序列模式挖掘高效算法及其在股票时序中的应用

• 作 者: 谭璐维
• 发表日期: 2016年期
• 关键词: 数据挖掘 关联规则 股票 优化序列算法

数据挖掘通常结合统计、机器学习、情报检索、专家系统以及模式识别等方式,用来进行数据库和人工智能等方面的研究,并获得了相当大的进展。关联规则分析是指在交易数据库中发现不同事务间的联系规则,并利用发现的关联规则帮助人们在市场运作中、决策支持中以及商业管理等方面提供有效的信息,因此关联规则在实际应用中覆盖面十分广泛,并在数据挖掘中占有比较重要的地位。随着中国市场经济的不断发展以及证券市场的规模的不断增强,股票市场在中国经济生活中的作用日益增强。由于市场中的股票数据的规模较为繁多,股票的价格规律表现的不明显,只是隐藏在数以千计的交易数据库中。因此,如何对这些交易历史数据进行充分地利用,并利用关联规则的挖掘方法来发现隐藏在数据背后的规则,这对人们对股市的预测与投资提供了有利的价值,关联规则挖掘算法的应用领域的研究与探索也变得很有意义。本文在介绍了数据挖掘与关联规则的基本理论与研究现状的知识背景下,结合股票挖掘的时序特点与需求,引出了带有时间因素的序列模式规则挖掘的定义。针对关联规则经典算法Apriori算法的瓶颈问题以及序列模式挖掘的传统的窗口滑动技术的不足,提出了序列模式下的优化改进算法,不仅在算法上提高了效率和减轻了空间负担,并且采用模式约束以及兴趣度约束来筛选用户感兴趣并且有意义的规则,这样的规则对于投资决策更有价值。最后,将序列模式的优化算法应用于2013-2015两年时间段的股票挖掘,并将前后时间内的股票板块联动的规则进行对比,规则的结果与当时的市场政策结合分析,解释了规则的有效性与算法的优化性,同时对后期的投资分析具有一定参考价值。