数据挖掘案例分析小组作业
《数据挖掘技术》课程思政优秀案例
一、课程基本情况《数据挖掘技术》是大数据技术专业课程体系中的一门专业核心课程，面向大数据技术专业2001班、2002班和2003班，总学时102学时，开设于第4学期。
本门课程采用OBE 教学理念的方式，案例训练借助PBL 项目式教学方法，旨在培养学生数据挖掘理论分析与应用实践的综合能力，帮助学生建立“问题-原理-方法”三位一体的专业思维，为发展学生的主体精神和变革能力奠定基础，最终顺应大数据时代下社会市场对人才需求的改变。
课程体系与对应岗位见图1-1。
图1 课程体系建设图数据挖掘技术课程思政优秀案例二、“课程思政”教学整体设计（一）思政教育的总体教学设计数据挖掘技术课程的内容涵盖了数据处理基础和实现数据挖掘的关键算法，主要包括4 个模块：Python基础模块、数据预处理模块、数据挖掘算法模块和数据可视化模块。
融入思政内容后，课程教学秉承德智融合、立德树人的综合教育理念，凝练全局思维、发展思维、民族振兴、实践创新、工匠精神等多个“思政主题”，在知识传授、能力培养中引导学生树立正确的世界观、人生观和价值观，弘扬社会主义核心价值观，传播爱党、爱国、爱社会主义的正能量，培养实事求是、勇于实践、敢于创新的科学精神。
整体课程思政设计见表1。
（二）“课程思政”教学改革的创新点在《数据挖掘技术》开展“课程思政”的过程中，从课程建设的顶层设计出发，充分挖掘融入课程的思政元素，探寻课程知识与思政元素的契合点，确定教学内容，创新课程教学模式，在课程教学过程中实现育人功能。
图2 教学策略1.以项目为导向，挖掘课程中的思政元素将课程根据知识点模块的不同划分为不同的项目，结合实际应用进行项目选取，按照工作岗位流程设计阶段性教学情景，为学生的职业入门和专业技术的提升奠定坚实的基础。
《数据挖掘技术》课程涵盖了4大模块共8个项目。
项目在选取的时候根据课程的特色，从学生的学习特点出发，有游戏类的猜数字、猜单词，日常类的学生成绩管理、银行存取款等项目。
《数据分析与数据挖掘》课程教学大纲
《数据分析与数据挖掘》课程教学大纲引言概述：数据分析与数据挖掘是当今信息时代中非常重要的课程之一。
随着大数据时代的到来，数据分析和数据挖掘的技术和方法在各个领域都得到了广泛应用。
本文将详细介绍《数据分析与数据挖掘》课程的教学大纲，包括课程的目标、内容和教学方法等。
一、课程目标：1.1 培养学生的数据分析和数据挖掘的基本理论知识和技能；1.2 培养学生的数据处理和数据挖掘的实践能力；1.3 培养学生的数据分析和数据挖掘的问题解决能力。
二、课程内容：2.1 数据分析基础知识2.1.1 数据分析的定义和概念2.1.2 数据分析的基本流程2.1.3 数据分析的常用方法和技术2.2 数据挖掘算法2.2.1 数据挖掘的概念和目标2.2.2 常见的数据挖掘算法2.2.3 数据挖掘算法的应用领域2.3 数据预处理2.3.1 数据清洗的方法和技术2.3.2 数据集成和转换的方法和技术2.3.3 数据规约的方法和技术三、教学方法：3.1 理论讲授3.1.1 通过课堂讲解，向学生介绍数据分析和数据挖掘的基本概念和方法；3.1.2 通过案例分析，展示数据分析和数据挖掘在实际问题中的应用。
3.2 实践操作3.2.1 提供真实数据集，让学生进行数据分析和挖掘的实践操作；3.2.2 引导学生使用数据分析和挖掘工具，进行实际案例的分析和挖掘。
3.3 小组讨论3.3.1 组织学生进行小组讨论，探讨数据分析和数据挖掘的问题和方法；3.3.2 鼓励学生分享自己的经验和见解，促进学生之间的互动和合作。
