數(shù)據(jù)挖掘在股票分析中的應(yīng)用

1、數(shù)據(jù)挖掘在股票投資中的應(yīng)用摘要：研究股票價(jià)格預(yù)測，由于股票價(jià)格具有非線性、隨機(jī)性等變化規(guī)律，同時(shí)股票市場與國內(nèi)外經(jīng)濟(jì)政治變化有關(guān)，因此通過簡單的單個(gè)模型分析是很難準(zhǔn)確有效的對股票價(jià)格進(jìn)行預(yù)測，更準(zhǔn)確的估價(jià)預(yù)測需要分層進(jìn)行各類模型分析，本文運(yùn)用spss clementine系統(tǒng)通過ARIMA法對股票價(jià)格進(jìn)行整體的預(yù)測即股指預(yù)測，接著利用神經(jīng)網(wǎng)絡(luò)對樂視股票價(jià)格進(jìn)行漲跌預(yù)測。摘要：ARIMA；神經(jīng)網(wǎng)絡(luò)；樂視股票一、 背景及意義進(jìn)行股票投資是為了獲得更大的收益，然而由于股票市場具有較大的動(dòng)態(tài)特性，股票投資的收益與風(fēng)險(xiǎn)往往是成正比的，投資收益越高，存在的風(fēng)險(xiǎn)則越大。有效地進(jìn)行股票價(jià)格的預(yù)測，最大程度規(guī)避

2、股票風(fēng)險(xiǎn)，增加投資收益，是股票投資者最關(guān)注的熱點(diǎn)問題。隨著市場經(jīng)濟(jì)的不斷發(fā)展和中國股市的規(guī)范化、正規(guī)化，股票投資不斷興起，股票市場在金融投資領(lǐng)域占有越來越重要的地位，成為不可缺少的組成部分。股票價(jià)格的變化直接反映出股票市場的狀態(tài)，如果能夠很好的預(yù)測股票價(jià)格的走勢，將不但對我們?nèi)粘Ｉ町a(chǎn)生巨大影響，而且還會(huì)對國家的經(jīng)濟(jì)發(fā)展提供有價(jià)值的參考。所謂對股票進(jìn)行預(yù)測，主要是在研究股票指數(shù)過去的信息后，找到適合其數(shù)據(jù)特點(diǎn)的科學(xué)方法對其預(yù)測，進(jìn)而得到股市未來價(jià)格。但是影響股票價(jià)格的因素有很多，如政策、經(jīng)濟(jì)狀況、股票投資者心理因素等，并且這些因素相互交錯(cuò)，彼此存在約束，僅應(yīng)用線性分析會(huì)含有誤差。因此，如何較為

3、準(zhǔn)確的預(yù)測股票短期內(nèi)發(fā)展趨勢以及長期內(nèi)的大體走向已經(jīng)成為當(dāng)今較為關(guān)注的熱點(diǎn)之一。股市具有高收益與高風(fēng)險(xiǎn)并存的特性，如何最大程度的獲得高收益，規(guī)避高風(fēng)險(xiǎn)成為人們熱切關(guān)心的問題。因此股市的建模預(yù)測研宄對金融建設(shè)及其經(jīng)濟(jì)的發(fā)展具有極其重要的意義。在現(xiàn)實(shí)的經(jīng)濟(jì)活動(dòng)過程中，股價(jià)序列的變化呈現(xiàn)出隨機(jī)性和時(shí)變性等特性。所以如何把握股價(jià)變動(dòng)的規(guī)律，一直是當(dāng)今社會(huì)經(jīng)濟(jì)研宄中的一個(gè)極其重要的問題。由于股票價(jià)格序列可以看做是含有白噪聲的時(shí)間序列，所以可以通過建立估價(jià)序列的適應(yīng)或最有統(tǒng)計(jì)模型對股價(jià)的變化作出分析與預(yù)測。二、 國內(nèi)研究現(xiàn)狀在證券領(lǐng)域，早在 1993年 Agrawal 就提出了通過客戶的交易數(shù)據(jù)挖掘其中的

