基于SVM的時態(tài)數(shù)據(jù)挖掘及在證券分析中的應用研究.pdf

1、時態(tài)數(shù)據(jù)的預測和周期發(fā)現(xiàn)是時態(tài)數(shù)據(jù)挖掘的一個重要的研究方向。預測是用被預測事物過去或現(xiàn)在的已知數(shù)據(jù)，構造依時間變化的挖掘模型，對將來的未知做出預測。而周期發(fā)現(xiàn)則是根據(jù)已知數(shù)據(jù)，構造時態(tài)重復模式，發(fā)現(xiàn)事物運行的規(guī)律。支持向量機是九十年代中期提出來的新一代數(shù)據(jù)挖掘工具，具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點，本文將支持向量機方法應用于時態(tài)數(shù)據(jù)預測挖掘中，主要解決分類和回歸問題，可用于金融、氣象、水文、超市和醫(yī)療等領域的預測問題，本課題的研

2、究具有重要的理論意義和應用價值。 第一章闡述了時態(tài)數(shù)據(jù)挖掘的研究背景以及有關的技術，分析了其研究現(xiàn)狀，探討了支持向量機在該領域中已取得的成果、存在的不足，由此引出本課題的研究意義和研究內(nèi)容。 第二章對時態(tài)數(shù)據(jù)有關的概念和理論進行了研究。在此基礎上，構造了時態(tài)數(shù)據(jù)模型以及時態(tài)事件模型，給出了相關定義和性質(zhì)，為下一步進行研究提供了理論基礎。 第三章介紹了支持向量機理論，以統(tǒng)計學習理論為基礎，分別介紹了支持向量分類機和

3、回歸機。 第四章提出了由基時態(tài)數(shù)據(jù)模型構造其他時態(tài)模型的方法，基于v-支持向量機回歸給出了時態(tài)數(shù)據(jù)預測的方法。 第五章擴展了時態(tài)數(shù)據(jù)模型，提出了時態(tài)數(shù)據(jù)的周期模式，并利用v-支持向量機分類算法的一些優(yōu)點，給出了時態(tài)數(shù)據(jù)周期發(fā)現(xiàn)的方法。 本文主要獲得的研究成果和創(chuàng)新如下： 1、建立了基于SVM的時態(tài)數(shù)據(jù)預測挖掘方法； 2、建立了基于SVM的時態(tài)數(shù)據(jù)周期模式的挖掘方法； 3、給出了由基時態(tài)數(shù)據(jù)