四、评估方式：4.1 课堂作业4.1.1 布置数据分析和数据挖掘的相关作业，要求学生运用所学知识解决实际问题；4.1.2 对学生的作业进行批改和评估，及时反馈学生的学习情况。
4.2 项目实践4.2.1 要求学生参与数据分析和数据挖掘的项目实践，锻炼他们的实际操作能力；4.2.2 对学生的项目实践进行评估，评估学生在实际项目中的表现和能力。
计算机审计中级培训课程大纲
计算机审计中级培训课程大纲一、课程目标本课程旨在培养学员掌握计算机审计的基本理论、方法和技能，能够熟练运用计算机技术进行审计数据采集、分析、挖掘和报告编写，提高审计工作效率和质量。
二、课程内容1、计算机审计概述o计算机审计的定义和特点o计算机审计的流程和步骤2、审计数据采集o数据采集的方法和工具o数据清洗和预处理3、审计数据分析o数据分析的方法和技巧o常用数据分析工具的应用4、审计数据挖掘o数据挖掘的基本概念和方法o数据挖掘在审计中的应用5、审计报告编写o审计报告的格式和内容o审计报告的撰写技巧6、计算机审计软件应用o常用计算机审计软件介绍o软件操作流程和技巧7、计算机审计案例分析o案例选取原则和案例分析方法o案例分析实践8、计算机审计的职业道德与规范o计算机审计职业道德的重要性及基本原则o计算机审计职业道德的特殊要求与规范9、计算机审计的最新发展与趋势三、课程安排本课程共计50学时，分为8个模块，具体安排如下：（以下仅供参考，请根据您的实际情况进行调整）1、第一部分：计算机审计概述（2学时）2、第二部分：审计数据采集（4学时）3、第三部分：审计数据分析（6学时）4、第四部分：审计数据挖掘（6学时）5、第五部分：审计报告编写（4学时）6、第六部分：计算机审计软件应用（10学时）7、第七部分：计算机审计案例分析（10学时）8、第八部分：计算机审计的职业道德与规范及最新发展与趋势（4学时）通过以上课程学习，学员将能够全面掌握计算机审计的基本理论、方法和技能，为今后在实际工作中运用计算机技术进行审计打下坚实的基础。
四、教学方法本课程采用理论与实践相结合的教学方法，包括课堂讲解、案例分析、小组讨论、实验操作等环节。
通过讲解案例、分析实际问题、实验操作等方法，使学员更好地理解和掌握计算机审计的理论知识和技能方法。
五、考核方式本课程采用平时成绩和期末考核相结合的考核方式。
平时成绩包括课堂表现、作业完成情况等；期末考核为综合性测试，包括理论知识和实践操作两部分。
数据挖掘课程设计报告题目
数据挖掘课程设计报告题目一、课程目标知识目标：1. 理解数据挖掘的基本概念、任务和过程；2. 掌握常见的数据挖掘算法，如分类、聚类、关联规则挖掘等；3. 了解数据预处理、特征工程在数据挖掘中的作用；4. 掌握运用数据挖掘技术解决实际问题的方法。
技能目标：1. 能够运用数据挖掘软件（如WEKA、Python等）进行数据挖掘实验；2. 能够独立完成数据预处理、特征工程、模型构建等数据挖掘流程；3. 能够根据实际问题选择合适的数据挖掘算法，并调整参数优化模型；4. 能够撰写数据挖掘报告，对挖掘结果进行分析和解释。
情感态度价值观目标：1. 培养学生对数据挖掘的兴趣，激发学习热情；2. 培养学生的团队协作意识，学会与他人共同解决问题；3. 培养学生具备良好的数据伦理素养，尊重数据隐私，遵循数据挖掘道德规范；4. 培养学生勇于面对挑战，克服困难，独立解决问题的精神。
本课程针对高年级学生，结合学科特点，注重理论与实践相结合。
课程目标旨在使学生掌握数据挖掘的基本知识和技能，培养其运用数据挖掘技术解决实际问题的能力。
同时，关注学生的情感态度价值观培养，使其在学习过程中形成积极的学习态度，具备良好的团队协作精神和数据伦理素养。