4、項(xiàng)集間的關(guān)聯(lián)規(guī)則的方案，隨后吸引了諸多相關(guān)領(lǐng)域的研究人員對如何挖掘關(guān)聯(lián)規(guī)則進(jìn)行研究，通過引入隨機(jī)采樣、并行等方法對原有的算法進(jìn)行優(yōu)化，關(guān)聯(lián)規(guī)則挖掘也得到推廣。在其基礎(chǔ)上，徐曉峰提出了針對證券交易中單交易項(xiàng)數(shù)據(jù)挖掘的頻繁模式鏈表關(guān)聯(lián)規(guī)則挖掘方法，可以有效的提高客戶的個(gè)性化服務(wù)質(zhì)量。董澤坤則針對關(guān)聯(lián)規(guī)則的挖掘算法，提出了 ES-Apriori 算法，對關(guān)聯(lián)規(guī)則分析過程中的數(shù)據(jù)庫掃描次數(shù)進(jìn)行了簡化。周昌樂基于 BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最小解和網(wǎng)絡(luò)只有一個(gè)隱含層的缺陷，提出一種新的部分神經(jīng)進(jìn)化網(wǎng)絡(luò)，增加了網(wǎng)絡(luò)的隱層數(shù)，將預(yù)測效果提升了很多。對于非線性時(shí)間序列的研究是一個(gè)難點(diǎn)，王上飛在充分學(xué)習(xí)滑動(dòng)窗口

5、技術(shù)的基礎(chǔ)上，將其與 RBF 神經(jīng)網(wǎng)絡(luò)聯(lián)系起來對國際商業(yè)機(jī)器公司（IBM）公司股票進(jìn)行預(yù)測，最終得到的股票數(shù)據(jù)走勢基本相同，曲線擬合效果很好。針對股價(jià)數(shù)據(jù)非平穩(wěn)、非線性的特點(diǎn)，崔建福，李興緒分別建立 GARCH 模型與 BP 網(wǎng)絡(luò)模型對比分析兩個(gè)模型的預(yù)測效果。得到結(jié)論：對于波動(dòng)幅度大的時(shí)間序列，神經(jīng)網(wǎng)絡(luò)以其較強(qiáng)的泛化能力，使得從非線性角度建模效果優(yōu)于非平穩(wěn)角度建模，但 BP 網(wǎng)絡(luò)也存在訓(xùn)練時(shí)間長、易陷入局部極小值的問題。三、數(shù)據(jù)挖掘（一） 數(shù)據(jù)挖掘的概念、社會(huì)需求數(shù)據(jù)挖掘概念最早是由Usama Fayaad 1995年加拿大蒙特利爾的第一屆知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘國際會(huì)議上提出的，它的提出是與計(jì)算

6、機(jī)科學(xué)、人工智能相關(guān)的機(jī)器學(xué)習(xí)等發(fā)展分不開的，數(shù)據(jù)挖掘一般是指在數(shù)據(jù)庫中，利用各種分析方法與技術(shù)，將過去所累積的大量繁雜的歷史數(shù)據(jù)中，進(jìn)行分析、歸納與整合等工作，以萃取出有用的信息，找出有意義且用戶有興趣的模式，提供企業(yè)管理階層在進(jìn)行決策時(shí)的參考依據(jù)。隨著計(jì)算機(jī)技術(shù)，特別是數(shù)據(jù)庫技術(shù)的快速發(fā)展和廣泛應(yīng)用，各行各業(yè)積累的數(shù)據(jù)量越來越大。激增的數(shù)據(jù)背后隱藏著許多重要的信息，人們希望能夠?qū)ζ溥M(jìn)行更高層次的分析，以便更好地利用這些數(shù)據(jù)。目前的數(shù)據(jù)庫系統(tǒng)可以高效地實(shí)現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計(jì)等功能，但無法發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)系和規(guī)則，無法根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測未來的發(fā)展趨勢。缺乏挖掘數(shù)據(jù)背后隱藏的知識(shí)的手段，必

