基于神经网络型数据挖掘技术的股价预测_冯家诚
基于卷积神经网络的股票价格波动预测
基于卷积神经网络的股票价格波动预测股票市场的波动性一直是投资者关注的重点之一。
准确预测股票价格的波动对投资者来说具有重要意义，因为它可以帮助他们制定更明智的投资决策。
近年来，基于卷积神经网络（CNN）的股票价格波动预测方法引起了广泛关注。
CNN作为一种强大的深度学习模型，具有对图像和序列数据进行有效特征提取和模式识别的能力。
本文将探讨基于CNN的股票价格波动预测方法，并讨论其在实际应用中的潜力。
首先，我们将介绍卷积神经网络在图像识别领域取得巨大成功的原因。
CNN通过多层卷积和池化操作可以提取出图像中不同层次、不同尺度上的特征信息，并通过全连接层进行分类或回归任务。
这种特征提取能力使得CNN在处理图像数据时具有出色表现。
然而，将CNN应用于股票价格波动预测任务并不直接明确。
股票市场中存在许多非线性、非平稳和随机性因素，使得价格序列具有较强噪声干扰和复杂的波动模式。
因此，我们需要对CNN模型进行适当的改进和优化，以使其适用于股票价格波动预测。
在股票价格波动预测中，我们首先需要对原始价格序列进行预处理。
常用的方法包括对数差分和归一化处理。
对数差分可以将非平稳序列转化为平稳序列，使得数据更适合用于模型训练。
归一化处理可以将不同股票之间的价格尺度统一，避免不同股票之间的差异性干扰模型训练。
接下来，我们将介绍基于CNN的股票价格波动预测模型的具体结构。
首先是卷积层和池化层的设计。
卷积层通过卷积核在输入序列上进行滑动操作，提取出不同时间尺度上的特征信息。
池化层则通过降采样操作进一步减少特征维度，并保留最显著特征信息。
在卷积和池化操作之后，我们需要将提取出来的特征输入到全连接层中进行最终预测任务。
全连接层通过多个神经元之间相互连接，并使用激活函数来引入非线性因素。
这样可以进一步提取特征并进行分类或回归任务。
为了提高模型的预测能力，我们还可以引入一些改进的技术。
例如，可以使用多层卷积和池化层来提取更高层次的特征信息。
基于人工神经网络的股票价格预测技术研究
基于人工神经网络的股票价格预测技术研究一、引言作为外在经济变化的重要指标之一，股票价格对于投资者和政策制定者匪浅的意义。
然而，由于股票价格受多种因素影响，其预测难度大，传统的数学建模方法往往难以精确地预测股票价格的变化趋势。
而利用人工智能技术进行股票价格预测，尤其是应用人工神经网络，可以更全面地考虑数据之间的关系，从而提高预测精度。
本文旨在探讨基于人工神经网络的股票价格预测技术。
二、人工神经网络简介人工神经网络(Ann)是一种仿生模型，它模拟一个由简单单元相互连接的生物神经网络，以便反映出生物思维模式。
在人工神经网络中，一个节点对应一个神经元，一层节点对应一层神经元，每个神经元的输出值也影响到下一层神经元的计算结果。
人工神经网络的学习过程，就是不断地把输入数据进行反复传递、调整每个节点的权值和偏差，慢慢调整网络的参数，直到达到期望的输出值。
三、基于人工神经网络的股票价格预测技术研究1. 数据预处理在使用人工神经网络进行股票价格预测时，首先需要进行数据预处理。
数据预处理的目的是为了排除掉各种干扰因素，以及在保证数据完整性的前提下，去除数据的冗余信息和异常值。
常用的方法包括数据规范化、数据平滑和数据清洗等。
2. 网络架构设计网络架构的设计是影响预测精度的重要因素之一。
基于人工神经网络的股票价格预测通常采用多层感知器(MLP)模型。
这种模型由输入层、多个隐藏层和输出层构成。
每个层都由多个神经元组成，每个神经元都与分别与上一层和下一层的所有神经元相连。
3. 神经网络参数的训练和调整人工神经网络的参数训练是通过误差反向传播算法来实现的。
这是一个基于梯度下降的算法，它计算出整个网络的误差，并将误差反向传播到每个神经元，然后根据误差大小调整连接权值。
参数的训练和调整需要选择合适的学习率和合适的迭代次数，以达到预期的目标。
