基于小波消噪的聚类模式挖掘在股票收益率预测中的应用.pdf

《基于小波消噪的聚类模式挖掘在股票收益率预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、分类号UDC密级．学校代码IIIII1111II111111111IY182140810497独创性声明本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：瑚年墨盔．LEl期：翌堕上匕卜一I，●学位论文使用授权书本人完全了解武汉理工大学有关保留、使用学位论文的规定，即：学校有权保留并向国

2、家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学位论文的全部内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息服务。(保密的论文在解密后应遵守此规定)签名：4棒导师签名：坳日期：叫摘要金融管理研究的一个显着特点是数据分析量非常大、不确定性因素多，面对当今时代的海量金融数据，基于传统的统计技术建立的模型假设条件多，在实际应用中难以凑效。数据挖掘是20世纪90年代中期兴起的统计决策新

3、技术，其过程是发现海量数据中有用的模式，目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。随着IPO的重启，我国的股票市场不断的扩张，股票交易数据规模越来越大，寻找股票价格有价值的模式信息也越来越困难。股票时间序列本质上具有非线性、非平稳、信噪比低的特点，数据挖掘是为了发现序列中隐含的一些本质规律，高噪声的存在一方面淡化规律的显着性，另一方面也可能会提供一些假信息，从而严重影响数据挖掘的效果。针对上述两个关键问题，本文重点研究了基于小波消噪的聚类模式挖掘在股票收益率预测中的应用。本文主要拟完成的研究

4、工作包括以下几个方面：(1)探讨了数据挖掘技术应用在金融领域的重要性和必要性；并就从海量金融数据中挖掘其隐含模式进行可能性分析；(2)考虑到金融时间序列数据的高噪声性，本文拟利用小波去噪方法对数据进行预处理，并提出改进的小波阈值去噪方法，选取合适的小波基函数、阈值准则、阈值处理函数和分解层数对数据进行去噪处理；(3)结合聚类分析方法和时态序列模式挖掘技术构建聚类时态序列模式挖掘技术模型，改进传统的时态序列模式挖掘技术中的不足之处，优化其算法，并利用随机数据进行模拟实验，验证其模式挖掘的效果；(4)利用构建的聚类时态模式挖掘技术模型进行实证研究，选取

5、沪深两市各20只股票，选取2005年1月31日到2007年12月31日的股票收盘价为数据样本，将其中前一半数据作为模式挖掘对象，后一半数据作为模式验证对象，判断模式挖掘的有效性，并利用挖掘出的隐含模式对未来作出决策和预测。关键词：聚类分析，小波去噪，模式挖掘，时间序列，预测—————————————————————————————————————————————————————————————————————ABSTRACTAlargenumberofdataandtheuncertaintyfactorsisaremarkablefeatureo

6、ffinancialmanagement．Becauseofthemassivefinancialdata,basedonthetraditionalstatisticalmodelswhicharetoomuchassumptionstogatherinpracticalapplicationon．Dataminingisanewtechnologyofstatisticaldecision．makingwhichrosein也emid1990s．Itsprocessistofindusefulmodelinmassdata,anditspurp

7、oseistousethepatternthathelpexplainthebehaviororpredictthefuture．Itprovidesusefulinformationtopeoplewitheasyunderstandformat．Stockmarketisaverycomplicatedsystemwhichaffectedbypolicy,economyandpsychologicalfactors．Ithastypicalcomplexuncertaintycharacteristics．Atthesametime，stoc

8、ktimeseriesisessentiallynonlinear,nonstationaryandlowsignal-t