裴洪文 裴錚

摘 要：本文對(duì)證券投資市場(chǎng)的數(shù)據(jù)背景進(jìn)行了分析，目前證券市場(chǎng)有近四千家上市公司，非常需要利用人工智能的方法來處理數(shù)據(jù)并對(duì)市場(chǎng)的變化趨勢(shì)作預(yù)測(cè)。對(duì)數(shù)據(jù)挖掘（獲?。┘夹g(shù)進(jìn)行了分析，同時(shí)分析了數(shù)據(jù)挖掘過程和依據(jù)，研究了數(shù)據(jù)挖掘技術(shù)在證券投資市場(chǎng)上的應(yīng)用，研究了時(shí)間序列模型預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分析方法，并利用二種預(yù)測(cè)方法進(jìn)行了軟件模擬仿真，結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)比較有效。

關(guān)鍵詞：數(shù)據(jù)挖掘 ；數(shù)學(xué)模型 ；人工智能 預(yù)測(cè)

1研究背景及意義

證券投資可以實(shí)現(xiàn)資產(chǎn)增值，支持社會(huì)融資，化解供求雙方的壓力，傳遞經(jīng)濟(jì)優(yōu)化配置等功能，已成了各級(jí)政府部門、眾多企業(yè)和眾多投資者關(guān)心并積極參與的經(jīng)濟(jì)活動(dòng)。由于證券投資市場(chǎng)具有的投資收益和風(fēng)險(xiǎn)是正相關(guān)的，收益越高的投資則存在的風(fēng)險(xiǎn)也越大。近年來，證券投資已經(jīng)成為人們?nèi)粘＝?jīng)濟(jì)生活的一個(gè)重要組成部分，證券市場(chǎng)的漲跌對(duì)人民生活、經(jīng)濟(jì)活動(dòng)的影響日益增大，如果能有效預(yù)測(cè)證券市場(chǎng)股票價(jià)格的走勢(shì)，將會(huì)對(duì)人們的投資理念、投資理財(cái)水平產(chǎn)生巨大的影響，還可以對(duì)國(guó)民經(jīng)濟(jì)的發(fā)展提供有價(jià)值的參考依據(jù)。

對(duì)證券市場(chǎng)的股票進(jìn)行預(yù)測(cè)，主要利用三點(diǎn)基本假設(shè)：即市場(chǎng)行為涵蓋一切信息；股價(jià)變化有趨勢(shì)可以遵循；歷史會(huì)重演。隨著股市的發(fā)展，人們不僅探索其內(nèi)在的有關(guān)規(guī)律，并對(duì)此進(jìn)行逐步深入的研究，同時(shí)找出了許多對(duì)股市的預(yù)測(cè)方法。但影響股票價(jià)格的因素有許多：如政策、經(jīng)濟(jì)發(fā)展?fàn)顩r、股票投資者的心理因素等，這些因素相互交織，相互影響，相互約束，股票的價(jià)格波動(dòng)表現(xiàn)出較強(qiáng)的非線性特征，僅用線性分析會(huì)產(chǎn)生較大的誤差，同時(shí)股價(jià)的變化呈現(xiàn)出隨機(jī)特性和時(shí)變特性，如何發(fā)掘股價(jià)的變化規(guī)律，是經(jīng)濟(jì)研究中的一個(gè)非常有意義的問題。

股票的分析涉及大量的復(fù)雜數(shù)據(jù)的提取，以及大量的數(shù)據(jù)運(yùn)算，不可能單靠人工來完成獲取數(shù)據(jù)，處理數(shù)據(jù)，傳輸數(shù)據(jù)，儲(chǔ)存數(shù)據(jù)的過程，也不可能完成這些處理過程中涉及到的大量的數(shù)據(jù)的算術(shù)和邏輯運(yùn)算。影響股票的走勢(shì)因素太多，股票市場(chǎng)中的數(shù)據(jù)含有較多的干擾因素即噪聲，在線性條件下，可以設(shè)計(jì)相應(yīng)的濾波器將這些噪聲部分清除，但在非線性條件下，難以用濾波器處理，要求股市的預(yù)測(cè)應(yīng)當(dāng)具有比較強(qiáng)大的非線性問題的處理能力。股市的數(shù)據(jù)有時(shí)反映了投資者的主觀性，特別是投資者的心理因素影響很大，為了得到比較可靠和有效的股市模型及預(yù)測(cè)結(jié)果，人工智能的研究利用給我們提供了相應(yīng)的解決方法。