4. 数据集的划分和评估数据集的划分和评估是人工神经网络进行股票价格预测时的重要步骤。
在训练模型之前，需要将数据集分为训练集、验证集和测试集。
基于卷积神经网络的股票预测模型构建与应用研究
基于卷积神经网络的股票预测模型构建与应用研究股票市场一直以来都是金融领域中的一个重要研究方向。
股票的价格波动具有不确定性和复杂性，预测股票价格变动一直被投资者和分析师所关注。
随着机器学习和深度学习的发展，基于卷积神经网络（Convolutional Neural Network，简称CNN）的股票预测模型在该领域中得到了广泛关注与应用。
卷积神经网络是一种深度学习模型，其特点是可以自动学习出多层次的特征表示。
相比传统的技术分析方法，基于CNN的股票预测模型能够更好地捕捉到股票价格的复杂关系和特征，提高了预测的准确性。
首先，构建基于CNN的股票预测模型需要准备训练数据集。
一般而言，股票的历史交易数据可以作为训练数据的来源。
选取合适的时间窗口，将历史交易数据转换成适合CNN输入的格式，通常是一个多维数组。
同时，还需准备一个包含期望输出的标签集，通常是接下来一段时间内的股票价格变动。
接着，需要设计CNN模型的结构。
CNN一般由卷积层、池化层和全连接层等组成。
卷积层用于提取输入数据的特征，池化层用于减少特征图的尺寸，全连接层则用于进行预测。
在构建CNN模型时，可以根据具体问题的需求进行调参，如卷积核的大小和数量、激活函数的选择等。
此外，还可以考虑使用其他的深度学习模型来进行比较和优化，如长短期记忆网络（Long Short-Term Memory，简称LSTM）等。
在模型构建完成后，需要进行模型的训练与优化。
一般而言，可以使用交叉验证的方法将数据集分成训练集和验证集，进行模型的训练和调整超参数。
在这个过程中，可以使用梯度下降算法等优化方法来最小化损失函数。
为了避免模型的过拟合，可以使用正则化技术，如L1正则化和L2正则化等。
完成训练后，可以进行模型的预测与应用。
通过输入新的股票数据，模型可以输出对未来股票价格变动的预测结果。
这样的预测结果可以作为投资决策的参考，帮助投资者进行买卖股票的决策。
同时，还可以通过不断迭代和优化模型，实现对股票市场各种因素的更加准确预测。
基于神经网络的股票价格预测模型
基于神经网络的股票价格预测模型陈嶷瑛;张泽星;李文斌【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)005【摘要】A BP neural network based stock price prediction model (SPPM)is put forward.SPPM integrates a number of neural networks, so that it can predict stock price trends in a few days.Some key problems of SPPM such as data preprocessing,output fusion,neural network hidden layer node number setting and so on are discussed in detail.Experiment results show that SPPM is of certain practical value.%提出一种基于BP神经网络的股票价格预测模型SPPM（Stock Price Prediction Model）。
SPPM集成了多个神经网络，可预测未来若干天的股价走势。
针对SPPM中的数据预处理、输出融合、神经网络隐藏层节点数选取等关键问题作了详细讨论。
实验结果表明，SPPM具有一定的实际价值。
