基于数据挖掘的股票分析和预测模型的设计与应用

股票市场作为宏观经济的晴雨表和微观经济的重要指标,已经与人们日常经济生活密不可分。由于股票投资风险大,进行投资决策时需要对股票市场中产生的大量历史交易数据和财务数据进行分析以选择投资方向,人脑的处理数据能力有限,而数据挖掘能够处理这些海量数据,对数据进行分析,发现其数据模式及特征,进行合理的投资分析和预测。因此,数据挖掘在股票分析预测方面的应用,无疑具有重要的现实意义。 本文以股票分析方法中的技术分析和基本分析两方面内容为基础,应用数据挖掘的概念和模型,针对股票分析和预测建立相应的模型并加以实际应用,并进行了实证分析和比较。论文主要工作包括以下三个方面： 1、把神经网络和支持向量机技术应用到股票交易数据上进行比较分析。首先,系统的介绍了神经网络和支持向量机理论,并对两种技术的优缺点进行比较和分析。然后,使用支持向量机和神经网络分别对上证指数进行预测。最后,得出结果为短期内的预测支持向量机所得到的预测值精度比神经网络高,但神经网络相对于支持向量机而言能够预测出长期趋势；支持向量机的预测结果在趋势反转时的偏差要比神经网络大。 2、引入了跨行业数据挖掘标准流程(CRISP-DM)将财务数据分析预测视为系统,通过利用C5.0算法生成决策树,选取有代表性的财务指标,分析了高成长公司与普通公司在那些财务指标上的差别。 3、把聚类技术应用到股票财务数据的分析上,衡量样本股票的“相近程度”,结果表明该方法能够准确了解股票的特征,预测股票的投资价值。