2數(shù)據(jù)挖掘分析

2.1概念

隨著國(guó)內(nèi)證券市場(chǎng)的發(fā)展，股票市場(chǎng)提供的數(shù)據(jù)越來越多，激增的數(shù)據(jù)背后含有許多重要的信息，做分析決策對(duì)數(shù)據(jù)的依賴性和敏感度也越來越也高。數(shù)據(jù)挖掘技術(shù)作為股票市場(chǎng)的分析和決策工具已經(jīng)得到越來越多的重視。

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中 ，提取隱含在其中的、人們事先不知道的、潛在有用的信息和知識(shí)的過程。從證券市場(chǎng)應(yīng)用的角度，根據(jù)預(yù)定的分析目標(biāo)，對(duì)大量的上市公司數(shù)據(jù)進(jìn)行必要的檢索，抽取和適當(dāng)?shù)姆治?，揭示這些數(shù)據(jù)隱含的變化規(guī)律，并進(jìn)一步將其模型化的先進(jìn)有效的技術(shù)過程。數(shù)據(jù)挖掘是一門交叉學(xué)科，是人工智能中一個(gè)重要技術(shù)，集成了許多學(xué)科，包括數(shù)據(jù)庫(kù)技術(shù)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、模型識(shí)別，人工智能、建模技術(shù)、電子技術(shù)，信息技術(shù)等成熟的工具和技術(shù)。

2.2數(shù)據(jù)挖掘過程

分為定義問題、數(shù)據(jù)的收集和預(yù)處理、數(shù)據(jù)挖掘、結(jié)果分析及知識(shí)的應(yīng)用等五個(gè)過程。

（1）定義問題：清晰的定義出證券市場(chǎng)的問題，確定數(shù)據(jù)挖掘的目的。

（2）數(shù)據(jù)的收集和預(yù)處理：包括數(shù)據(jù)選擇、數(shù)據(jù)預(yù)處理和數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)選擇的目的就是確定數(shù)據(jù)挖掘任務(wù)所涉及的操作數(shù)據(jù)對(duì)象；數(shù)據(jù)預(yù)處理通常包括消除噪聲、遺漏數(shù)據(jù)處理、消除重復(fù)數(shù)據(jù)、數(shù)據(jù)類型轉(zhuǎn)換等處理。

（3）數(shù)據(jù)挖掘：根據(jù)數(shù)據(jù)功能的類型和數(shù)據(jù)的特點(diǎn)選擇相應(yīng)的算法，在凈化和轉(zhuǎn)換過的數(shù)據(jù)集上進(jìn)行數(shù)據(jù)挖掘。

（4）結(jié)果分析：對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行解釋和評(píng)價(jià)，轉(zhuǎn)換成為能被證券市場(chǎng)用戶理解的知識(shí)。

（5）知識(shí)的運(yùn)用：將分析得到的知識(shí)集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去。

3數(shù)據(jù)挖掘技術(shù)在證券投資市場(chǎng)上的應(yīng)用

3.1數(shù)據(jù)挖掘的依據(jù)

（1）關(guān)聯(lián)：證券股票市場(chǎng)與當(dāng)期的匯率變動(dòng)情況，利率變動(dòng)情況，國(guó)民經(jīng)濟(jì)的發(fā)展?fàn)顩r的關(guān)聯(lián)，某一證券與該證券所屬行業(yè)板塊、所屬區(qū)域板塊及整個(gè)證券市場(chǎng)的相關(guān)分析，股價(jià)變化與關(guān)聯(lián)因素影響分析，不同地域、不同行業(yè)的股票關(guān)聯(lián)情況分析。

