基于技術(shù)分析和CBR的證券時(shí)間排列預(yù)測模型的構(gòu)建
發(fā)布時(shí)間：2014-08-10 14:47
第一章緒論
1.1研究背景
市場獲得利潤投資者遵循一個(gè)簡單的規(guī)則:“低買高賣"。雖然這個(gè)規(guī)則是簡單的和眾所周知的,但是難以跟隨。這是因?yàn)槭袌龅内厔菔鞘芎芏嘁蛩氐挠绊懭缯魏徒?jīng)濟(jì)因素,方面,市場本身的影響這些因素。各種市場分析技術(shù)應(yīng)用于解釋股票市場和預(yù)測的未來趨勢,但他們對(duì)小投資者是不利的,因?yàn)檫@些技術(shù)需要一定程度在金融和經(jīng)濟(jì)學(xué)的專業(yè)知識(shí)。此外,這些技術(shù)需要收集大量關(guān)于市場的數(shù)據(jù),而且需要很多的計(jì)算,這對(duì)個(gè)人小投資者花費(fèi)太多的精力。因此-個(gè)為小投資者進(jìn)行交易決策的智能技術(shù)投資工具是非常有用的。智能技術(shù)包括使用模糊邏輯知識(shí)表示和使有用的推論或行動(dòng),專家系統(tǒng)對(duì)證據(jù)和啟發(fā)式推理,神經(jīng)網(wǎng)絡(luò)分類和自適應(yīng)學(xué)習(xí),遺傳算法解決優(yōu)化和數(shù)據(jù)挖掘技術(shù)的知識(shí)發(fā)現(xiàn)等。這□智能技術(shù)方法在證券時(shí)間序列屮均有應(yīng)用,通常是幾種技術(shù)方法相結(jié)合能夠?qū)崿F(xiàn)更精準(zhǔn)的預(yù)測:譚華,謝赤,儲(chǔ)慧斌將模糊關(guān)聯(lián)規(guī)則股票市場的交姑規(guī)則抽取,能很好的反映股票交易屮的實(shí)際情況;張素省fgi釆用邏輯判斷和模糊決策系統(tǒng)相結(jié)合的方法對(duì)雙重移動(dòng)平均線技術(shù)指標(biāo)進(jìn)行處理,最終會(huì)給出合理的投資決策意見提出將模糊推理和技術(shù)分析有機(jī)的結(jié)合起來,定義了建立隸屬度函數(shù)的方法,用模糊理論與模糊聚類分析來預(yù)測股票的買賣時(shí)機(jī)的系統(tǒng);段軍偉利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)分類器,設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測系統(tǒng);李豐龍討論了金融證券系統(tǒng)中的股票預(yù)測問題并深入研究了模糊神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對(duì)中國金融證券市場時(shí)間序列預(yù)測的理論和實(shí)際預(yù)測結(jié)果,并對(duì)其進(jìn)行了分析、比較和評(píng)估;
.......