通过本课程的学习，为学生未来的学术研究或职业发展奠定基础。
二、教学内容1. 数据挖掘基本概念：数据挖掘定义、任务、过程；2. 数据预处理：数据清洗、数据集成、数据变换、数据归一化；3. 特征工程：特征选择、特征提取、特征变换；4. 常见数据挖掘算法：分类（决策树、支持向量机等）、聚类（K均值、层次聚类等）、关联规则挖掘（Apriori算法、FP-growth算法等）；5. 数据挖掘软件应用：WEKA、Python等；6. 模型评估与优化：交叉验证、评估指标（准确率、召回率等）、参数调优；7. 实际案例分析与讨论：运用数据挖掘技术解决具体问题，如商品推荐、客户分群等；8. 数据挖掘报告撰写：报告结构、数据分析与解释。
小组作业
谢谢聆听
第三节 理论运用
六：对模型的进一步探索
（1）张婧怡.基于数据挖掘技术的股票投资实证研究，2013年 4月。 （2）钱俊洲，倪青青.马科维茨投资组合模型的matlab计算.中 国市场2013年17期。 两篇文章均指出了matlab工具的使用对模型运用的重要 性。前者指出，运用matlab工具对马科维茨模型进行调试， 可以找出最佳投资组合。后者肯定了模型在计算投资组合的 预期收益和方差时的精确性，同时指出在处理较多的股票投 资组合时计算量太大，而运用matlab软件对马科维茨投资组 合模型进行计算将有效克服这一点。
第三节 理论运用
三：中国股票市场的应用
蔡冰晶.马科维茨均值方差模型.2012.年5月 文章指出，在利用此模型投资择股的问题时，在选股的 标准上，股票收益的波动率好于股票的资产量好于股票的收 益率。 而在择时问题上，改变所使用收益率的频率和调整头寸 的频率所得到的收益率的改变并不具有很强的规律性，仍需 进一步的研究。
第二节 理论假设及主要内容
ER
A M B
在图中M点代表最小方差组合点，AB代表最小方差集， AM代表幼小集
第二节 理论假设及主要内容
2.最优投资组合的选择
投资者可以借助有效市场边界和无差异曲线来进行最优投资组合的 选择。如图，在同一坐标系上画出投资者的无差异曲线和有效市场 边界最优投资组合就是无差异曲线与有效市场边界的切点。
第三节 理论运用
四：选择基金的最优投资组合
熊杨 .马科维茨模型与基金实证分析 本文对马科维茨模型的实证分析讨论了如何在单目标的 基础上选择基金的最优投资组合，主要选择上交所的六只基 金，结合其观测的数据计算出基金组合的最优投资权重和最 小化风险，提出了投资基金的选择建议。
《物流大数据分析与挖掘》教案
4. 期末考试：全面测试学生对物流大数据分析与挖掘的掌握程度。
六、物流数据分析案例研究
1. 教学内容：
分析物流行业中的成功案例，了解物流数据分析的实际应用。
学习案例研究的方法和技巧，培养解决实际问题的能力。
2. 教学方法：
案例分析：分析具体物流企业的成功案例，理解数据分析在物流决策中的作用。
1. 教学内容：
学生自主进行物流数据分析项目，将所学知识应用于实际问题。
培养学生的实践能力和创新思维。
2. 教学方法：
项目指导：提供项目指导和反馈，帮助学生完成数据分析项目。
成果展示：学生展示项目成果，分享实践经验。
1. 教学内容：
展望物流数据分析的未来发展趋势和机遇。
2. 教学方法：
讨论法：讨论物流数据分析的未来发展趋势和挑战，激发学生的思考。
重点和难点解析
一、物流大数据概述
补充说明：物流大数据是指在物流活动中产生的大量数据，具有多样性、复杂性和实时性等特点。这些数据来源于物流运输、仓储、配送等各个环节，对物流运营管理有着重要影响。
二、物流数据分析方法
