基于數(shù)據(jù)挖掘的金融預(yù)測模型.pdf

1、金融預(yù)測是金融數(shù)據(jù)挖掘的一個重要研究方向。金融時間序列除了具有非線性、非平穩(wěn)、動態(tài)的一般常見的特征外，還具有其它一些特征，例如高噪音、非正態(tài)、尖峰厚尾等。因此，金融預(yù)測也就更有挑戰(zhàn)性，同時有著廣闊的應(yīng)用價值和市場前景。 本文重點研究了模糊修正模型和基于聚類分析和神經(jīng)網(wǎng)絡(luò)的混合模型在金融預(yù)測領(lǐng)域中的應(yīng)用。由于傳統(tǒng)的模糊邏輯模型自身的局限性，在對金融時間序列趨勢的連續(xù)預(yù)測應(yīng)用中，趨勢準(zhǔn)確率偏低，連續(xù)預(yù)測值波動小(體現(xiàn)不出未來的市場走

2、向)，對此，本文提出了模糊修正的方法，試驗結(jié)果表明，運用模糊修正模型進(jìn)行金融預(yù)測是可行的和有效的；在基于聚類分析和神經(jīng)網(wǎng)絡(luò)的混合模型中，研究了針對金融時間序列的子序列特征提取聚類方法，并引入到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，消除了不相關(guān)歷史模式對網(wǎng)絡(luò)訓(xùn)練的影響，實驗預(yù)測結(jié)果明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。 本文兩個創(chuàng)新的預(yù)測模型是基于同樣的實驗數(shù)據(jù)，因此還對這兩個預(yù)測模型的實驗結(jié)果進(jìn)行了比較，并對各自特點和適用性進(jìn)行分析。 此外，本文對