1.2研究現(xiàn)狀案例
在前人研究的基礎(chǔ)上從價(jià)量和風(fēng)險(xiǎn)兩個(gè)角度提取了股票的若干市場交易屬性作為判別指標(biāo),并通過二值Logistic回歸分析確立了指標(biāo)屬性的權(quán)重;隨后采用K最近鄰法作為案例檢索算法,并利用SQL語言對(duì)核心算法在數(shù)據(jù)庫中進(jìn)行了程序?qū)崿F(xiàn)。推理(case based reasoning, CBR)是人工智能領(lǐng)域里的一種推理技術(shù),源于認(rèn)知科學(xué)中記憶在人類推理活動(dòng)中所扮演的角色。1982年,美國耶魯大學(xué)羅杰克在《Dynamic Memory》一書中提出了動(dòng)態(tài)記憶理論,描述了記憶是如何隨著經(jīng)驗(yàn)的增長而自動(dòng)修改和發(fā)展的,這被看作是CBR思想的正式來源。CBR作為實(shí)現(xiàn)人工賀能的重要方法,應(yīng)用十分廣泛。方圓,胡代平就如何對(duì)股價(jià)操縱行為進(jìn)行判別做了研究,設(shè)計(jì)了一個(gè)基于案例推理的股價(jià)操縱行為判別系統(tǒng)。析應(yīng)用于企業(yè)財(cái)務(wù)危機(jī)預(yù)警的案例推理中,采用特征屬性的主客觀權(quán)重計(jì)算案例相似度。得到的案例相似性排序結(jié)果符合實(shí)際情況,提高了相似企業(yè)的檢索效率,滿足了企業(yè)財(cái)務(wù)危機(jī)預(yù)警的要求。Zhanbo LEI- Yoshiyasu YAMADA- Jihong HUANG- You min Xl'"'提出CBR智能預(yù)警支持系統(tǒng),它可以警告企業(yè)財(cái)務(wù)危機(jī),有定量定性的專家知識(shí)和警告經(jīng)驗(yàn),應(yīng)用遺傳算法,提高了檢索的精度和有效性。匹配又支持模糊匹配的特點(diǎn),有效地檢測那些故S偏離檢測規(guī)則的攻出,降低漏報(bào)率。時(shí)序預(yù)測己有不少方法,如分解,指數(shù)平滑,隨機(jī)模型,狀態(tài)空間模型,貝葉斯模型,以及一些新方法如神經(jīng)網(wǎng)絡(luò)和模糊邏輯,人工智能領(lǐng)域的遺傳算法和模式識(shí)別方法等�；〉臅r(shí)序預(yù)測模型在國內(nèi)外也均有研究。
.......
第二章金融時(shí)間序列及技術(shù)分析
2.1金融時(shí)間序列
很多潛在的重要信息和事物規(guī)律往往蘊(yùn)含復(fù)雜的時(shí)間序列在,詳盡的分析這類重要的復(fù)雜數(shù)據(jù)對(duì)象,便有可能揭示事物運(yùn)動(dòng)、變化和發(fā)展的內(nèi)在規(guī)律.數(shù)據(jù)按固定的時(shí)間間隔采樣,一組被觀測數(shù)據(jù)或信息依次按照時(shí)間順序進(jìn)行排列。很多潛在的重要信息和事物規(guī)律往往蘊(yùn)含在復(fù)雜的時(shí)間序列中,詳盡的分析這類重要的復(fù)雜數(shù)據(jù)對(duì)象,便有可能揭示事物運(yùn)動(dòng)、變化和發(fā)展的內(nèi)在規(guī)律.金融時(shí)間序列是金融資產(chǎn)收益序列的重要表現(xiàn)形式,例如股票、基金、外匯、金融衍生品等收益率的分時(shí)線、日線等,也是經(jīng)濟(jì)與金融領(lǐng)域中最重要的數(shù)據(jù),因此對(duì)這類數(shù)據(jù)分析和預(yù)測在金融投資預(yù)測、決策和風(fēng)險(xiǎn)管理等方面具有重要意義.
.........
