关联规则在股票分析中的应用

本文介绍了在数据挖掘中关联规则的基本概念和属性 ,进一步讨论了关联规则在股票信息数据挖掘中的应用 .股票的行情交易数据库在经过一定的预处理后 ,用Aprorio算法挖掘出隐藏在数据背后的有用的规则 ,为投资者提供了有效的决策支持 .     

股票时间序列模型的关联规则挖掘

目前的数据挖掘技术偏重于发现类似于商业销售数据库中不同离散化属性值之间的关系,而对证券投资中数值型数据之间变化趋势的相互影响分析不够.以股票信息的关联规则挖掘为例,大多采用传统的关联规则算法(如Apriori)来发现离散序列数据库中事务间的关系,时间序列关联规则挖掘的     

上市公司股票期权激励与公司风险的实证研究

利用我国A股上市公司2006~2009年的数据,对上市公司高管人员的股票期权激励与公司投资风险和经营风险之间的关系进行实证研究,并通过引入股票期权的Vega分析未来股价波动对公司高管人员股票期权收益等的影响.结果表明：股票期权激励与公司的投资风险、经营风险存在显著的双向正相关关系;股价的波动性将增加高管人员股票期权的收益,减轻管理者对风险的厌恶感,从而增加公司的投资风险与经营风险.
     

用关联规则方法挖掘保险业务数据中的投资风险规则

如何找出保险业务数据中有关投保和理赔的规律是保险公司能否提高盈利的至关重要的问题。关联规则发现是数据挖掘技术的一种简单又很实用的方法。文章首先介绍了关联规则的定义以及关联规则的 4个属性 :可信度、支持度、期望可信度和作用度。然后讲述了如何用 SGI公司的数据挖掘工具 Mineset在保险业务数据中发现关联规则 ,从而得出一些对保险公司起指导作用的控制投资风险的规则。关联规则还可广泛用于银行、电信、商业等其它领域     

股市行情波段的数值特征提取

对作为数据挖掘模型预测项的股票波段数值特征进行了研究.首先采用了二次平滑模型和有限自动机模型,根据股票峰(谷)点的概念实现对波段状态的初步提取.然后根据波段对象属性的规范化表示,给出了小波段与盘整波段的规则设定,用有限自动机模型实现小波段合并与盘整波段的提取,最终得到了过滤后的波段数值特征.     

基于关联规则的数据挖掘算法研究

关联规则是数据挖掘的重要手段,它基于支持度、置信度等对规则进行筛选,生成有用的规则。关联规则反映了大量数据中项集之间的相互依存性和关联性。Apriori算法和FP-Growth算法是关联规则挖掘中的两个典型算法。本文阐述了这两种算法的基本思想、数据挖掘步骤,并讨论了它们的优缺点及差异。     

基于人工智能的网络时空数据挖掘方法

为解决传统数据挖掘应用到网络时空数据挖掘时存在挖掘结果数据召回率低的问题,研究基于人工智能的网络时空数据挖掘方法.采用网络爬虫技术采集网络时空数据,制定网络时空数据关联规则,利用人工智能中的微分进化算法进行挖掘数据筛选及候选集确定,基于用户偏好挖掘数据知识,实现网络时空数据的挖掘.试验结果表明,设计方法在实际应用中能够...     

基于改进数据挖掘Apriori算法的软件风险管理分析

因初始项集中的数据特征相关,使关联规则Apriori算法的数据挖掘结果存在误差.为了解决这个问题,结合粗糙集理论(RST),提出一种改进的关联规则数据挖掘算法;然后,将该算法应用到软件工程风险因素和风险缓解因素管理分析中,提出一种新的软件工程适应性结构.仿真结果表明,该改进算法提高了挖掘数据的效率.     

模型不确定下带红利支付的最优消费和投资组合

探讨了带有递归偏好的投资者在考虑股票红利支付情形下的最优消费和投资组合.投资者担心模型的误定,因此寻求稳健的决策规则.假设股票的预期收益率遵循一个均值回复过程,在当投资者跨期替代弹性等于1和风险厌恶适中情形下,推导了最优消费和投资决策的显示解.通过数值模拟,发现模型不确定性厌恶增加了财富投资于股票的比例,同时股票支付红利也进一步加大了财富投资于股票的比例.     

一种金融时间序列区域分割方法的研究

金融时间序列指描述不同金融产品诸如股票、汇率与基金等的时间序列.它与金融市场中人类的各种经济活动密切相关,呈现出复杂多变的状态.为了从海量的金融数据中发现有价值的,可用于投资的信息,大量学者采用数据挖掘来对金融时间序列作数据提取和处理.由于金融时间序列具有高噪声、非平稳性、潜在的周期性等特性,如果直接在金融时间序列的原始数据的基础上进行数据挖掘,会导致结果失败或是取得不理想的挖掘效果.而在数据挖掘前能对原始数据进行数据清洗、数据集成等预处理,数据挖掘质量将达到更好地效果.作为金融时间序列的一个重要分支,股票时间序列预测方法通常采用分段线性表示PLR(Piecewise Linear Representation)进行时间序列的预处理.但是PLR算法存在采用单一的拟合误差作为阈值,分段效果不太理想,算法本身的通用性,时间复杂度等性能都有待提高等缺点.本文提出了金融时间序列区域分割方法,该方法在定性和定量上都优于传统的分段线性方法.     