补充说明：描述性统计分析用于了解数据的分布和特征；可视化分析通过图表等形式直观展示数据；预测分析则通过对历史数据的挖掘，对未来趋势进行预测。
3. 物流数据挖掘技术：分类、聚类、关联规则挖掘等。
4. 物流数据分析工具：Excel、Python、R等数据分析软件的使用。
5. 实际案例分析：物流行业中的成功案例及分析方法。
四、教学方法
1. 讲授法：讲解物流大数据分析与挖掘的基本概念、方法和技巧。
2. 实践操作：引导学生利用数据分析工具进行实际操作，提高实际分析能力。
数据挖掘实战分析课程设计
数据挖掘实战分析课程设计一、课程目标知识目标：1. 让学生掌握数据挖掘的基本概念、原理和方法。
2. 帮助学生了解数据预处理、特征工程、模型构建等数据挖掘流程。
3. 引导学生掌握至少一种数据挖掘工具（如Python、R等）。
技能目标：1. 培养学生运用数据挖掘技术解决实际问题的能力。
2. 提高学生分析数据、发现数据规律、构建数据模型的技能。
3. 培养学生团队协作、沟通表达、解决问题的综合能力。
情感态度价值观目标：1. 培养学生对数据科学的兴趣，激发学生主动探索新知识的热情。
2. 增强学生的数据敏感性，培养学生用数据说话、用数据做决策的意识。
3. 引导学生认识到数据挖掘在现实生活中的广泛应用，提升学生的社会责任感。
本课程针对高年级学生，具有较强的实践性和应用性。
结合学生特点，课程目标注重培养学生的动手操作能力和实际问题解决能力。
在教学过程中，要求教师关注学生的个体差异，因材施教，确保学生能够达到课程目标，为将来的学习和工作打下坚实基础。
通过本课程的学习，期望学生能够掌握数据挖掘的核心知识，具备解决实际问题的能力，并在情感态度价值观方面得到全面发展。
二、教学内容1. 数据挖掘基本概念：数据挖掘的定义、功能、应用领域。
2. 数据预处理：数据清洗、数据集成、数据变换、数据规约。
3. 特征工程：特征提取、特征选择、特征变换。
4. 数据挖掘算法：分类、回归、聚类、关联规则挖掘等。
5. 数据挖掘工具：Python、R等数据挖掘工具的介绍与使用。
6. 案例分析：选取实际案例，分析数据挖掘在各个领域的应用。
7. 实践操作：组织学生进行数据挖掘项目实践，巩固所学知识。
教学内容按照以下进度安排：1. 第一周：数据挖掘基本概念、数据预处理。
2. 第二周：特征工程、数据挖掘算法。
3. 第三周：数据挖掘工具介绍与使用。
4. 第四周：案例分析、实践操作。
教材章节对应内容如下：1. 数据挖掘基本概念：课本第1章。
2. 数据预处理：课本第2章。
《大数据挖掘及应用》课程教学大纲 (2022版)
《大数据挖掘及应用》课程教学大纲一、课程基本情况表1 课程基本情况表二、课程简介(中英文版)《大数据挖掘及应用》是计算机科学与技术院智能科学技术的必修课，是掌握数据分析能力的一门重要基础课程。
本课程首先讲授了数据分析的基本知识概念、数据分析预处理的手段，接着从数据分析方法的角度，介绍了数据挖掘关联分析、分类以及聚类三大类算法的基本知识、必要理论基础以及一些经典的数据挖掘算法。
通过对本门课程的学习,学生能够系统地获得数据分析方法的基本概念和理论技术，掌握关联规则分析、分类和聚类等数据挖掘算法,从而使学生学会利用数据预处理和数据挖掘的技术去分析和解决不同行业应用领域中对数据进行处理和获取知识的问题，对培养学生形成良好的计算机科学技术和人工智能领域知识的运用能力有很大的帮助。
《大数据挖掘及应用》是计算机科学与技术学院智能科学与技术专业的必修课，是培养学生具备数据分析能力的重要专业课程。
本课程教学内容涵盖了数据分析从特征提取，特征工程直至模型构建和可视化的全流程。
