股票大數(shù)據(jù)挖掘?qū)崙?zhàn)：股票預測篇

第1章 數(shù)據(jù)挖掘基礎
1．1 數(shù)據(jù)挖掘概述
1．1．1 數(shù)據(jù)挖掘的過程
1．1．2 數(shù)據(jù)挖掘的任務
1．1．3 數(shù)據(jù)挖掘的應用
1．1．4 數(shù)據(jù)挖掘的存在問題、未來發(fā)展和挑戰(zhàn)
1．2 常用的數(shù)據(jù)挖掘算法
1．3 數(shù)據(jù)挖掘工具
1．3．1 MATLAB
1．3．2 SAS
1．3．3 SPSS
1．3．4 WEKA
1．3．5 R
1．3．6 工具的比較與選擇
1．4 數(shù)據(jù)挖掘與云計算
1．5 Mahout分布式框架
1．5．1 Mahout簡介
1．5．2 Mahout算法集
1．5．3 Mahout系統(tǒng)架構
1．5．4 Mahout的優(yōu)缺點
第2章 股票大數(shù)據(jù)挖掘
2．1 股票大數(shù)據(jù)
2．1．1 大數(shù)據(jù)概述
2．1．2 大數(shù)據(jù)的處理
2．1．3 大數(shù)據(jù)炒股
2．2 股票預測
2．2．1 預測基礎知識
2．2．2 股票預測的結構
2．2．3 股票預測技術
2．3 量化投資
2．3．1 什么是量化投資
2．3．2 量化投資的特點
2．3．3 量化投資的方法
2．3．4 量化投資選股模型
2．3．5 多因子選股模型
2．3．6 量化模型的建立
第3章 股票數(shù)據(jù)的準備
3．1 股票相關數(shù)據(jù)
3．2 數(shù)據(jù)的獲取源
3．2．1 從雅虎獲取歷史交易數(shù)據(jù)
3．2．2 從騰訊獲取實時交易數(shù)據(jù)
3．2．3 從新浪獲取交易數(shù)據(jù)
3．2．4 從網(wǎng)易獲取成交明細數(shù)據(jù)
3．2．5 從巨潮資訊獲取基礎數(shù)據(jù)
3．2．6 多源獲取UGC數(shù)據(jù)
3．3 數(shù)據(jù)獲取技術
3．3．1 網(wǎng)絡爬蟲技術
3．3．2 HTML解析
3．3．3 XML解析
3．3．4 JSON解析
3．4 數(shù)據(jù)預處理
3．4．1 數(shù)據(jù)清理
3．4．2 數(shù)據(jù)集成
3．4．3 數(shù)據(jù)變換
3．4．4 數(shù)據(jù)歸約
第4章 分類方法與股票買賣點判斷
4．1 分類概述
4．2 樸素貝葉斯
4．2．1 樸素貝葉斯分類算法的概念
4．2．2 樸素貝葉斯分類器模型
4．2．3 樸素貝葉斯分類器的優(yōu)缺點
4．2．4 樸素貝葉斯分類器的應用
4．2．5 擴展的分類器
4．3 決策樹
4．3．1 決策樹方法介紹
4．3．2 屬性選擇的度量方法
4．3．3 剪枝技術
4．3．4 常用的決策樹分類算法
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 算法比較
4．4 支持向量機
4．4．1 最優(yōu)分類面
4．4．2 廣義的最優(yōu)分類面
4．4．3 序列最小最優(yōu)化算法
4．4．4 核函數(shù)
4．4．5 SVM參數(shù)優(yōu)化問題
4．4．6 SVM分類器
4．5 評價指標
4．6 基于SVM算法的股票買賣點判斷
4．6．1 數(shù)據(jù)預處理
4．6．2 買賣點定義
4．6．3 買賣點判斷
第5章 匹配方法與股票走勢的預測
5．1 目標概述
5．2 模式匹配
5．2．1 模式匹配概述
5．2．2 模式匹配的定義
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 模式匹配算法總結
5．3 常用的相似性度量方法
5．3．1 基于距離的度量
5．3．2 基于相似/相關的度量
5．3．3 其他度量方式
5．4 新方法：相似走勢匹配在股票預測中的應用
5．4．1 方法思想
5．4．2 相似匹配的計算步驟
5．4．3 基于最相似走勢的股票短期走勢預測方法
5．4．4 基于多相似股票投票統(tǒng)計的近期漲跌預測方法
5．4．5 基于近期預測漲跌幅及其一致性統(tǒng)計的股票推薦方法
5．4．6 基于同匹配日期相似走勢的股票預測方法
5．4．7 基于強匹配排序的股票趨勢分析與選股方法
5．4．8 基于股票預測走勢進行分類和推薦的方法
5．5 新方法：自身歷史相關在股票預測中的應用