（2）技術(shù)：對(duì)各種指標(biāo)和數(shù)據(jù)的排序、分類，研究它們具有的技術(shù)特征和影響程度，對(duì)股票價(jià)格波動(dòng)的技術(shù)指引。

（3）在線投資分析：對(duì)成交量、板塊進(jìn)行分析，對(duì)預(yù)測(cè)結(jié)果進(jìn)行驗(yàn)證，對(duì)股價(jià)的變動(dòng)規(guī)律、未來行情走勢(shì)做分類、探討不同投資結(jié)合效果，提出構(gòu)建綜合的科學(xué)方案。作出必要的收益和風(fēng)險(xiǎn)的評(píng)判。

3.2時(shí)間序列模型預(yù)測(cè)分析

通過編制和分析時(shí)間序列，根據(jù)時(shí)間序列所反映出來的發(fā)展過程、方向和趨勢(shì)、進(jìn)行類推和延伸。從歷史各個(gè)時(shí)間間隔的股票價(jià)格漲跌、交易量變動(dòng)的交叉信息中，分析出大眾的投資心理和投資趨向。

用T來表示長(zhǎng)期趨勢(shì)值，用S表示季節(jié)變動(dòng)值，用I來表示不規(guī)則變動(dòng)值，可以用兩種方法計(jì)算未來的時(shí)間序列預(yù)測(cè)值Y：

加法模式Y(jié)=T+S+I

乘法模式Y(jié)=T×S×I

在股票預(yù)測(cè)常用的時(shí)間序列分析法主要利用建立自回歸模型AR，移動(dòng)平均模型MA，自動(dòng)回歸和移動(dòng)平均模型ARMA和齊次非平穩(wěn)模型ARMA，通過選擇模型的參數(shù)和辨識(shí)模型的系數(shù)來實(shí)現(xiàn)對(duì)時(shí)間序列擬合的模型預(yù)測(cè)。

3.3神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析

（1）人工神經(jīng)元模型

4結(jié)論

本文利用數(shù)據(jù)挖掘方法中的時(shí)間序列分析方法及神經(jīng)網(wǎng)絡(luò)分析方法對(duì)同一股票，同一板塊股票進(jìn)行了預(yù)測(cè)。利用SQL平臺(tái)建立時(shí)間序列預(yù)測(cè)模型和神經(jīng)網(wǎng)絡(luò)模型。對(duì)預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比，時(shí)間序列分析基本上能夠預(yù)測(cè)出當(dāng)時(shí)的收盤價(jià)走勢(shì)，預(yù)測(cè)的二十只股票，有五只誤差在5%以內(nèi)，有七只誤差在10%以內(nèi)，其余在10%以上，而利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析的二十只股票有八只誤差在5%以內(nèi)，有十只誤差在10%以內(nèi)，其余超過10%?？梢园l(fā)現(xiàn)時(shí)間序列預(yù)測(cè)方法相對(duì)較簡(jiǎn)單，利用的算法比較直觀，但由于該算法的特點(diǎn)，預(yù)測(cè)誤差有些大。人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)結(jié)果相對(duì)較好，缺點(diǎn)是運(yùn)算量過大，算法較復(fù)雜。

隨著云計(jì)算、大數(shù)據(jù)及人工智能技術(shù)的發(fā)展，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)變得越來越方便，越來越精準(zhǔn)，越來越有效。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)技術(shù)將會(huì)更有發(fā)展前景。

參考文獻(xiàn) ：

[1]鄧松，李文敬等.數(shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用寶典[M] .北京：電子工業(yè)出版社 2009；

[2]廖芹，郝志峰等.數(shù)據(jù)挖掘與數(shù)學(xué)建模[M].北京：國(guó)防工業(yè)出版社 2010；

[3]Abarbanell，Bushee，F(xiàn)undamental analysis ，future earnings and stock prices. Journal of Accounting Research，2012 ， 35（1）：88-90；