具体包括数据分析的基本知识概念，各种不同数据分析预处理的手段，以及不同类型的经典数据分析方法，如数据分析的关联分析、无标签分析以及有标签分析三大类算法的基本知识和理论原理。
和实际工程应用中的数据仓库基础知识介绍。
三、课程目标通过本课程的学习,使学生系统地获得数据挖掘基本知识和基本理论；本课程重点学习关联规则挖掘算法、分类和聚类算法，并注重培养学生熟练的编程能力和较强的抽象思维能力﹑逻辑推理能力﹑以及从海量数据中挖掘知识的能力，有助于学生能够利用相关算法去分析法和解决一些实际问题,为学习后续课程和进一步增强计算机编程能力奠定必要的算法基础.课程目标对应的学生知识和能力要求如下：课程目标1: 掌握数据挖掘基本概念和数据预处理知识（支撑毕业要求2.2）课程目标2:掌握关联规则分析、分类分析、聚类分析、深度学习中的经典算法，熟悉算法原理和理论基础（支撑毕业要求3.2）课程目标3: 掌握关联规则分析、分类分析、聚类分析、深度学习中的实验评价指标（支撑毕业要求4.2）课程目标4：熟悉分布式与并行计算基本概念及技术知识，能够对各类数据分析算法进行综合运用，具备分析和解决复杂工程实际问题的能力（支撑毕业要求5.3）课程目标5：通过撰写报告和口头表达，具有良好的沟通交流能力（支撑毕业要求10.1）四、“立德树人”育人内涵结合数据挖掘课程的相关教学内容，通过对数据分析算法与应用技术的讲授、课程大作业、前沿技术探讨等教学组织形式，在培养学生的创新意识和复杂工程问题解决能力的同时，培养学生的辩证思维、人工智能伦理和法律意识，以及求真务实精益求精的专业精神，踏实严谨的科学素养和理论联系实际的学习与创新方法，引导学生认识到新一代人工智能技术变革带来的机遇与挑战，爱党爱国，自觉践行社会主义核心价值观，坚定理想信念，勇担时代使命。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
建模 主成分神经网络
• 考虑到输入层指标过多，采用主成分分析提取主要因素在进行 神经网络预测
Modelling
2011统计
主成分分析
• 共提取出5个主因子，这与研究中所选用的企业的五类指标相吻 合；
• 5个主因子提取了原始数据28个指标近70%的信息；
2011统计
主成分-神经网络预测结果分析
BP神经网络
• 直接用BP-神经网络模型分别预测周涨跌和月涨跌情况
2011统计
BP神经网络预测结果分析
月涨跌作为输出：
• • 模型结构（28，8，1） 预测精度：81.0%
月涨跌 重要性 周涨跌 重要性
营业毛利率
成本费用利润率 加权净资产收益率
0.0847
0.0777 0.0581 0.056 0.0536 0.0533 0.0491 0.0476 0.0444 0.04
影响股票周涨跌（短期）的因素中第四个因子尤其重要，几乎达 到了50%，第四个因子主要是每股未分配利润指标，投资者应该 注意该项指标
2011统计
建模
Modelling
K均值聚类
仍然以传媒业股票为例，首先利用聚类方法将所有传媒类股票进行分类： 用K均值聚类法将所有股票分为5类
2011统计
C5.0决策树
数据挖掘案例分析结课报告
IBM SPSS Modeler 14.1
企业财务信息挖掘与股票走势分析
2014.06.06
报告提要
年报是反映企业经营状况的重要信息途径，对投资者也具有及其重大 的参考价值，对企业股价走势的影响也不可小视。本研究利用IBM SPSS Modeler 14.1挖掘企业年报财务指标中的信息并对对股票走势 分析预测，主要用到了以下方法：
YOU!
