对这些研究对象进行分析，挖掘出股票的合 理价值，并与现行的股票实际价格相比较，来决定股票是否具有良好的投资价值。 而我们所要发现的股票价格运行规律就隐藏于这些庞大、复杂、无序的数据当中。 由于这些数据本身并不会说话，因些其中所隐藏的规律需要投资者自己去挖掘。 由于数据大部分都是公开的，并且是公平的，不论是普通投资者还是机构投资者， 投资能力的高低就体现在了数据分析的能力上。同时，由于股票市场对高知识的 要求，决定了股票分析本身是一知识含量很高的决策过程[3]，这就为数据挖掘进入 股票分析应用领域提供了无限的可能和广阔的空间。股票市场为数据挖掘提供了 大量信息，打好了进行数据挖掘的基础，这使用数据挖掘应用到股票分析中具备 了很高的可行性。 1.2 研究的目的和内容 股市在经济发展中的作用越来越大，人们对股票的投资也越来越趋向于理性， 不再盲目的选择股票进行投资，更加关注投资回报率，本文主要研究目的就是通 过数据挖掘从股票的众多属性中找出主要影响股票走势的关键属性，并根据这些 关键属性运用决策树分类法对股票进行分类，找出有具有良好投资价值的股票池， 最后运用马克维茨均值-方差模型对选定的投资组合股票进行风险控制分析，并确 定各股票在投资组合中的比例。 具体内容：首先运用数据挖掘中的关联规则从众多可能影响股票走势的属性 中找出和股票走势密切相关的属性，这些属性就是我们研究的对象。然后根据这 些属性，运用决策树算法进行分类，根据分类结果找出优质股票组合。最后运用 马克维茨均值-方差模型对选出的投