7、將導(dǎo)致“數(shù)據(jù)包扎但知識(shí)貧乏”的現(xiàn)象。例如，股票經(jīng)紀(jì)人如何從日積月累的大量股票行情變化的歷史記錄中發(fā)現(xiàn)其變化規(guī)律，預(yù)測未來趨勢，從而決定未來投資方向；大型賣場的決策人員怎樣才能根據(jù)過去幾年的銷售記錄來判斷分析顧客的消費(fèi)習(xí)慣和行為，及時(shí)變換營銷策略？金融領(lǐng)域的經(jīng)紀(jì)人需要從顧客的消費(fèi)習(xí)慣中判斷正常消費(fèi)，減少金融詐騙的發(fā)生，等等。數(shù)據(jù)挖掘能為決策者提供重要的有價(jià)值的信息或知識(shí)，產(chǎn)生不可估量的效益。目前，數(shù)劇挖掘產(chǎn)品尚不常熟，但市場份額卻日益擴(kuò)大。其原因就是越來越多的大中型企業(yè)開始利用數(shù)據(jù)挖掘工具來分析公司的數(shù)據(jù)，為決策層做出輔助決策，以便于在市場競爭中領(lǐng)先，從而立于不敗之地。（二）數(shù)據(jù)挖掘過程數(shù)據(jù)挖掘

8、的過程大致分為：問題定義、數(shù)據(jù)收集與預(yù)處理、數(shù)據(jù)挖掘?qū)嵤?，以及挖掘結(jié)果的及時(shí)與評估。(1) 問題定義數(shù)據(jù)挖掘是為了從大量數(shù)據(jù)中發(fā)現(xiàn)游泳的令人感興趣的信息，因此發(fā)現(xiàn)何種知識(shí)就成為整個(gè)過程中第一個(gè)也最重要的一個(gè)階段。在這個(gè)過程中，必須明確數(shù)據(jù)挖掘任務(wù)的具體要求，同時(shí)確定數(shù)據(jù)挖掘所需要采用的具體方法。(2) 數(shù)據(jù)收集與預(yù)處理這個(gè)過程主要包括：數(shù)據(jù)選擇、數(shù)據(jù)預(yù)處理和數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)選擇的目的就是確定數(shù)據(jù)挖掘任務(wù)所涉及的操作數(shù)據(jù)對象（目標(biāo)數(shù)據(jù)），也就是根據(jù)數(shù)據(jù)挖掘任務(wù)的具體需求，從相關(guān)數(shù)據(jù)源中抽取出于挖掘任務(wù)相關(guān)的數(shù)據(jù)集。數(shù)據(jù)預(yù)處理通常包括消除噪音、遺漏數(shù)據(jù)處理、消除重復(fù)數(shù)據(jù)、數(shù)據(jù)類型轉(zhuǎn)換等處理。數(shù)據(jù)轉(zhuǎn)換

9、的主要目的就是消減數(shù)據(jù)集合的特征維數(shù)（簡稱降維），即從初始特征中篩選出真正與挖掘任務(wù)相關(guān)的特征，以便有效提高數(shù)據(jù)挖掘效率。(3) 數(shù)據(jù)挖掘?qū)嵤└鶕?jù)挖掘任務(wù)定義及已有的方法（分類、聚類、關(guān)聯(lián)等）選擇數(shù)據(jù)挖掘?qū)嵤┧惴āＦ溟g主要考慮：數(shù)據(jù)特定和結(jié)果知識(shí)描述方式。(4) 結(jié)果解釋與評估實(shí)施數(shù)據(jù)挖掘所獲得的挖掘結(jié)果，需要進(jìn)行評估分析，以便有效發(fā)現(xiàn)有意義的知識(shí)模式。因?yàn)閿?shù)據(jù)挖掘所獲得的初始結(jié)果中可能存在冗余或無意義的模式，也可能所獲得的模式不滿足挖掘任務(wù)的需要，這時(shí)就需要退回到前面的挖掘階段，重新選擇數(shù)據(jù)、采用新的數(shù)據(jù)變換方法、設(shè)定新的參數(shù)值，甚至換一種數(shù)據(jù)挖掘算法等。此外還需要對所發(fā)現(xiàn)的模式進(jìn)行可視化，

