导　　师： 彭宏

授予学位： 硕士

作　　者： ;

机构地区： 华南理工大学

摘　　要： 股票行情是经济的“情雨表”和“报警器”，其作用不仅被政府所重视，而且受到广大投资者的普遍关注。股票市场是一个高度复杂的非线性动态系统，其变化规律即有一定的自身的趋势性，又受政治的、经济的、心理的诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着许多困难，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关经济活动中的知识，因而非常适用于解决股票预测领域中的一些问题，在大量的仿真结果表明，神经网络预测在证券系统中有一定的实用性。由于神经网络的规则生成能力较低，可读性较差，因此不适于单独使用。而粗集理论应用于数据挖掘的主要目标是从信息系统表示的数据中抽取规则，所以本文将正则神经网络与粗集理论相结合，用粗集理论从正则神经网络的知识中抽取规则，得到最终的易于人们理解的知识。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力。 本文的工作主要有以下几个方面： 1.文中首先介绍了选题的意义，目前股票常用的分析方法及我国目前股票分析软件的现状和发展方向。介绍了本文的研究方法是通过对股票数据库(股票数据一段时期的交易数据)进行预处理，通过数据预处理得到离散化的数据信息表，通过正则化神经网络对数据进行学习，对经过训练后的训练集用粗集理论算法进行规则抽取得出规则集，通过规则集对股票进行趋势预测。 2.本文采用了信号处理技术中的低通滤波器中的滤波方法有限脉冲响应(FIR)法去除数据噪声，在实验中利用了MATLAB工具获得滤波参数，从数据比较图中可以看出去除噪声效果良好。采用求曲线的极值点对数据进行模式分割，将数据分成若干个模式。通过属性抽取形成一个信息表。用NAIVESCALER算法将信息表离散化。 3.给出多层前馈神经网络(简称MFNN)模型结构，在本论文中设计一个局部正则化的MFNN网络，给出了正则化MFNN算法及算法策略。阐述了粗集理论的属性约简与规则抽取算法。在实验中，把经过网络训练的训练集信息表，利用粗集理论来进行属性抽取，从而获得数据挖掘知识。利用规则对测试集数据进行测试，该方法预测效果比较准确。

关 键 词： 证券市场 股票行情 股票趋势预测 神经网络 粗集理论

分 类 号： [F830.91]

领　　域： [经济管理]