2.2證券技術(shù)分析理論依據(jù)
2.2.1技術(shù)分析的含義
長期以來,人們都在尋求戰(zhàn)勝市場的方法,研究主要可分為兩大流派:基木分析與技術(shù)分析�；痉治鰝�(cè)重于研究公司內(nèi)、外部的多種因素,從而發(fā)現(xiàn)股價(jià)運(yùn)動(dòng)的規(guī)律;而技術(shù)分析卻是直接從價(jià)格著手,以股價(jià)的動(dòng)態(tài)和規(guī)律性為主要對(duì)象,結(jié)合對(duì)股票交易數(shù)量和投資心理等市場因素的分析,以幫助投資者選擇投資機(jī)會(huì)。其中的技術(shù)分析,旨在直接分析證券市場的市場行為,其特征是根據(jù)市場以前和當(dāng)下的行為,以數(shù)學(xué)為理論支撐,探索出一些重復(fù)出現(xiàn)的規(guī)律,以便于更好的預(yù)測證券市場將來價(jià)格走勢。技術(shù)分析通常是重在研究證券市場行為,對(duì)于證券市場趨勢的形成和轉(zhuǎn)化的成因則不關(guān)注,重在強(qiáng)調(diào)價(jià)格走勢的最終結(jié)果,注重研究證券市場的行為。技術(shù)分析方法一般分為指標(biāo)類、切線類、形態(tài)類、K線類、波浪類等5大類,本文主要對(duì)指標(biāo)類和形態(tài)類加以描述。K線又稱錯(cuò)燭線,是日本德川幕府時(shí)期,米商為分析米市行情變化而發(fā)明的,R線圖取每日開市價(jià)、最高價(jià)、最低價(jià)、收市價(jià)繪制而成,開市價(jià)與收市價(jià)之間形成實(shí)體,收市價(jià)高于開市價(jià),則K線為陽線,反之為陰線。同樣可以根據(jù)每周、每月或每年的價(jià)格數(shù)據(jù)繪制周線圖、月線圖和年線圖。K線圖,已廣泛應(yīng)用于各種技術(shù)分析軟件。價(jià)格圖表是技術(shù)分析最基本的工具,它具有簡捷、直觀的優(yōu)點(diǎn)。K線理論注重短炒,它預(yù)測期很短,為了彌補(bǔ)不足,將K線的組合擴(kuò)展,組成一條上下波動(dòng)的軌跡,來判別多空力量斗爭,這就是移動(dòng)趨勢形態(tài)分析。
..........
第三章基于案例推理技術(shù)..........23
3.1人工智能與專家系統(tǒng)概述..........23
3.2基于案例推理的基本概念..........24
3.3基于案例推理過程..........26
第四章案例表示與案例庫構(gòu)造方法..........31
4.1案例特征..........31
4.2案例識(shí)別..........35
4.3案例表示..........36
第五章案例檢索的相似匹配算法及特征權(quán)值估算方法..........39
5.1案例檢索的相似匹配算法..........39
5.2特征權(quán)值估算法..........41
第六章基于技術(shù)分析和CBR的證券時(shí)間序列預(yù)測模型
6.1技術(shù)分析
本章詳細(xì)介紹了案例搜索的相似匹配算法,包括搜索策略和NN算法;對(duì)特征權(quán)值估算方法只作了理論上的學(xué)習(xí)和改進(jìn),沒有在本文中具體應(yīng)用。將根據(jù)主觀經(jīng)驗(yàn)人為指定特征權(quán)值,采用NN算法實(shí)現(xiàn)CBR對(duì)證券時(shí)間序列的預(yù)測。通過對(duì)市場過去和現(xiàn)在的行為,應(yīng)用數(shù)學(xué)和邏輯的方法,探索出一些典型的規(guī)律,對(duì)預(yù)測證券市場的未來變化趨勢意義重大。針對(duì)這些技術(shù)需要一定程度在金融和經(jīng)濟(jì)學(xué)的專業(yè)知識(shí),對(duì)小投資者不利,本文提出一種基于CBR技術(shù)的人工智能方法。CBR技術(shù)是從以往案例中搜索與,前問題相似的案例,并選擇一個(gè)或多個(gè)與當(dāng)前問題最相似和相關(guān)的案例,通過對(duì)所選案例的適當(dāng)調(diào)整和改寫,從而獲得_前問題求解結(jié)果和對(duì)這一新案例的存儲(chǔ)以備使用的一種推理模式系統(tǒng)與matlab連接本系統(tǒng)采用了專門的數(shù)據(jù)爾管理系統(tǒng)——SQL Server 2005,它足一個(gè)關(guān)系數(shù)據(jù)序it理系統(tǒng),它提供的SQL語句可以很方便的對(duì)數(shù)據(jù)庫進(jìn)行各種各樣的操作,例如更新數(shù)據(jù)庫.中的數(shù)據(jù)、從數(shù)據(jù)庫中提取數(shù)據(jù)等。數(shù)據(jù)操作方式是MATLAB+ODBC+SQL Server的形式。
