论文部分内容阅读
股票是市场经济的重要体现,同时也反映着我国经济发展状况,在经济发展走势分析中起着至关重要的作用。随着股票市场的发展,选择投资股票作为盈利项目的人也越来越多。但是如何选择股票,怎样选择相应的上市公司进行投资可以获得最大收益,一直是一个难题。因此,对股票市场上的各类股票走势进行分析预测具有重要意义。然而股票数据是一个庞大并且杂乱无章的复杂系统,利用传统方法对其进行预测分析存在一定的困难。数据挖掘技术提供了一个良好的解决方案,可以从众多杂乱无章的庞大数据中提取出潜在对于走势预测有价值有意义的数据。针对目前股票预测模型的准确度不够高,存在过拟合或欠拟合等问题,在现有股票预测方法分析的基础上,给出了一种基于Cart决策树与Boosting方法的股票预测方法。该方法根据数据纵向的关联性,在常用的开盘价、收盘价、成交量、当日最高价、当日最低价五个指标的基础上增加“近十日均价”及“转手率”两个纵向变化指标;同时以Cart决策树方法为基础,采用Boosting级联多棵决策树来解决拟合度问题。本文选取A股市场上某仪器仪表领域的上市公司作为样本数据,选取该领域某公司一年的股票交易数据作为输入变量,利用C5.0决策树,Cart决策树五指标,Cart决策树结合Boosting算法七指标三种机器学习算法分别建立预测模型进行对比分析。选取A股仪表某公司的数据作为样本数据,用该预测模型进行训练。其中随机选择80%的数据作为训练集,百分之二十的数据作为测试集,用来检验模型的有效性。通过对三种分类模型的预测准确率进行比较发现,与现有的预测模型比较Cart树结合Boosting算法外加七个输入变量的预测模型准确率有所提高,预测均方误差下降0.22。利用这种模型对于特定领域的股票走势特征进行分析,可以为投资者在股票的投资决策上提供帮助。