【总页数】4页(P89-92)【作者】陈嶷瑛;张泽星;李文斌【作者单位】石家庄经济学院信息工程学院河北石家庄050031;石家庄经济学院网络信息安全实验室河北石家庄050031;石家庄经济学院信息工程学院河北石家庄050031【正文语种】中文【中图分类】TP183【相关文献】1.小波包与神经网络相结合的股票价格预测模型 [J], 常松;何建敏2.BP神经网络的股票价格预测模型建立 [J], 柏丹; 靳鑫; 孙方方3.BP神经网络在股市预测模型中的应用——以上证股票价格收盘指数为例 [J], 李洪英4.粗集与神经网络相结合的股票价格预测模型 [J], 朱林;何建敏;常松5.基于小波包和神经网络的股票价格预测模型 [J], 常松;何建敏因版权原因，仅展示原文概要，查看原文内容请购买。
基于多特征下的GA_TCN深度神经网络的股票价格预测
基于多特征下的GA＿TCN深度神经网络的股票价格预测基于多特征下的GA-TCN深度神经网络的股票价格预测股票价格预测一直以来都是金融领域中的热点问题之一，对于投资者而言，准确的预测股票价格可以帮助他们制订更为精准的投资决策，从而获得更好的回报。
然而，股票市场的波动性极高，受多种因素的影响，传统的统计分析方法常常难以捕捉到其中的规律。
因此，利用机器学习和深度学习的方法来解决股票价格预测问题备受关注。
本文提出了一种基于多特征的遗传算法（GA）和时序卷积网络（TCN）相结合的深度神经网络（DNN）模型，用于股票价格的预测。
这种模型的优势在于它能够自动地从大量的历史数据中学习到股票价格的非线性规律，并能够将多个特征的信息进行有效融合，从而提高预测的准确性。
首先，为了提高输入特征的质量，我们选取了多个与股票价格相关的指标作为输入。
包括但不限于：股票成交量、股票涨跌幅、市盈率、市净率等等。
这些特征能够综合反映市场的供求关系、投资者的情绪以及公司的估值情况，对于股票价格的预测具有重要意义。
然后，我们设计了一种遗传算法来优化神经网络的结构和参数。
遗传算法能够通过模拟进化的过程，不断地调整神经网络的结构和参数，从而使得网络的预测能力得到最大程度的提升。
通过遗传算法的优化，我们可以得到一个更加适应数据特征的神经网络模型。
接下来，我们引入了时序卷积网络（TCN）来处理输入数据的时序性。
TCN是一种具有长短时记忆能力的卷积神经网络，通过堆叠多个卷积层和残差连接，能够有效地捕捉到时间序列数据中的长期依赖关系。
在我们的模型中，TCN的作用是通过对时间序列数据的分析和建模，提取出时间序列中的潜在规律和趋势信息。
最后，我们通过对历史数据的训练和验证，评估了我们的模型的性能。
实验结果表明，基于多特征下的GA-TCN深度神经网络模型在股票价格预测上取得了很好的效果，相较于传统的统计分析方法，其预测准确性有了显著的提升。
综上所述，本文提出的基于多特征下的GA-TCN深度神经网络模型在股票价格预测上具有较好的潜力。
基于LSTM神经网络模型的股票价格变化预测研究——以百度股价为例
基于LSTM神经网络模型的股票价格变化预测研究——以百度股价为例基于LSTM神经网络模型的股票价格变化预测研究——以百度股价为例摘要：股票价格的预测一直以来都是金融领域中备受关注和研究的问题。
本文使用基于LSTM（长短期记忆）神经网络模型，以百度股价为例，对股票价格变化进行预测。
通过收集和分析包括股票历史价格、交易量等多个因子在内的大量数据，并使用LSTM模型进行训练与预测，本研究得到了较为准确的股票价格变化预测结果。
研究结果表明，LSTM神经网络模型在股票价格预测中具备较高的可行性和准确性，为投资者提供了一种有效的辅助决策工具。
关键词：股票价格预测；LSTM神经网络模型；百度股价第一章引言1.1 背景与意义股票价格变化的预测一直是金融投资领域中的热门研究课题。
随着信息技术的发展和算法模型的完善，基于人工智能的股票价格预测方法逐渐兴起。
其中，基于LSTM神经网络模型的股票价格预测因其在时间序列数据处理方面的优势而备受关注。