10、表示將挖掘結(jié)果轉(zhuǎn)換為用花移動(dòng)的另一種表示方法。數(shù)據(jù)挖掘的實(shí)施，僅僅是整個(gè)數(shù)據(jù)挖掘過程中的一個(gè)步驟。影響數(shù)據(jù)挖掘質(zhì)量的兩個(gè)因素分別是：所采用數(shù)據(jù)挖掘方法的有效性；用于數(shù)據(jù)挖掘的數(shù)據(jù)質(zhì)量和數(shù)據(jù)規(guī)模。如果選的數(shù)據(jù)集合不合適，或進(jìn)行了不恰當(dāng)?shù)霓D(zhuǎn)換，就不能獲得好的挖掘結(jié)果。三、 時(shí)間序列模型與神經(jīng)網(wǎng)絡(luò)（一） 時(shí)間序列模型1、時(shí)間序列時(shí)間序列，也叫時(shí)間數(shù)列、歷史復(fù)數(shù)或動(dòng)態(tài)數(shù)列。它是將某種統(tǒng)計(jì)指標(biāo)的數(shù)值，按時(shí)間先后順序排到所形成的數(shù)列。時(shí)間序列預(yù)測法就是通過編制和分析時(shí)間序列，根據(jù)時(shí)間序列所反映出來的發(fā)展過程、方向和趨勢，進(jìn)行類推或延伸，借以預(yù)測下一段時(shí)間或以后若干年內(nèi)可能達(dá)到的水平。其內(nèi)容包括：收集與整理

11、某種社會(huì)現(xiàn)象的歷史資料；對這些資料進(jìn)行檢查鑒別，排成數(shù)列；分析時(shí)間數(shù)列，從中尋找該社會(huì)現(xiàn)象隨時(shí)間變化而變化的規(guī)律，得出一定的模式；以此模式去預(yù)測該社會(huì)現(xiàn)象將來的情況。2、時(shí)間序列預(yù)測法的步驟：第一步：收集歷史資料，加以整理，編成時(shí)間序列，并根據(jù)時(shí)間序列繪成統(tǒng)計(jì)圖。時(shí)間序列分析通常是把各種可能發(fā)生作用的因素進(jìn)行分類，傳統(tǒng)的分類方法是按各種因素的特點(diǎn)或影響效果分為四大類：(1)長期趨勢；(2)季節(jié)變動(dòng)；(3)循環(huán)變動(dòng)；(4)不規(guī)則變動(dòng)。第二步：分析時(shí)間序列。時(shí)間序列中的每一時(shí)期的數(shù)值都是由許許多多不同的因素同時(shí)發(fā)生作用后的綜合結(jié)果。第三步：求時(shí)間序列的長期趨勢(T)季節(jié)變動(dòng)(s)和不規(guī)則變動(dòng)(I)

12、的值，并選定近似的數(shù)學(xué)模式來代表它們。對于數(shù)學(xué)模式中的諸未知參數(shù)，使用合適的技術(shù)方法求出其值。第四步：利用時(shí)間序列資料求出長期趨勢、季節(jié)變動(dòng)和不規(guī)則變動(dòng)的數(shù)學(xué)模型后，就可以利用它來預(yù)測未來的長期趨勢值T和季節(jié)變動(dòng)值s，在可能的情況下預(yù)測不規(guī)則變動(dòng)值I。然后用以下模式計(jì)算出未來的時(shí)間序列的預(yù)測值Y： 加法模式 T+S+I=Y乘法模式 TSI=Y如果不規(guī)則變動(dòng)的預(yù)測值難以求得，就只求長期趨勢和季節(jié)變動(dòng)的預(yù)測值，以兩者相乘之積或相加之和為時(shí)間序列的預(yù)測值。如果經(jīng)濟(jì)現(xiàn)象本身沒有季節(jié)變動(dòng)或不需預(yù)測分季分月的資料，則長期趨勢的預(yù)測值就是時(shí)間序列的預(yù)測值，即T=Y。但要注意這個(gè)預(yù)測值只反映現(xiàn)象未來的發(fā)展趨勢

