基于数据挖掘的股票选股系统的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究目的与选题意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-13页 |
| 1.3 股票预测面临的问题 | 第13-14页 |
| 1.4 主要研究内容 | 第14页 |
| 1.5 论文结构 | 第14-16页 |
| 第2章 数据挖掘基础 | 第16-30页 |
| 2.1 聚类算法 | 第16-19页 |
| 2.1.1 聚类算法概述 | 第16页 |
| 2.1.2 聚类算法原理 | 第16页 |
| 2.1.3 K-Means算法 | 第16-18页 |
| 2.1.4 DBSCAN算法 | 第18-19页 |
| 2.2 分类算法基础 | 第19-29页 |
| 2.2.1 分类的目的及分类模型的构造方法 | 第19-21页 |
| 2.2.2 分类算法的类型 | 第21-28页 |
| 2.2.3 神经网络在股票预测中的适用性 | 第28页 |
| 2.2.4 神经网络进行分类预测的原理 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于聚类分析的智能选股算法 | 第30-37页 |
| 3.1 研究现状 | 第30-31页 |
| 3.2 算法思想 | 第31-33页 |
| 3.3 多聚类分析方法 | 第33-35页 |
| 3.3.1 算法基本概念 | 第33-34页 |
| 3.3.2 多聚类分析方法描述 | 第34-35页 |
| 3.3.3 算法分析 | 第35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 算法实验分析 | 第37-51页 |
| 4.1 实验方案 | 第37-38页 |
| 4.2 数据准备 | 第38-39页 |
| 4.3 聚类 | 第39-43页 |
| 4.4 分类 | 第43-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 智能选股系统的设计与实现 | 第51-71页 |
| 5.1 系统开发环境 | 第51页 |
| 5.1.1 开发工具 | 第51页 |
| 5.1.2 数据库 | 第51页 |
| 5.2 系统总体设计 | 第51-53页 |
| 5.3 数据库设计 | 第53-57页 |
| 5.3.1 数据表索引 | 第53页 |
| 5.3.2 数据表详细设计 | 第53-57页 |
| 5.4 详细设计 | 第57-63页 |
| 5.4.1 数据结构设计 | 第57-58页 |
| 5.4.2 离线交易数据入库 | 第58-59页 |
| 5.4.3 主要指标数据计算 | 第59-63页 |
| 5.5 系统实施 | 第63-67页 |
| 5.5.1 日线数据入库 | 第63-64页 |
| 5.5.2 指标计算 | 第64页 |
| 5.5.3 智能选股 | 第64-66页 |
| 5.5.4 手动选股 | 第66-67页 |
| 5.6 应用 | 第67-68页 |
| 5.7 系统测试 | 第68-70页 |
| 5.7.1 测试需求 | 第68-69页 |
| 5.7.2 测试用例设计 | 第69-70页 |
| 5.8 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