2012.06.06
每股未分配利润
营业毛利率 营业利润率 净利润现金含量 基本每股收益 净利润增长率 存货周转率 每股经营现金流量 营业收入增长率 净资产增长率
0.0709
0.0677 0.0641 0.0628 0.052 0.0519 0.0519 0.0503 0.0496 0.0433
周涨跌作为输出：
• • 模型结构（28，7，1） 预测精度：71.4%
应收账款周转率 营业利润增长率 每股现金流量增长率 速动比率 存货周转率
预测月涨跌精度更高
对股票月涨跌（长期）来说 产权比率 重要的是营业毛利率、成本费用 每股收益扣除 利润率和应收账款周转率等，对 企业盈利能力和运营能力指标比较看重
影响股票周涨跌（短期）的因素中最重要的是每股未分配利润， 其他有营业毛利率、营业利润率等，可见短期来说每股指标和盈 利能力指标比较重要
偿债能力指标C
运营能力指标Y
盈利能力指标L
发挥能力指标F
营业收入增长率 F1 总资产增长率F2
应收账款周转率Y1 营业利润率L1
每股收益-扣除P2
速动比率C2
存货周转率Y2
营业净利率L2
每股资本公积金P3 资产负债比率C3
每股未分配利润P4 产权比率C4 每股净资产P5 每股经营现金流量 P6
流动资产周转率Y3 营业毛利率L3
• 构建神经网络模型分析预测企业 财报发布后股票月度涨跌情况 • 主成分分析后结合神经网络预测
2011统计
目录
CONTENTS
1 2
商业理解
数据理解&准备
3
4
建模
评估&部署
2011统计
商业理解
Business U
商业理解
Business Understanding
• 首先对股票涨跌的神经网络预测发现，对月涨跌的预测精度更 高，说明企业财务信息对股票的长期走势影响更为明显 • 在在应用主成分神经网络预测后发现，对月涨跌的预测精度有 所提高，说明在输入层指标比较多的情况，可以先进行主成分 分析，尽管损失了一定的信息但对于预测并不是全无好处
2011统计
THANK
2011统计
使用指数平滑模型：
2011统计
使用指数平滑模型：
2011统计
拟合的趋势和原始序列趋势图如下：
6月7日的收盘价根据预测为：15.75 预测上下区间为（14.69，16.81）
2011统计
评估&部署
Evaluation & Deployment
2011统计
评估和部署
Evaluation & Deployment
2011统计
数据理解&准备
Data Understanding&Preparation
2011统计
数据理解&准备
Data Understanding&Preparation
• 股价影响因素众多，经济形势、国家宏观经济政策，行业，企 业自身因素等，若不加筛选的寻找样本分析，必然造成样本数 据噪声过大，研究意义不大； • 选择数据应尽可能的减少其他噪声的影响，本文收集整合了传 媒娱乐这一行业29家上市公司作为实证分析样本，选用2010年 -2012年3年财报数据，剔除其中的ST公司、数据不齐全年份， 得到55个样本；
$F-Factor-3
0.1845
$F-Factor-2
0.1298
$F-Factor-5
0.0983
$F-Factor-1
0.1167
预测月涨跌精度更高
对股票月涨跌（长期）来说第一个因子 和第二个主因子比较重要， 基本每股收益和每股收益扣除 比重较 大
$F-Factor-4 0.0647 $F-Factor-3 0.0216
• 其中运用到的财务指标，综合提取了财报中的数据并进行了归 类，涵盖了企业的各个方面，包含5类共28个指标。
• 预测变量包括：年报发布后一周股票涨跌情况、一月股票涨跌 情况
2011统计
数据理解&准备
每股指标P
基本每股收益P1 流动比率C1
Data Understanding&Preparation
固定资产周转率Y4 成本费用利润率L4 总资产周转率Y5 总资产报酬率L5
营业利润增长率 F3
净利润增长率F4 净资产增长率F5
净利润现金含量Y6 加权净资产收益率 L6 每股现金流量增长 率Y7
输出变量：股票周涨跌、股票月涨跌
2011统计
建 模
Modelling
2011统计
建模
Modelling
• 通过财务报表的财务数据，包括现金流量表、资产负债表、和 利润表，可以定量的认识深层次的了解公司各个层次的运营状 况，无论是管理者还是投资者，财务报表无疑都是快速准确了 解公司的重要途径，对财务报表的分析之后，投资者的期望则 间接地体现在对与该公司的股票的操作，看好则会买进，其股 价自然会上涨，反之则反。 • 通过对财务分析，进一步预测股票在未来一段时间内的走势， 具有很重要的投资价值，同时对指标的重要性进行分析，也可 以为企业管理者提供管理建议，发现不足，促进企业更好的发 展。
再利用C5.0决策树对这五类变量进行划分，可以看出聚类的标准： 加权净资产收益率>5.5%；营业净利率>9.8%；产权比率大于<198%; 资本公积金>5.26 这样盈利能力强而风险低的股票只有第二类股票 而在所有时间段都属于第二类只有一支：时代出版
2011统计
时间序列模型
我们再利用时间序列分析方法，对时代出版这支股票进行预测：
月涨跌作为输出：
• • 模型结构（5，1，1） 预测精度：85.7%
月涨跌 重要性 周涨跌 重要性
$F-Factor-2
0.3691
$F-Factor-4
0.4913
周涨跌作为输出：
• • 模型结构（5，2，1） 预测精度：71.4%
$F-Factor-1
0.2834
$F-Factor-5
0.2406