本研究以百度股价为例，通过LSTM神经网络模型对股票价格变化进行预测，旨在探索一种新的股票价格预测方法，为投资者提供科学决策支持。
1.2 研究目标本研究的主要目标是基于LSTM神经网络模型，通过对百度股价的历史数据进行分析和训练，实现对未来股票价格变化的准确预测。
通过验证LSTM模型在股票预测中的可行性和准确性，为投资者提供一种可行的决策工具。
第二章基于LSTM神经网络模型的股票价格预测方法2.1 LSTM神经网络模型简介LSTM是一种特殊的循环神经网络（RNN），具有较强的记忆能力，适用于处理时间序列数据。
LSTM模型通过自适应调整遗忘因子和输入门，可以更好地处理长期依赖和遗忘问题。
在股票价格预测中，LSTM模型能够提取时间序列数据中的隐藏信息，捕捉价格变化的规律。
2.2 数据预处理本研究使用百度股价的历史数据，包括开盘价、收盘价、最高价、最低价和交易量等多个因子。
通过对数据进行标准化和归一化处理，将不同因子的数据统一到相同的量级上，以便LSTM模型的训练和预测。
基于神经网络的股票价格预测模型
基于神经网络的股票价格预测模型第一章：引言随着信息技术的不断发展，投资者可以使用更多的数据来做出更好的投资决策。
其中一项重要的技术就是基于神经网络的股票价格预测模型。
神经网络模型可以自动学习和模拟人类大脑的神经元之间消息传递的过程，因此在股票价格预测中有着广泛的应用前景。
本文将介绍基于神经网络的股票价格预测模型在股票市场中的应用，以及该模型的基本原理、实现方法和优点。
第二章：神经网络模型的基本原理神经网络模型是由一个或多个层次组成的算法模型。
每个层次包含着一个或多个神经元，神经元之间通过连接进行信息传递。
神经网络的结构通常包括输入层、隐藏层和输出层三个部分。
输入层接收数据、隐藏层处理数据并将结果传递到输出层。
神经网络模型的学习过程通常分为两个阶段：前向传播和反向传播。
前向传播是指模型从输入层开始向前逐层传递信息并输出最终结果的过程。
反向传播阶段则是将误差逆向传播回每个神经元中，并通过梯度下降算法来更新权值。
第三章：基于神经网络的股票价格预测模型的实现方法在股票市场中，对于每个股票的历史交易数据进行收集和整合是实现预测的第一步。
这些数据包括开盘价、最高价、最低价、收盘价和成交量等。
接下来，将这些数据转移到神经网络中进行处理。
在神经网络的实现中，通常使用回归分析和时间序列分析方法。
其中，回归分析使用一个或多个独立变量来预测股票价格，而时间序列分析则基于时间序列数据进行分析，以精确地预测未来的股票价格。
第四章：神经网络模型的优点与传统方法相比，基于神经网络的股票价格预测模型具有许多优点。
首先，神经网络模型可以处理大量复杂的非线性关系。
其次，该模型可以对大规模和高度异构的数据进行处理。
此外，神经网络模型的学习能力可以通过增加神经元或层次来提高。
另外，基于神经网络的股票价格预测模型还可以优化投资组合。
投资组合指的是将不同资产进行组合，在降低风险的同时实现更高的收益率。
通过使用神经网络模型，可以构建出一个最佳的投资组合，从而提高投资者的收益率。
基于LSTM神经网络的股票价格预测
基于LSTM神经网络的股票价格预测基于LSTM神经网络的股票价格预测随着大数据和人工智能技术的快速发展，许多金融领域开始尝试将这些技术应用于股票市场的预测中，以提供更准确的股票价格预测。
其中，基于LSTM（Long Short Term Memory）神经网络的股票价格预测成为研究的热点之一。
LSTM神经网络具有长短期记忆的能力，能够更好地捕获时间序列数据中的长期依赖关系，从而在股票价格预测中表现出色。
一、LSTM神经网络原理LSTM神经网络是一种递归神经网络（RNN）的变种，用于处理和预测时间序列数据。
与传统的前馈神经网络不同，LSTM 网络具有内存单元，可以记住和利用输入序列中的时间相关信息。
这使得LSTM在处理股票价格预测问题时具有更大的优势。
LSTM网络由多个记忆单元组成，每个记忆单元都有输入门、遗忘门和输出门。