13、，即使很準(zhǔn)確的趨勢線在按時(shí)間順序的觀察方面所起的作用，本質(zhì)上也只是一個(gè)平均數(shù)的作用，實(shí)際值將圍繞著它上下波動(dòng)。（二） 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是一門活躍的邊緣性交叉學(xué)科，是在人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其智能行為的一種工程系統(tǒng)。神經(jīng)網(wǎng)絡(luò)既是高度非線性動(dòng)力學(xué)系統(tǒng)，又是自適應(yīng)組織系統(tǒng)，可用來描述認(rèn)知、決策及控制的職能行為，其中心問題是對智能的認(rèn)知和模擬。神經(jīng)網(wǎng)絡(luò)理論是巨量信息并性處理和大規(guī)模并行計(jì)算的基礎(chǔ)。1、 人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)是大量簡單元件廣泛相連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它是現(xiàn)代神經(jīng)科學(xué)成果的基礎(chǔ)下提出的，反映了人腦功能的若干基本特征，但并非神經(jīng)系統(tǒng)的逼真描寫，而只是一種抽象的

14、數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)其實(shí)質(zhì)是一門非線性科學(xué)，它具有并行處理、容錯(cuò)性、自學(xué)習(xí)功能，有別于傳統(tǒng)方法，己在模式識(shí)別、自動(dòng)化控制等領(lǐng)域取得了驚人的成就。在國外，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了投資公司及基金經(jīng)理的強(qiáng)力工具與高效助手。國內(nèi)起步雖晚，但對于基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測系統(tǒng)也有一定的研究。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用按照面向的預(yù)測對象可分為這三類。第一類為通過將股票分類為強(qiáng)勢股與弱勢股來預(yù)測股票表現(xiàn)為優(yōu)秀股，一般股，較差股。這類人工神經(jīng)網(wǎng)絡(luò)應(yīng)用做出的決策只提供能否盈利，并不提供期望的價(jià)格及期望的盈利。第二類對股票價(jià)格進(jìn)行預(yù)測，這些系統(tǒng)基于之前的股價(jià)及相關(guān)的金融系數(shù)嘗試預(yù)測未來一天或幾天的價(jià)格。第三類重要的人工神經(jīng)網(wǎng)

15、絡(luò)在股票市場中的應(yīng)用是對股票表現(xiàn)建立模型及預(yù)測。這類應(yīng)用不僅預(yù)測股票的未來價(jià)格，也估算重要影響因素，可能影響結(jié)果的變量的敏感度分析，以及其他相關(guān)性分析。2、人工神經(jīng)元模型 神經(jīng)網(wǎng)絡(luò)由大量的節(jié)點(diǎn)構(gòu)成，這些節(jié)點(diǎn)也稱為神經(jīng)元或單元。節(jié)點(diǎn)之間相互連接，并且具有不同的權(quán)重。每一個(gè)節(jié)點(diǎn)都具有其特點(diǎn)的輸出函數(shù)，稱之為激活函數(shù)。其原理可以表示如圖所示。圖1人工神經(jīng)元模型 其中X1-Xn為輸入信號，Wij為神經(jīng)元i及j之間的連接權(quán)重，為閥值。所以神經(jīng)元i的輸出和輸入一般可以表示為：yi=f(j=1nWijXj-)四、實(shí)證分析（一）神經(jīng)網(wǎng)絡(luò)模型預(yù)測1、數(shù)據(jù)來源數(shù)據(jù)來源于Wind金融終端，研究對象是上證指數(shù)從201

16、5年7月24日至2016年5月31日以來的收盤價(jià)序列數(shù)據(jù)。其中變量date是日期，變量price是上證指數(shù)的收盤價(jià)的序列數(shù)據(jù)。選擇輸入變量與預(yù)測變量，輸入變量包括當(dāng)日最高價(jià)，當(dāng)日最低價(jià)，當(dāng)日成交量，當(dāng)日成交額，5日移動(dòng)均線序列數(shù)據(jù)，7日移動(dòng)均線序列數(shù)據(jù)，輸出變量為當(dāng)日收盤價(jià)。2、變量的重要性圖2由圖可以看出當(dāng)日最低價(jià)對收盤價(jià)的影響最大，其次是當(dāng)日最高價(jià)。5日移動(dòng)均線序列數(shù)據(jù)與成交量對收盤價(jià)的影響差不多。7日移動(dòng)均線序列數(shù)據(jù)對收盤價(jià)的影響是最小的。3、預(yù)測圖3由預(yù)測與實(shí)際價(jià)格的擬合圖可以看出預(yù)測的估價(jià)走勢與實(shí)際估價(jià)走勢大致相同，但預(yù)測的偏高。（二）時(shí)間序列的預(yù)測1、數(shù)據(jù)來源數(shù)據(jù)來源于Wind金融