本文主要做了以下幾個(gè)方面的內(nèi)容:1、概述金融時(shí)間序列和證券技術(shù)分析,介紹了證券技術(shù)分析的理論某礎(chǔ)和技術(shù)分析方法,本文結(jié)合使用K線類及形態(tài)類的技術(shù)特征,利用基于最小點(diǎn)實(shí)現(xiàn)了典型技術(shù)形態(tài)的模式識(shí)別。2、詳細(xì)描述CBR技術(shù),主要包括案例特征、案例識(shí)別和案例檢索的思路及實(shí)現(xiàn)算法,利用檢測出證券時(shí)間序列的各種技術(shù)形態(tài)的指標(biāo)屬性,包括識(shí)別形態(tài)的起止時(shí)間、成交量、MA、OBV、RSI等屬性值的信息一并存入案例庫,并實(shí)時(shí)進(jìn)行案例修正和學(xué)習(xí)。利用案例檢索的相似匹配算法一 NN算法,檢索出與目標(biāo)案例最相似的已經(jīng)存在于案例庫的源案例,實(shí)現(xiàn)對(duì)證券時(shí)間序列未來走勢的預(yù)測,并驗(yàn)證了該模型在理論和實(shí)際.用中的準(zhǔn)確性及有效性。下一步工作本文結(jié)合股票技術(shù)分析和CBR技術(shù),以基于最大最小點(diǎn)模式識(shí)別出的股價(jià)技術(shù)形態(tài)為案例,在形態(tài)識(shí)別的基礎(chǔ)上,結(jié)合技術(shù)指標(biāo),利用案例檢索的相似匹配算法一NN算法,檢索出與案例最相似的已經(jīng)存在于案例庫中的源案例,預(yù)測股票市場的將來價(jià)格走勢,進(jìn)行投資指導(dǎo)。結(jié)果表明,基于技術(shù)分析和CBR的證券時(shí)間序列預(yù)測模型能給予投資建議。
..........
參考文獻(xiàn)(略)
本文編號(hào)：8277
1.1研究背景
市場獲得利潤投資者遵循一個(gè)簡單的規(guī)則:“低買高賣"。雖然這個(gè)規(guī)則是簡單的和眾所周知的,但是難以跟隨。這是因?yàn)槭袌龅内厔菔鞘芎芏嘁蛩氐挠绊懭缯魏徒?jīng)濟(jì)因素,方面,市場本身的影響這些因素。各種市場分析技術(shù)應(yīng)用于解釋股票市場和預(yù)測的未來趨勢,但他們對(duì)小投資者是不利的,因?yàn)檫@些技術(shù)需要一定程度在金融和經(jīng)濟(jì)學(xué)的專業(yè)知識(shí)。此外,這些技術(shù)需要收集大量關(guān)于市場的數(shù)據(jù),而且需要很多的計(jì)算,這對(duì)個(gè)人小投資者花費(fèi)太多的精力。因此-個(gè)為小投資者進(jìn)行交易決策的智能技術(shù)投資工具是非常有用的。智能技術(shù)包括使用模糊邏輯知識(shí)表示和使有用的推論或行動(dòng),專家系統(tǒng)對(duì)證據(jù)和啟發(fā)式推理,神經(jīng)網(wǎng)絡(luò)分類和自適應(yīng)學(xué)習(xí),遺傳算法解決優(yōu)化和數(shù)據(jù)挖掘技術(shù)的知識(shí)發(fā)現(xiàn)等。這□智能技術(shù)方法在證券時(shí)間序列屮均有應(yīng)用,通常是幾種技術(shù)方法相結(jié)合能夠?qū)崿F(xiàn)更精準(zhǔn)的預(yù)測:譚華,謝赤,儲(chǔ)慧斌將模糊關(guān)聯(lián)規(guī)則股票市場的交姑規(guī)則抽取,能很好的反映股票交易屮的實(shí)際情況;張素省fgi釆用邏輯判斷和模糊決策系統(tǒng)相結(jié)合的方法對(duì)雙重移動(dòng)平均線技術(shù)指標(biāo)進(jìn)行處理,最終會(huì)給出合理的投資決策意見提出將模糊推理和技術(shù)分析有機(jī)的結(jié)合起來,定義了建立隸屬度函數(shù)的方法,用模糊理論與模糊聚類分析來預(yù)測股票的買賣時(shí)機(jī)的系統(tǒng);段軍偉利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)分類器,設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測系統(tǒng);李豐龍討論了金融證券系統(tǒng)中的股票預(yù)測問題并深入研究了模糊神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型對(duì)中國金融證券市場時(shí)間序列預(yù)測的理論和實(shí)際預(yù)測結(jié)果,并對(duì)其進(jìn)行了分析、比較和評(píng)估;
.......
