论文《基于数据挖掘的股票选股系统的研究与实现》

摘要：随着计算机网络技术的发展、大数据的出现,人们对于股票交易预测的研究热情不断升温。如何利用股票交易所产生的海量数据信息进行分析,研究交易中对股票趋势存在较为稳定的影响因素,有效过滤干扰因素,提供给股民有效的辅助性决策信息具有非常重要的实际意义。首先研究了国内外的相关研究现状,并针对现有研究中所解决的问题以及存在的问题进行了分析,总结了现有股票预测中存在的问题,介绍了本文的工作重点与研究内容。其次,介绍了数据挖掘的相关基础知识,重点介绍了聚类算法的原理以及常用的两种聚类算法:k均值、DBSCAN算法,同时介绍了分类算法的原理以及两种常用的分类算法:决策树方法和神经网络分类算法,为后续本文的研究提供了必要的理论依据。第三,针对短线股民要求短期获利的心理,对上涨交易数据的特征分析,提出了一种基于聚类分析的智能选股算法。通过对历史股票交易数据进行分析,结合股票后期的变化趋势,将股票交易记录划分为上涨与非上涨两种类型。通过对上涨交易数据进行不同聚类数目的多次聚类,形成不同的聚类模型。结合聚类模型对上涨交易数据进行划分,得到不同的上涨类别数据,通过组合原始非上涨交易数据,得到分类所需要的原始样本数据。在此基础上,利用决策树的分类算法对这些数据集进行分类训练,获得相应的分类判断模型。通过对分类结果进行分析,将分类为上涨交易数据的各个类别整理形成上涨类别,非上涨数据则保持为非上涨类别,从而得到判断结果只有上涨与非上涨这两类的综合模型。第四,本文利用基于聚类分析的智能选股算法,按照目标定义、数据准备、聚类、分类以及实验结果分析这五个步骤设计了相应的实验方案,结合从2006年至2010年深市899支股票共计665621条交易数据的分析,给出了交易数据上涨的定义,详细介绍了交易数据的拆分过程,同时利用K均值聚类算法对上涨数据进行多层次聚类,获取到相应的聚类模型,结合C50的分类算法得到实验结果。通过对获得的待上涨股票后续真实交易数据的变化情况进行对比,其准确率达到52.63%,新算法取得了较大的性能提升。最后,利用本文提出的新方法,结合Visual Basic开发工具实现了一个简单的智能选股系统并进行了功能测试。给出了系统总体设计、各功能模块的设计,并利用交易数据对2015年4月24日-5月22日进行选股,通过对选股结果的评价分析,获得了较好的应用结果。想要下载论文的读者朋友，请先付费获得积分。