基于Python的股票数据分析开题报告

 2020-02-10 11:02
1.目的及意义(含国内外的研究现状分析)

随着经济水平的提高,我国股票市场也发展迅速,股票逐渐成为一种重要的投资手段。股票具有高风险、高噪声、不可控、不稳定、非常规分布等特点,因此如何提高收益降低风险是股票分析的主要问题。

对于股票投资,最基础的工作就是对股票的走势进行正确预测,这是每个股民都希望能做到的事。但是股票市场是一个及其复杂的、不断变化的经济系统,它会受到宏观经济运行、政策变化、行业发展周期、投资者群体等多种因素的综合影响,使得人们很难准确找到股价走势的规律与逻辑。现如今科学技术升级,新增许多预测模型,也已有相关机构研发出许多技术指标帮助股民进行股票的技术分析,如随机指标KDJ一般适用于股票分析的统计体系,根据统计学原理来计算相关值来研判股票走势。

目前的股市技术指标可能存在以下几个方面的问题:1、任何单一的技术指标都有其局限性,非技术因素涨跌现象经常出现,这必然会影响某些技术指标的客观性;2、某些技术指标难以理解,投资人难以对这些指标进行理解学习进而产生一些较为直观的认识;3、股市数据庞大复杂,每天都会新产生数量巨大没有章法的数据,很难从中获取到有效的规律信息。

进行投资决策是需要对股票市场中产生的大量历史交易数据和财务数据进行分析以选择投资方向,而人脑数据处理能力有限无法处理这些数据,所以可利用数据挖掘来处理这些海量数据。数据挖掘技术主要适用于处理数量巨大的、无明显规则、无章无序的数据,并能从这些数据中挖掘出隐含在数据中的信息与规律。对数据进行分析,发现其数据模式及特征,进行合理的投资分析和预测,并对多个技术指标进行相互补充,还可由技术消噪或者多指标融合来削减这些现象的影响,更容易作出准确的预测,进而分析出更好的投资决策。另外数据挖掘还能够对不断获得的新数据进行模型的动态更新,非常适合应用于新环境。

在国内,随着我国国内经济的高速发展,许多学者和专家都开始将目光转移到利用数据挖掘技术对股票市场进行研究。如孙媌于 2011 年在其研究股票数据的文章中,将股票的财务数据作为研究目标,并将决策树和聚类分析应用于股票的财务指标数据的分析中,并把支持向量机和神经网络应用到上证指数股票交易数据中进行比较,对于预测长期股票时,支持向量机的效果显著,对短期股票预测时,神经网络的效果显著。

您需要先支付 5元 才能查看全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;