1.2研究現(xiàn)狀案例
在前人研究的基礎(chǔ)上從價(jià)量和風(fēng)險(xiǎn)兩個(gè)角度提取了股票的若干市場交易屬性作為判別指標(biāo),并通過二值Logistic回歸分析確立了指標(biāo)屬性的權(quán)重;隨后采用K最近鄰法作為案例檢索算法,并利用SQL語言對(duì)核心算法在數(shù)據(jù)庫中進(jìn)行了程序?qū)崿F(xiàn)。推理(case based reasoning, CBR)是人工智能領(lǐng)域里的一種推理技術(shù),源于認(rèn)知科學(xué)中記憶在人類推理活動(dòng)中所扮演的角色。1982年,美國耶魯大學(xué)羅杰克在《Dynamic Memory》一書中提出了動(dòng)態(tài)記憶理論,描述了記憶是如何隨著經(jīng)驗(yàn)的增長而自動(dòng)修改和發(fā)展的,這被看作是CBR思想的正式來源。CBR作為實(shí)現(xiàn)人工賀能的重要方法,應(yīng)用十分廣泛。方圓,胡代平就如何對(duì)股價(jià)操縱行為進(jìn)行判別做了研究,設(shè)計(jì)了一個(gè)基于案例推理的股價(jià)操縱行為判別系統(tǒng)。析應(yīng)用于企業(yè)財(cái)務(wù)危機(jī)預(yù)警的案例推理中,采用特征屬性的主客觀權(quán)重計(jì)算案例相似度。得到的案例相似性排序結(jié)果符合實(shí)際情況,提高了相似企業(yè)的檢索效率,滿足了企業(yè)財(cái)務(wù)危機(jī)預(yù)警的要求。Zhanbo LEI- Yoshiyasu YAMADA- Jihong HUANG- You min Xl'"'提出CBR智能預(yù)警支持系統(tǒng),它可以警告企業(yè)財(cái)務(wù)危機(jī),有定量定性的專家知識(shí)和警告經(jīng)驗(yàn),應(yīng)用遺傳算法,提高了檢索的精度和有效性。匹配又支持模糊匹配的特點(diǎn),有效地檢測那些故S偏離檢測規(guī)則的攻出,降低漏報(bào)率。時(shí)序預(yù)測己有不少方法,如分解,指數(shù)平滑,隨機(jī)模型,狀態(tài)空間模型,貝葉斯模型,以及一些新方法如神經(jīng)網(wǎng)絡(luò)和模糊邏輯,人工智能領(lǐng)域的遺傳算法和模式識(shí)別方法等�；〉臅r(shí)序預(yù)測模型在國內(nèi)外也均有研究。
.......
