论文部分内容阅读
商品个性化推荐是电子商务领域中的关键技术，如何将商品个性化推荐的思想运用到金融投资领域中，实现股票个性化推荐是股民一直关注的热点。而目前在股票投资领域中的推荐方法较为单一，存在一定的局限性，不能满足股民的个性化需求。 本文在原有的商品个性化推荐方法上进行改进和创新，提出了一种结合模糊聚类的协同过滤推荐算法和资金流测算模型的股票推荐方法。该方法的实现主要分为两个步骤:首先采用模糊聚类分析法对股民特征信息进行处理获得股民分类群体，根据预先建立的股民-股票评分矩阵，计算出与目标股民相似度最高的股民群体将其作为最近邻居集，通过邻居股民产生股票候选集。接着，运用资金流测量模型对候选股票进行估测过滤。资金流是投资股票时密切关注的技术指标，在分析股市大盘走势和个股的操作上都起着关键性的作用。本文采用单重休假的M/G/1排队理论来构建模型对资金流进行测量，根据资金流指标的估测结果进行排序，筛选出收益率较高的股票作为最终的股票推荐集。 实验结果表明，本文所构建的基于资金流模型的个性化股票推荐方法有较好的推荐效果，很大程度上改善了传统股票推荐的盲目性和笼统性。模糊聚类过程在离线预处理生成，不需要通过实时计算，这样在实时计算时降低评分矩阵的维度，从而减少了计算矩阵的规模，并节省了在线搜索最近邻居的时间。同时通过资金流模型对股票进行测量过滤，为投资者筛选出具有投资价值的股票。该推荐方法既能满足股民的投资偏好，又能为投资者提供可靠的投资引导，具有一定的应用推广价值。