当前位置:问答库>论文摘要

题目:考虑相关系数的事务间关联规则挖掘在股价预测中的应用

关键词:兴趣度度量,事务间关联规则挖掘,板块效应,IM-FITI算法,BP网络模型

  摘要

关联规则挖掘作为数据挖掘的一种重要分析方法,在近年来发展日趋成熟。在金融领域,一些研究已开始关注利用关联规则挖掘不同金融产品价格间的关联性、不同市场变动趋势之间的关联性等。依据挖掘范畴的不同,关联规则可以分为事务间和事务内的关联规则挖掘。已有学者对事务间关联规则的挖掘方法做了初步研究。然而经典的基于支持度-可信度框架的挖掘方法存在着严重的局限性:产生过多的模式(包括频繁项集和规则);挖掘出的规则中存在大量用户不感兴趣的无效规则。如何从大量的关联模式中筛选出用户感兴趣、有价值的强规则,是本文算法研究的重要内容之一。本文在此框架中引入了兴趣度度量方法,用来修剪无趣的规则,从而筛选出用户真正感兴趣的规则模式。兴趣度是一个相对概念,它依赖于所应用的数据领域的。本文比较了不同相关系数计算方法及属性,并根据证券交易数据的特性,选择出适合挖掘证券市场事务间关联规则的相关系数计算方法。在对兴趣度度量方法做了理论和直观分析的同时,文中还给出了具体的算法实现方法(IM-FITI)。并通过对各国股指的联动效应实证研究验证了该算法的有效性。实验结果分析表明,在经典的事务间关联规则挖掘方法的基础上引入相关关系度量可以有效地对非相关模式进行剪枝,从而显著地减小频繁项集和规则的规模。本文研究总体上采用定性分析和定量计算相结合的方法,将IM-FITI挖掘出的规则利用BP神经网络方法进行定量分析,讨论了组合方法预测的可行性。利用该方法研究了中国有色金属板块的联动效应,证实了组合方法的预测效果。本文所做的研究工作如下:1、对事务间关联规则挖掘方法进行深入的分析和比较,并对其所存在的问题进行了讨论。2、比较不同相关系数的特性,并针对证券价格领域数据的特点选择出适用的事务间关联规则挖掘方法的相关系数。3、提出了考虑相关系数的事务间关联规则挖掘方法,并设计算法实现。4、提出将关联规则挖掘与神经网络预测相结合的组合预测的方法,根据已挖掘出的关联规则,进一步利用BP网络模型对不同的股票、指数的涨跌幅度做定量预测。