5．5．1 基于自身歷史相關時間點的股票趨勢預測方法
5．5．2 基于自相關排序的股票趨勢分析與選股方法；
5．6 新方法：正負相關走勢在股票預測中的應用
5．6．1 主要思想
5．6．2 計算步驟
5．6．3 方法步驟與創(chuàng)新特征
5．6．4 輸出結果示例
5．7 新方法：自定義模式匹配在股票預測中的應用
5．7．1 主要思想
5．7．2 計算步驟
5．7．3 方法步驟與創(chuàng)新特征
5．7．4 輸出結果示例
5．8 平臺實戰(zhàn)解析：搜索相似歷史走勢以替代老司機經(jīng)驗
第6章 相似股票判斷與投資組合
6．1 目標概述
6．2 DTW動態(tài)時間規(guī)整算法
6．2．1 匹配模式
6．2．2 DTW算法原理
6．2．3 DTW算法改進
6．3 KNN算法
6．3．1 KNN算法簡介
6．3．2 k值的選擇
6．3．3 KNN算法的改進
6．3．4 KNN算法的實現(xiàn)
6．4 相似股票的判斷和應用
s．4．1 新方法；用于輔助選股的股票分級活醫(yī)度計算方法
6．4．2 新方法：基于股票強相關分析的選股推薦方法
6．4．3 平臺實戰(zhàn)解析
第7章 股票盤面強弱狀態(tài)的判斷
7．1 目標概述
7．2 馬爾可夫模型
7．2．1 馬爾可夫模型概述
7．2．2 馬爾可夫過程
7．2．3 馬爾可夫鏈
7．2．4 狀態(tài)轉(zhuǎn)移概率
7．2．5 馬爾可夫鏈在天氣預報中的應用
7．2．6 馬爾可夫鏈在人民幣匯率上的實證分析
7．3 隱馬爾可夫模型
7．3．1 隱馬爾可夫模型概述
7．3．2 隱馬爾可夫的數(shù)學模型
7．3．3 評估問題與前向算法
7．3．4 解碼問題與Viterbi算法
7．3．5 觀察序列最大概率問題與Baum-Welch算法
7．3．6 隱馬爾可夫模型在輸入法中的應用
7．4 新方法：基于狀態(tài)轉(zhuǎn)移的股票長期走勢預測與推薦方法
7．4．1 主要思想
7．4．2 計算步驟
7．4．3 方法步驟與創(chuàng)新特征
7．4．4 平臺實戰(zhàn)解析
第8章 股票間的延時聯(lián)動漲跌規(guī)則
8．1 目標概述
8．2 貝葉斯
8．2．1 貝葉斯公式
8．2．2 貝葉斯推斷
8．2．3 貝葉斯應用
8．3 關聯(lián)規(guī)則挖掘
8．3．1 基本概念和模型
8．3．2 Apriori算法
8．3．3 FP-tree頻集算法
8．3．4 關聯(lián)規(guī)則的應用
8．4 關聯(lián)規(guī)則在股票預測中的應用
8．4．1 新方法：基于時態(tài)聯(lián)動挖掘的股票預測方法
8．4．2 新方法：基于股票間同現(xiàn)統(tǒng)計的股票推薦方法
8．4．3 平臺實戰(zhàn)解析
第9章 股票漲跌的幅值組合關系
9．1 目標概述
9．2 n-gram模型
9．2．1 自然語言處理
9．2．2 統(tǒng)計語言模型
9．2．3 n-gram模型簡介
9．2．4 n-gram模型的數(shù)據(jù)平滑
9．2．5 n-gram模型的解碼算法
9．2．6 利用n-gram糾正中文文本錯誤
9．3 新方法：個股漲跌的幅值組合關系挖掘
9．3．1 基于類似n元語法統(tǒng)計的股票預測方法
9．3．2 基于類似關聯(lián)規(guī)則統(tǒng)計的股票預測方法
9．3．3 基于局部及全局語法統(tǒng)計的股票推薦方法
9．3．4 用于股市運行邏輯理解的強關聯(lián)規(guī)則挖掘方法
9．3．5 平臺實戰(zhàn)解析
第10章 股票的循環(huán)滾動預測方法
10．1 目標概述
10．2 回歸分析與股票預測
10．2．1 回歸分析概述
10．2．2 一元線性回歸模型
10．2．3 多元線性回歸分析模型
10．2．4 線性相關程度測定
10．2．5 非線性回歸分析
10．2．6 用回歸分析進行股票預測
10．3 神經(jīng)網(wǎng)絡與股票預測
10．3．1 神經(jīng)網(wǎng)絡的基本原理
10．3．2 BP神經(jīng)網(wǎng)絡算法
10．3．3 用BP神經(jīng)網(wǎng)絡進行股票預測
10．4 深度學習與股票預測
10．4．1 深度學習介紹
10．4．2 深度學習的理論基礎
10．4．3 典型的深度學習模型
10．4．4 LSTM遞歸神經(jīng)網(wǎng)絡
10．4．5 新方法：用LSTM網(wǎng)絡進行股票預測
參考文獻