第二章金融時(shí)間序列及技術(shù)分析
2.1金融時(shí)間序列
很多潛在的重要信息和事物規(guī)律往往蘊(yùn)含復(fù)雜的時(shí)間序列在,詳盡的分析這類重要的復(fù)雜數(shù)據(jù)對(duì)象,便有可能揭示事物運(yùn)動(dòng)、變化和發(fā)展的內(nèi)在規(guī)律.數(shù)據(jù)按固定的時(shí)間間隔采樣,一組被觀測數(shù)據(jù)或信息依次按照時(shí)間順序進(jìn)行排列。很多潛在的重要信息和事物規(guī)律往往蘊(yùn)含在復(fù)雜的時(shí)間序列中,詳盡的分析這類重要的復(fù)雜數(shù)據(jù)對(duì)象,便有可能揭示事物運(yùn)動(dòng)、變化和發(fā)展的內(nèi)在規(guī)律.金融時(shí)間序列是金融資產(chǎn)收益序列的重要表現(xiàn)形式,例如股票、基金、外匯、金融衍生品等收益率的分時(shí)線、日線等,也是經(jīng)濟(jì)與金融領(lǐng)域中最重要的數(shù)據(jù),因此對(duì)這類數(shù)據(jù)分析和預(yù)測在金融投資預(yù)測、決策和風(fēng)險(xiǎn)管理等方面具有重要意義.
.........
2.2證券技術(shù)分析理論依據(jù)
2.2.1技術(shù)分析的含義
長期以來,人們都在尋求戰(zhàn)勝市場的方法,研究主要可分為兩大流派:基木分析與技術(shù)分析�；痉治鰝�(cè)重于研究公司內(nèi)、外部的多種因素,從而發(fā)現(xiàn)股價(jià)運(yùn)動(dòng)的規(guī)律;而技術(shù)分析卻是直接從價(jià)格著手,以股價(jià)的動(dòng)態(tài)和規(guī)律性為主要對(duì)象,結(jié)合對(duì)股票交易數(shù)量和投資心理等市場因素的分析,以幫助投資者選擇投資機(jī)會(huì)。其中的技術(shù)分析,旨在直接分析證券市場的市場行為,其特征是根據(jù)市場以前和當(dāng)下的行為,以數(shù)學(xué)為理論支撐,探索出一些重復(fù)出現(xiàn)的規(guī)律,以便于更好的預(yù)測證券市場將來價(jià)格走勢。技術(shù)分析通常是重在研究證券市場行為,對(duì)于證券市場趨勢的形成和轉(zhuǎn)化的成因則不關(guān)注,重在強(qiáng)調(diào)價(jià)格走勢的最終結(jié)果,注重研究證券市場的行為。技術(shù)分析方法一般分為指標(biāo)類、切線類、形態(tài)類、K線類、波浪類等5大類,本文主要對(duì)指標(biāo)類和形態(tài)類加以描述。K線又稱錯(cuò)燭線,是日本德川幕府時(shí)期,米商為分析米市行情變化而發(fā)明的,R線圖取每日開市價(jià)、最高價(jià)、最低價(jià)、收市價(jià)繪制而成,開市價(jià)與收市價(jià)之間形成實(shí)體,收市價(jià)高于開市價(jià),則K線為陽線,反之為陰線。同樣可以根據(jù)每周、每月或每年的價(jià)格數(shù)據(jù)繪制周線圖、月線圖和年線圖。K線圖,已廣泛應(yīng)用于各種技術(shù)分析軟件。價(jià)格圖表是技術(shù)分析最基本的工具,它具有簡捷、直觀的優(yōu)點(diǎn)。K線理論注重短炒,它預(yù)測期很短,為了彌補(bǔ)不足,將K線的組合擴(kuò)展,組成一條上下波動(dòng)的軌跡,來判別多空力量斗爭,這就是移動(dòng)趨勢形態(tài)分析。
..........