数据挖掘技术在数控机床可靠性分析中的应用

数控装备的可靠性研究的故障模式及影响分析方法通常采用频率法,该分析方法效果良好但过于繁琐。为此,采用数据挖掘技术中的关联规则方法,找出零(元)部件或系统可能发生故障原因和故障模式,为故障模式分析提供有效的方法。并给出关联规则算法的具体步骤。实例证明,该方法实用,有效。     

基于粗集不相容系统的膨胀土分类规则提取

分析膨胀土分类的粗糙性, 指出膨胀土分类是一个基于粗糙集的信息不相容决策系统. 针对常规方法容易引起规则失真的不足, 提出将贝叶斯理论和不相容系统决策挖掘相结合来提取膨胀土分类规则： 以膨胀土分类决策系统的可信度为先验概率, 膨胀土试验数据的支持度为后验概率, 计算膨胀土分类规则的条件概率;提取条件概率大于某一阈值的规则;通过逻辑合取与析取归并膨胀土分类规则. 实例计算和应用分析结果表明： 采用贝叶斯理论和基于粗糙集的不相容系统决策挖掘相结合的方法有利于基于粗糙集的不相容系统的数据挖掘, 而且为膨胀土分类规则的提取提供了一种切实可行的算法.     

基于改进型迭代算法的web数据关联规则挖掘

 因特网上的数据越来越多、越来越复杂,这些异构、动态、分布的信息使得传统数据挖掘方式已经不能达到实际要求。本文提出了一种面向web 数据挖掘的改进型迭代算法,将迭代方法与多服务器并行算法进行结合,并采用该算法建立了一个支持并行关联规则的web 数据挖掘模型,融合存储节点本地计算的思想。实验证明,该模型能够提高web 数据挖掘的效率,并有随着数据量增加执行率升高的特点。     

基于粗糙集理论的数据挖掘方法在电子商务中的应用

介绍了一种基于粗糙集理论提取关联的数据挖掘方法：并给出它在电子商务中的应用以及数据挖掘的全过程和示例，指出作为一种决策支持技术，它可以用来提高企业的决策效率和决策可信度，从而为企业赢得一定的竞争优势。     

一个分类规则的存储结构及查询策略

分析了数据挖掘所获规则的不同应用类型及其实施过程中建立规则管理系统的必要性,提出了一个分类规则管理系统的构建方法,根据对分类规则挖掘过程及结果的抽象,引入元数据知识设计了分类规则的存储结构、查询操作以及建立在此基础上的应用,给出了应用实例·其特点是不仅存储了挖掘结果,同时存储了挖掘过程中涉及的相关数据,更便于对新数据分类和预测·     

基于遗传编程的分等级规则挖掘模型

根据分等级规则挖掘的具体要求,结合遗传编程的特点建立了一种新型的规则挖掘模型。对规则的编码方式和遗传算子进行了详细的设计,构造了满足遗传编程挖掘的树型染色体规则结构,并综合考虑支持度、可信度和相关度3个指标和等级系数等约束因素来设计适应度函数。最后通过实例对基于遗传编程的分等级规则挖掘模型的可靠性进行了验证。     

实况下机械零件的动态可靠性分析

考虑不同工况下载荷变化和强度退化对机械零件可靠性的影响,采用雨流计数法对工况载荷进行统计处理,运用Goodman直线修正法与线性积累损伤法则估计出零件的疲劳寿命.在此基础上,利用等时间段内最大载荷替代载荷变化,Gamma过程模拟强度随机退化的方法来建立渐变可靠性数学模型,最后由随机摄动理论和四阶矩法相结合推导出可靠性灵敏度的表达式.以采煤机扭矩轴为例,估算出扭矩轴在实际载荷下的疲劳寿命,给出各参数变量在疲劳寿命内动态可靠性灵敏度变化规律,分析了参数变量改变对扭矩轴可靠性的影响,并用Monte Carlo仿真进行了验证,结果表明所采用的动态可靠性分析过程符合实际工况,能够为实况下机械零件的动态可靠性分析提供一种方法.     

基于遗传算法的关联规则挖掘

根据关联规则挖掘的要求,结合遗传算法的特点,提出了一种基于遗传算法的关联规则挖掘算法,在基本遗传操作选择、交叉、变异的基础上,引入了挑选操作,取消了交叉、变异概率,给出了详细的算法设计及描述,并通过实例证明了算法的性能。     

Research on spatial association rules mining in two direction

In data mining from transaction DB, the relationships between the attributes have been focused, but the relationships between the tuples have not been taken into account. In spatial database, there are relationships between the attributes and the tuples, and most of the associations occur between the tuples, such as adjacent, intersection, overlap and other topological relationships. So the tasks of spatial data association rules mining include mining the relationships between attributes of spatial objects, which are called as vertical direction DM, and the relationships between the tuples, which are called as horizontal direction DM. This paper analyzes the storage models of spatial data, uses for reference the technologies of data mining in transaction DB, defines the spatial data association rule, including vertical direction association rule, horizontal direction association rule and twodirection association rule, discusses the measurement of spatial association rule interestingness, and puts forward the work flows of spatial association rule data mining. During twodirection spatial association rules mining, an algorithm is proposed to get nonspatial itemsets. By virtue of spatial analysis, the spatial relations were transferred into nonspatial associations and the nonspatial itemsets were gotten. Based on the nonspatial itemsets, the Apriori algorithm or other algorithms could be used to get the frequent itemsets and then the spatial association rules come into being. Using spatial DB, the spatial association rules were gotten to validate the algorithm, and the test results show that this algorithm is efficient and can mine the interesting spatial rules.