输入门负责确定哪些信息需要被记忆，遗忘门负责决定哪些信息需要被遗忘，输出门负责决定哪些信息需要被输出。
通过调整这些门的权重，LSTM网络能够自动学习输入序列中的长期依赖关系，从而提高预测的准确性。
二、数据收集和预处理在进行股票价格预测之前，首先需要收集历史股票价格数据。
这些数据可以从金融网站、交易所等渠道获取。
通常情况下，需要包括开盘价、最高价、最低价、收盘价等数据。
在收集到数据后，需要进行数据预处理。
这包括数据清洗、数据归一化和数据划分三个步骤。
数据清洗主要是去除异常值和缺失值，以保证后续模型的准确性。
数据归一化则是将不同尺度的数据转化为相同范围内的数值，以提高模型的稳定性和收敛速度。
数据划分是将整个数据集划分为训练集和测试集，用于模型训练和验证。
三、特征提取和模型构建在进行股票价格预测时，一般会选择一些与股票价格相关的特征作为输入。
常见的特征包括技术指标（如移动平均线、相对强弱指标等）、历史价格、交易量等。
这些特征可以通过数学公式或专业软件计算得到。
特征提取后，可以开始构建LSTM神经网络模型。
- 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)。
收稿日期:2008-11-11;修订日期:2009-01-15。
作者简介:冯家诚(1979-),男,安徽无为人,硕士研究生,主要研究方向:数据挖掘; 马锐(1972-),女,北京人,副教授,主要研究方向:人工智能。
文章编号:1001-9081(2009)S1-0155-02基于神经网络型数据挖掘技术的股价预测冯家诚1,马 锐2(1.华商基金管理有限公司运营保障部,北京100034; 2.北京理工大学软件学院,北京100081)(fengjc@hsfund .com )摘 要:提出适用于神经网络型数据挖掘的过程模型。
按照选取数据样本、数据转换、网络建模、网络仿真、结果评价这样一个完整的数据挖掘过程,对上证指数走势进行预测,得到了较高的预测精度。
说明了神经网络型数据挖掘技术在非线性系统预测中的优势,探讨了非线性系统预测的一种新思路。
关键词:数据挖掘;BP 网络;股价预测中图分类号:TP309 文献标志码:AStock pr i ce foreca st ba sed on da t a m i n i n g of neura l networksFENG J ia 2cheng 1,MA Rui2(1.O peration and Support D epart m ent,Huashang Fund M anage m ent Co m pany L i m ited,B eijing 100034,China;2.School of Soft w are,B eijing Institute of Technology,B eijing 100081,China )Abstract:The authors gave a p r ocedure model for data m ining based on neural net w orks .According t o each step of the model,the technol ogy of data m ining could p r ovide a higher accuracy of p redicti on of st ock p rice forecast,which p r oved the advantage of data m ining in the field of no 2linear f orecast .M ean while,a ne w method t o the non 2linear f orecast was als o poposed .Key words:data m ining;BP N;st ock p rice forecast0 引言就股市投资而言,辨认市场的运动规律,对将来时刻的股价指数进行预测,是股票市场投资决策的关键。
