数据挖掘在股票估价的运用

　　股票价格受到多种因素影响，具有复杂非线性变化特点，单一预测方法只难反映其片断信息，预测精度低。那么，在股票估价中如何运用数据挖掘呢？

　　1引言

　　随着经济的迅速发展，股票交易市场成为人们投资理财的一种重要途径，然而受到多种影响，是一种高风险、高回报投资方式，为了获得更多的利润，必须对股票价格的波动和发展趋势准确的把握，因此股标价格的预测成为经济领域中的一个重要研究课题[1]。

　　股票价格预测是指通过对历史和当天股票价格进行分析和研究，对将来股票的价格进行预测。发达国家对股票价格预测问题研究比较成熟，发达国家股票市场比较稳定、正规，具有非常好的统计规律，而我国股票交易市场刚起步不久，受人为影响、政治、经济影响比较，还起于发展初期，远不成熟，没有明显统计规律，采用国外股票价格预测技术对我国股票价格进行预测，获得结果不可靠，误差比较大，容易给投资起到误导作用，没有什么参考和指导价值[3]。在国内，自从有了股票交易市场以来，就引起国内大量学者广泛关注，提出一些股票预测方法，常用的方法有线性回归、时间序列分析、灰色预测算法等[4-6]。其中的时间序列分析中一维自回模型(ARIMA最为灵活，使用最为广泛，但是基于线性建模，股票是一种非线性、时变的时间序列数据，预测精度有待进一步提高[7]。近几年，随着数据挖掘技术发展，出现神经网络、支持向量机等智能机器学习方法，为股票预测拓展了新的研究空间，并在股票市场中得到了广泛的应用。股票价格受多种因素影响，变化十分复杂，其一种预测模型只能反映其部分信息，难以全面挖掘股票价格数据中隐藏的变化规律，预测结果与股民、投资人的要求有一定的差距[8]。

　　为了进一步提高股票价格预测精度，更好为股民、投资人提供有价格的参考信息，提出一种基于数据挖掘的股票价格组合预测模型。首先采用线性预测模型ARIMA对股票价格进行预测，然后采用智能学习算法—最小二乘支持向量机(LS-SVM)对股票价格非线线部分进行预测，最后将两模型的预测值融合成股票价格的预测值。

　　2股票价格的预测原理

　　股票价格变化受到企业经营状况、国家政策、经济发展状况、股民、投资人等因素影响，是一个动态、非线性、时变的复杂系统，具有一定的规律性，但同时具有显著的随机性，导致股价格涨跌幅度较大。股票价格量数学模型可以表示为:(略)。

　　根据式(1)可知，如果采用单一的线性ARIMA模型或非线性LSSSVM模型只能预测趋势部分或非线线部分，均只能反映股票价格的部分信息，不能全面反映股票价格变化规律，采用单一的ARIMA或LSSSVM模型，得到预测结果不可靠，且预测精度低。为了解决单一模型预测精度的低，无法反映股票价格动态、非线性、时变等变化规律，将ARIMA和LSSVM模型组合在一起，对股票价格进行预测，以提高股票价格预测精度，因此基于数据挖掘的股票价格组合模型预测原如图1所示。

　　3数据挖掘的股票价格预测模型

　　3.1股票价格的预处理

　　股票价格历史数据是一种非平稳数据，涨跌幅度比较大，因此最小值和最大值相差比较大，这会对股票价格预测模型训练速度产生不利影响，为消除这种不利因素，对股票价格历史数据进行预处理，使其范围缩放到[0.10.9]，具体为:(略)。

　　3.2股票价格的线性预测模型

　　设股票价格历史数据为:{xt}，t=1，2，…n，ARIMA建模过程为:

　　1)由于股标是一种非平稳时间序列，首先对它进行差分处理，即:(略)。

　　经过多次差分后，股票价格数据变成是一种平稳时间序列，即可以得到:(略)。

　　那么股票价格的ARIMA(p，q，d)模型为:(略)。

　　2)模型识别。p、q是ARIMA建模的关键，首先采用自相关和偏自相关图来决定p、q可能的取值，然后采用最小信息准则(AIC)和相合性准则(SBC)确定出最佳的模型阶数。AIC和SBC函数定义为:(略)。

　　3)参数估计和模型诊断。模型中所有参数采用极大似然估计得到，然后对参数在模型中进行检验，对其合理性进行判定，如果不适合就重新估计参数。

　　4)采用最合参数建立股票价格预测模型。本文采用浙江大学DPS6.5软件包的ARIMA模块实现股票价格整个建模过程。