17、終端，研究對象是上證指數(shù)從2015年7月24日至2016年5月31日以來的收盤價(jià)序列數(shù)據(jù)。其中變量date是日期，變量price是上證指數(shù)的收盤價(jià)的序列數(shù)據(jù)。2、實(shí)證分析（1）序列的平穩(wěn)性圖4收盤價(jià)的趨勢圖由圖可以看出收盤價(jià)是非平穩(wěn)的且有一定的下降趨勢，沒有明顯的季節(jié)性。（2）建立模型表1圖5表1是建立的時(shí)間序列模型，由P值均小于0.05得出模型成立，圖5是收盤價(jià)的殘差自相關(guān)函數(shù)圖，可以看出殘差平穩(wěn)。（3）預(yù)測圖6圖6是又ARIMA模型進(jìn)行預(yù)測后得到的預(yù)測結(jié)果與實(shí)際結(jié)果進(jìn)行的擬合，可以看出二者走勢大致相同，說明擬合的效果不錯(cuò)。五、結(jié)論本文使用了數(shù)據(jù)挖掘方法中的時(shí)間序列預(yù)測方法、神經(jīng)網(wǎng)絡(luò)模型對同

18、一股票的當(dāng)日收盤價(jià)的走勢進(jìn)行了預(yù)測。采用數(shù)據(jù)挖掘技術(shù)解決實(shí)際問題，說明了在信息科技時(shí)代，信息化處理數(shù)據(jù)是一個(gè)必然趨勢，對股場中眾多股民在選擇股票及回避風(fēng)險(xiǎn)中具有較為深遠(yuǎn)的參考意義。中國的股票市場經(jīng)歷了十多年的發(fā)展，逐漸已經(jīng)走向了成熟，股票市場是金融市的重要組成部分，股票的交易與發(fā)行促進(jìn)了市場經(jīng)濟(jì)的發(fā)展，是一個(gè)國家市場經(jīng)濟(jì)的產(chǎn)物。近幾年，隨著經(jīng)濟(jì)的快速發(fā)展，股票已經(jīng)成為了最常見的一種投資方式，因此股票的預(yù)測就成為了人們最為關(guān)心的問題，不論是投資者還是管理者對于股票市場的波動(dòng)都有著特別的關(guān)注，股票是一種高風(fēng)險(xiǎn)，高收入的投資方式，因此，近幾年，股票的預(yù)測也成為一個(gè)熱門的話題，對股票進(jìn)行準(zhǔn)確的預(yù)測，對

19、管理者來說能夠了解股票市場的動(dòng)態(tài)，從而制定相關(guān)的決策，而對于投資者來說，準(zhǔn)確的預(yù)測股票價(jià)格，可以獲得更高的收益。然而股票的價(jià)格受到宏觀經(jīng)濟(jì)指標(biāo)、利率水平、行業(yè)狀況、國家政策、投資心理等因素的影響，股票的價(jià)格序列是一個(gè)十分復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)，要準(zhǔn)確預(yù)測股票價(jià)格趨勢是很難完成的。因此，無論是利用技術(shù)分析還是用時(shí)間序列進(jìn)行建模都有一定的誤差，都需要投資者根據(jù)國家政策，經(jīng)濟(jì)狀況和時(shí)事熱點(diǎn)等一系列的問題具體情況具體分析，不要只純粹的相信某一指標(biāo)或者某一模型，畢竟股票市場充滿了不可控性。參考文獻(xiàn)：1 R. Agrawal, T. Imielinski, and A. Swami, Mining association rules between sets ofitems in large databasesJ,Proceedings of the ACM SIGMOD Conference on Management of data, 1993, 207-216 2 R. Agrawal, and R. Srikant,Fast algorithms for mining association rules in la