目前,经常采用的预测方法主要通过移动平均、回归分析等线性方法展开。
随着科学技术的发展,出现了一些新型的股票价格预测方法,如基于神经网络和遗传算法的股价预测、基于小波分析的股价预测和基于行为金融学的股价预测。
对于神经网络在股价预测中的应用,研究者们已经做了大量的研究[1-2]。
但是,现有的研究主要是围绕神经网络模型的构建和模型的优化展开的,着重于技术方面的解决,缺少对解决此类问题方法的讨论。
本文根据数据挖掘过程,以BP 神经网络模型作为技术关键,通过实证分析,定量预测了上证指数走势,说明了BP 神经网络在预测股票市场方面的有效性。
1 基于神经网络的数据挖掘过程在运用数据挖掘技术预测股价走势之前,需要确定数据挖掘的一般过程。
参考S AS 研究所的SE MMA 模型和SPSS 公司的5A 模型[3],并结合神经网络数据挖掘技术的自身特点,确定基于神经网络型数据挖掘一般过程如图1所示。
以上步骤不是一次完成的,其中某些或者全部步骤可能需要反复进行。
2 股价预测过程2.1 问题定义在对股票市场预测分析之前,辨认其运动规律是非常必要的。
如果市场是线性的,则线性的预测方法就能够与之相适应。
但如果市场是非线性的,那么仅依靠线性的方法去预测股价,就容易丢失很多有用的信息[4]。
已有的研究成果表明,现阶段的中国股市具有非线性的特征。
因此,运用神经网络的方法进行股价预测具有特殊的优越性。
在这样的背景下,此次数据挖掘的目的就是针对我国股市的非线性特征,建立符合这种特征的神经网络模型。
在此基础上,通过实证研究来证明模型预测的有效性,说明基于神经网络的预测方法在股价预测中的优势。
图1 基于神经网络的数据挖掘过程2.2 数据选样2.2.1 数据样本的选取就股票市场而言,数据样本的选取主要遵循两个原则:一是尽可能选择符合交易规律、并且交易特征相对明显的样本;二是顾及神经网络模型本身的性能。
在此次试验中,选取2004211230—200524229间连续100个交易日的上证综合指数作为待挖掘数据样本,并根据需要将其划分为训练样本和测试样本两个部分。
上证综合指数作第29卷2009年6月计算机应用Journal of Co mputer App licati onsVol .29June 2009为国内股市的重要评测指标之一,能够比较准确地反映股市行情的变化特征,具有较高的可预测性和预测价值。
2.2.2 样本向量的确定考虑到不加选择地选取会使数据庞杂,增加系统负荷,降低网络的功能。
反之,选取的指标过少又难以描述股票市场的特点。
因此,对于样本向量的各个分量,应该选取能充分反映股票市场交易特征的定量指标。
通过对上证综合指数各项指标的研究,确立8个样本向量见表1,其中,ξ1～ξ7为输入向量,ξ8为输出向量。
表1 神经网络模型向量样本向量含义样本向量含义ξ1开盘价ξ5成交额ξ2最高价ξ6涨跌量ξ3最低价ξ7涨跌幅ξ4成交量ξ8收盘价2.3 数据转换在数据挖掘过程中,对原始数据进行转换主要基于以下两个原因[5]:1)网络的各个输入分量有不同的意义和不同的量度,数据转换可以赋予各输入分量以同等重要的地位;2)BP 网络的神经元多采用Sig moid 活化函数,其输出值一般在0～1或-1～1之间。
通过数据转换,可防止因输入数据的绝对值过大而使神经元的输出饱和,继而使权值调整进入误区。
从选取的上证指数数据来看,其数值较大,极容易使试验中采用的BP 模型瘫痪。
因此必须进行适当的数据转换,对数据样本进行归一化处理。
转换公式为:A =(X -V m in )/(V max -V m in )(1)其中X 为变量的原始值,V m in 和V max 分别是变量的最小和最大值,A 为归一化后的变量值。
经过归一化处理,所有的分量都被限制在0～1之间变化,满足了下一步实验中网络训练和网络测试的需要。