第三章基于案例推理技術(shù)..........23
3.1人工智能與專家系統(tǒng)概述..........23
3.2基于案例推理的基本概念..........24
3.3基于案例推理過程..........26
第四章案例表示與案例庫構(gòu)造方法..........31
4.1案例特征..........31
4.2案例識(shí)別..........35
4.3案例表示..........36
第五章案例檢索的相似匹配算法及特征權(quán)值估算方法..........39
5.1案例檢索的相似匹配算法..........39
5.2特征權(quán)值估算法..........41
第六章基于技術(shù)分析和CBR的證券時(shí)間序列預(yù)測模型
6.1技術(shù)分析
本章詳細(xì)介紹了案例搜索的相似匹配算法,包括搜索策略和NN算法;對(duì)特征權(quán)值估算方法只作了理論上的學(xué)習(xí)和改進(jìn),沒有在本文中具體應(yīng)用。將根據(jù)主觀經(jīng)驗(yàn)人為指定特征權(quán)值,采用NN算法實(shí)現(xiàn)CBR對(duì)證券時(shí)間序列的預(yù)測。通過對(duì)市場過去和現(xiàn)在的行為,應(yīng)用數(shù)學(xué)和邏輯的方法,探索出一些典型的規(guī)律,對(duì)預(yù)測證券市場的未來變化趨勢意義重大。針對(duì)這些技術(shù)需要一定程度在金融和經(jīng)濟(jì)學(xué)的專業(yè)知識(shí),對(duì)小投資者不利,本文提出一種基于CBR技術(shù)的人工智能方法。CBR技術(shù)是從以往案例中搜索與,前問題相似的案例,并選擇一個(gè)或多個(gè)與當(dāng)前問題最相似和相關(guān)的案例,通過對(duì)所選案例的適當(dāng)調(diào)整和改寫,從而獲得_前問題求解結(jié)果和對(duì)這一新案例的存儲(chǔ)以備使用的一種推理模式系統(tǒng)與matlab連接本系統(tǒng)采用了專門的數(shù)據(jù)爾管理系統(tǒng)——SQL Server 2005,它足一個(gè)關(guān)系數(shù)據(jù)序it理系統(tǒng),它提供的SQL語句可以很方便的對(duì)數(shù)據(jù)庫進(jìn)行各種各樣的操作,例如更新數(shù)據(jù)庫.中的數(shù)據(jù)、從數(shù)據(jù)庫中提取數(shù)據(jù)等。數(shù)據(jù)操作方式是MATLAB+ODBC+SQL Server的形式。
........
第七章結(jié)論與展望
7.1本文工作
本文主要做了以下幾個(gè)方面的內(nèi)容:1、概述金融時(shí)間序列和證券技術(shù)分析,介紹了證券技術(shù)分析的理論某礎(chǔ)和技術(shù)分析方法,本文結(jié)合使用K線類及形態(tài)類的技術(shù)特征,利用基于最小點(diǎn)實(shí)現(xiàn)了典型技術(shù)形態(tài)的模式識(shí)別。2、詳細(xì)描述CBR技術(shù),主要包括案例特征、案例識(shí)別和案例檢索的思路及實(shí)現(xiàn)算法,利用檢測出證券時(shí)間序列的各種技術(shù)形態(tài)的指標(biāo)屬性,包括識(shí)別形態(tài)的起止時(shí)間、成交量、MA、OBV、RSI等屬性值的信息一并存入案例庫,并實(shí)時(shí)進(jìn)行案例修正和學(xué)習(xí)。利用案例檢索的相似匹配算法一 NN算法,檢索出與目標(biāo)案例最相似的已經(jīng)存在于案例庫的源案例,實(shí)現(xiàn)對(duì)證券時(shí)間序列未來走勢的預(yù)測,并驗(yàn)證了該模型在理論和實(shí)際.用中的準(zhǔn)確性及有效性。下一步工作本文結(jié)合股票技術(shù)分析和CBR技術(shù),以基于最大最小點(diǎn)模式識(shí)別出的股價(jià)技術(shù)形態(tài)為案例,在形態(tài)識(shí)別的基礎(chǔ)上,結(jié)合技術(shù)指標(biāo),利用案例檢索的相似匹配算法一NN算法,檢索出與案例最相似的已經(jīng)存在于案例庫中的源案例,預(yù)測股票市場的將來價(jià)格走勢,進(jìn)行投資指導(dǎo)。結(jié)果表明,基于技術(shù)分析和CBR的證券時(shí)間序列預(yù)測模型能給予投資建議。
..........
參考文獻(xiàn)(略)
本文編號(hào)：8277
本文鏈接：http://www.wukwdryxk.cn/jingjilunwen/jinrongzhengquanlunwen/8277.html
最近更新
教材專著
