股票大数据挖掘实战:股票预测篇
本书特色
[
本书围绕股票大数据挖掘技术展开，主要介绍数据挖掘的方法及其在股票大数据上的实战应用。在1~3章中首先介绍数据挖掘的基本概念、常用算法和工具、大数据炒股、股票时间序列、量化投资、股票数据的获取等；在4~10章中，每一章根据股票挖掘的不同目标，介绍相关的数据挖掘算法，同时基于对基础算法的优劣势分析，提出适用于股票场内实盘交易全景数据分析的新方法，结合新方法在股票挖掘平台上的实现对股票的操作进行实战解析。具体包括：分类方法及股票买卖点的判断；相似/相关匹配方法及股票走势的预测；动态时间规整相似股票判断与投资组合；马尔科夫模型与股票盘面强弱状态的判断；关联规则与股票间的延时涨跌联动；n-gram模型与股票的幅值组合关系；深度学习与循环滚动预测等。
]
目录
第1章 数据挖掘基础1．1 数据挖掘概述1．1．1 数据挖掘的过程1．1．2 数据挖掘的任务1．1．3 数据挖掘的应用1．1．4 数据挖掘的存在问题、未来发展和挑战1．2 常用的数据挖掘算法1．3 数据挖掘工具1．3．1 MATLAB1．3．2 SAS1．3．3 SPSS1．3．4 WEKA1．3．5 R1．3．6 工具的比较与选择1．4 数据挖掘与云计算1．5 Mahout分布式框架1．5．1 Mahout简介1．5．2 Mahout算法集1．5．3 Mahout系统架构1．5．4 Mahout的优缺点第2章 股票大数据挖掘2．1 股票大数据2．1．1 大数据概述2．1．2 大数据的处理2．1．3 大数据炒股2．2 股票预测2．2．1 预测基础知识2．2．2 股票预测的结构2．2．3 股票预测技术2．3 量化投资2．3．1 什么是量化投资2．3．2 量化投资的特点2．3．3 量化投资的方法2．3．4 量化投资选股模型2．3．5 多因子选股模型2．3．6 量化模型的建立第3章 股票数据的准备3．1 股票相关数据3．2 数据的获取源3．2．1 从雅虎获取历史交易数据3．2．2 从腾讯获取实时交易数据3．2．3 从新浪获取交易数据3．2．4 从网易获取成交明细数据3．2．5 从巨潮资讯获取基础数据3．2．6 多源获取UGC数据3．3 数据获取技术3．3．1 网络爬虫技术3．3．2 HTML解析3．3．3 XML解析3．3．4 JSON解析3．4 数据预处理3．4．1 数据清理3．4．2 数据集成3．4．3 数据变换3．4．4 数据归约第4章 分类方法与股票买卖点判断4．1 分类概述4．2 朴素贝叶斯4．2．1 朴素贝叶斯分类算法的概念4．2．2 朴素贝叶斯分类器模型4．2．3 朴素贝叶斯分类器的优缺点4．2．4 朴素贝叶斯分类器的应用4．2．5 扩展的分类器4．3 决策树4．3．1 决策树方法介绍4．3．2 属性选择的度量方法4．3．3 剪枝技术4．3．4 常用的决策树分类算法4．3．5 ID3算法4．3．6 C4．5 算法4．3．7 CART算法4．3．8 SLIQ算法4．3．9 SPRINT算法4．3．10 PUBLIC算法4．3．11 算法比较4．4 支持向量机4．4．1 *优分类面4．4．2 广义的*优分类面4．4．3 序列*小*优化算法4．4．4 核函数4．4．5 SVM参数优化问题4．4．6 SVM分类器4．5 评价指标4．6 基于SVM算法的股票买卖点判断4．6．1 数据预处理4．6．2 买卖点定义4．6．3 买卖点判断第5章 匹配方法与股票走势的预测5．1 目标概述5．2 模式匹配5．2．1 模式匹配概述5．2．2 模式匹配的定义5．2．3 BF算法5．2．4 KMP算法5．2．5 BM算法5．2．6 BMH算法5．2．7 AC算法5．2．8 模式匹配算法总结5．3 常用的相似性度量方法5．3．1 基于距离的度量5．3．2 基于相似/相关的度量5．3．3 其他度量方式5．4 新方法：相似走势匹配在股票预测中的应用5．4．1 方法思想5．4．2 相似匹配的计算步骤5．4．3 基于*相似走势的股票短期走势预测方法5．4．4 基于多相似股票投票统计的近期涨跌预测方法5．4．5 基于近期预测涨跌幅及其一致性统计的股票推荐方法5．4．