2.4 网络建模2.4.1 建立模型根据BP 模型的工作原理[6],按照软件工程的方法,在本次实验中使用VC ++作为开发工具,实现了神经网络仿真工具,为整个数据挖掘过程提供了关键的建模准备。
2.4.2 优化模型根据定量比较分析的方法,通过大量数据实验对模型结构进行优化,设置了学习步长、隐节点数、活化函数等关键性网络参数,从而完成了网络模型的优化,确定了比较适用于股价预测的网络模型。
总结模型优化的结果如下:1)学习步长采用变步长方法;2)矩参数α=0.01,权及阈值的初始域为(-0.05,0.05);3)网络的拓扑结构为7(ξ1～ξ7)-9-1(ξ8);4)活化函数为Sig moid ()活化函数。
2.5 网络仿真利用优化后的BP 网络模型,在选定的数据样本中,选取2004211230—200524215间连续90个交易日作为训练样本,对2005204218—2005204229间10个交易日的收盘价指数进行预测。
2.5.1 网络训练利用优化后的网络模型,导入训练数据样本,对网络进行训练并保存训练后的网络结构和训练结果。
分析网络训练结果如下:最大绝对误差为16.97;最小绝对误差为0.02;最大相对误差为1.266%;最小相对误差为01002%。
由上述结果可知,网络的训练效果较好,可以利用训练后的网络结构进行下一步的预测。
2.5.2 网络测试将训练后的网络结构和测试样本导入神经网络仿真工具中,对收盘价指数进行预测。
为了分析BP 模型的预测精度,将网络模型的预测值和真实值导入SPSS 软件中,作时间序列图如图2所示。
图2 收盘价指数时间序列图由图2可知,网络模型预测值与收盘价实际值基本一致,初步说明了基于神经网络的数据挖掘技术在股价预测中的可行性和实用性。
2.6 结果评价在数据挖掘的最后一个阶段,需要结合专业领域知识对挖掘结果进行分析评价,使之符合实际应用的需要。
2.6.1 预测效果分析由图2可知,模型预测值与实际值的涨跌一致,说明在短期内,本次试验所建立的模型可以模拟股市的短期走势。
进一步分析预测精度可知,模型的短期预测精度均可以达到95%以上。
因此,在宏观经济环境没有发生重大变化的情况下,使用此预测模型将为投资者提供较好的决策依据。
2.6.2 局限性分析为了分析模型预测的局限性,作预测误差条状图如图3所示。
在图中可以清楚地看出,随着时间的推移,预测值和实际值之间的绝对误差和相对误差总体均呈上升趋势。
由此可见,所建的模型尚不适用于股价走势的中长期预测。
结合BP 模型的特点和影响股价走势的主要因素[7],总结神经网络型数据挖掘技术对中长期预测无效的主要原因如下:1)在本次试验中,选取模型输入向量时没有考虑经济景气指数、外围市场环境、突发性事件等对股市具有关键影响的因素,显然,这在一定程度上将影响模型的预测精度。
2)虽然在网络模型收敛到极值点时能够得到较好的学习精度,但同时也造成了对样本空间的过度拟合,从而对预测样本的推广效果较差。
(下转第183页) 651 计算机应用第29卷}else{if(Adjlevel(G,V2,lo w2,h igh2))return0;lo w2=h igh2;}coun t1=coun t2;//为访问下一层做准备level++;//当前层数加1}//while }//ifreturn1;//G是二部图}//B igraphDecisi on 分析上述算法,每个顶点至多进一次队列。
遍历图的过程实质上是通过边找邻接点的过程,因此其耗费的时间则取决于图所采用的存储结构。
当用邻接矩阵作图的存储结构时,查找每个顶点的邻接点所需时间是O(n2)[4]。
借助于G的邻接矩阵容易判定任意两个点之间是否有边相连,因为G的相应的广度优先生成树的同层上的任何两点至多被判断1次是否在G中邻接,所以判断各棵树的同层上任何两点在G中是否邻接的时间复杂度不会超过O(n2),所以整个算法的时间复杂度为O(n2)。