6 基于同匹配日期相似走势的股票预测方法5．4．7 基于强匹配排序的股票趋势分析与选股方法5．4．8 基于股票预测走势进行分类和推荐的方法5．5 新方法：自身历史相关在股票预测中的应用5．5．1 基于自身历史相关时间点的股票趋势预测方法5．5．2 基于自相关排序的股票趋势分析与选股方法；5．6 新方法：正负相关走势在股票预测中的应用5．6．1 主要思想5．6．2 计算步骤5．6．3 方法步骤与创新特征5．6．4 输出结果示例5．7 新方法：自定义模式匹配在股票预测中的应用5．7．1 主要思想5．7．2 计算步骤5．7．3 方法步骤与创新特征5．7．4 输出结果示例5．8 平台实战解析：搜索相似历史走势以替代老司机经验第6章 相似股票判断与投资组合6．1 目标概述6．2 DTW动态时间规整算法6．2．1 匹配模式6．2．2 DTW算法原理6．2．3 DTW算法改进6．3 KNN算法6．3．1 KNN算法简介6．3．2 k值的选择6．3．3 KNN算法的改进6．3．4 KNN算法的实现6．4 相似股票的判断和应用s．4．1 新方法；用于辅助选股的股票分级活医度计算方法6．4．2 新方法：基于股票强相关分析的选股推荐方法6．4．3 平台实战解析第7章 股票盘面强弱状态的判断7．1 目标概述7．2 马尔可夫模型7．2．1 马尔可夫模型概述7．2．2 马尔可夫过程7．2．3 马尔可夫链7．2．4 状态转移概率7．2．5 马尔可夫链在天气预报中的应用7．2．6 马尔可夫链在人民币汇率上的实证分析7．3 隐马尔可夫模型7．3．1 隐马尔可夫模型概述7．3．2 隐马尔可夫的数学模型7．3．3 评估问题与前向算法7．3．4 解码问题与Viterbi算法7．3．5 观察序列*大概率问题与Baum-Welch算法7．3．6 隐马尔可夫模型在输入法中的应用7．4 新方法：基于状态转移的股票长期走势预测与推荐方法7．4．1 主要思想7．4．2 计算步骤7．4．3 方法步骤与创新特征7．4．4 平台实战解析第8章 股票间的延时联动涨跌规则8．1 目标概述8．2 贝叶斯8．2．1 贝叶斯公式8．2．2 贝叶斯推断8．2．3 贝叶斯应用8．3 关联规则挖掘8．3．1 基本概念和模型8．3．2 Apriori算法8．3．3 FP-tree频集算法8．3．4 关联规则的应用8．4 关联规则在股票预测中的应用8．4．1 新方法：基于时态联动挖掘的股票预测方法8．4．2 新方法：基于股票间同现统计的股票推荐方法8．4．3 平台实战解析第9章 股票涨跌的幅值组合关系9．1 目标概述9．2 n-gram模型9．2．1 自然语言处理9．2．2 统计语言模型9．2．3 n-gram模型简介9．2．4 n-gram模型的数据平滑9．2．5 n-gram模型的解码算法9．2．6 利用n-gram纠正中文文本错误9．3 新方法：个股涨跌的幅值组合关系挖掘9．3．1 基于类似n元语法统计的股票预测方法9．3．2 基于类似关联规则统计的股票预测方法9．3．3 基于局部及全局语法统计的股票推荐方法9．3．4 用于股市运行逻辑理解的强关联规则挖掘方法9．3．5 平台实战解析第10章 股票的循环滚动预测方法10．1 目标概述10．2 回归分析与股票预测10．2．1 回归分析概述10．2．2 一元线性回归模型10．2．3 多元线性回归分析模型10．2．4 线性相关程度测定10．2．5 非线性回归分析10．2．6 用回归分析进行股票预测10．3 神经网络与股票预测10．3．1 神经网络的基本原理10．3．2 BP神经网络算法10．3．3 用BP神经网络进行股票预测10．4 深度学习与股票预测10．4．1 深度学习介绍10．4．2 深度学习的理论基础10．4．3 典型的深度学习模型10．4．4 LSTM递归神经网络10．4．5 新方法：用LSTM网络进行股票预测参考文献
封面
书名:股票大数据挖掘实战:股票预测篇
作者:洪志令
页数:293
定价:¥79.0
出版社:清华大学出版社
出版日期:2019-10-01
ISBN:9787302526636
PDF电子书大小:67MB 高清扫描完整版