張世玲

摘 要：伴隨著我國市場經(jīng)濟的發(fā)展與繁榮，股票已經(jīng)走進了我們的各家各戶，成為了與大多數(shù)人息息相關(guān)的投資產(chǎn)品。因此，對于股票走勢的預(yù)測也成為越來越多的人所關(guān)注的問題。本文對數(shù)據(jù)挖掘技術(shù)做了深入的研究，探討了時間序列法在股票趨勢的預(yù)測方面的具體應(yīng)用。目前，時間序列預(yù)測方法己經(jīng)成為預(yù)測法中比較成熟的一個理論體系。因此，可以對股票市場未來的走勢進行相對成熟的預(yù)測，并且為對股市的研究提供理論與技術(shù)的支撐，并為廣大股民提供相應(yīng)的選股建議。

關(guān)鍵詞：股票預(yù)測；時間序列法；ARIMA模型

一、Clementine軟件的介紹

Clementine軟件是一款適用于商業(yè)用戶的高品質(zhì)數(shù)據(jù)挖掘的產(chǎn)品。該軟件具有豐富的數(shù)據(jù)挖掘方法，并且支持與數(shù)據(jù)庫之間的模型和數(shù)據(jù)的交換。同時，該軟件也具有可視化操作的界面，操作方法簡單易學，結(jié)果分析直觀易懂，同時它的圖形功能也非常強大。

該軟件將一系列的數(shù)據(jù)處理程序或者技術(shù)整合成彼此之間相互獨立的模塊，例如將決策樹、時間序列、神經(jīng)網(wǎng)絡(luò)、聚類、回歸、關(guān)聯(lián)規(guī)則等多種數(shù)據(jù)挖掘技術(shù)集合在可視化圖形的界面中，因此對于那些不懂編程但又經(jīng)常需要進行大量數(shù)據(jù)處理的用戶來說，它要比Excel更易用更高效，而且構(gòu)建的數(shù)據(jù)流一經(jīng)保存后可在下一個相似的任務(wù)中稍做修改就可使用。

本文主要采用時間序列數(shù)據(jù)挖掘模型進行操作。在時間序列模型中包含著專家模型、指數(shù)平滑模型和ARIMA模型3種建模方法。本文會對這三種方法依次進行建模，從而選出最優(yōu)的建模方法，得出最準確預(yù)測。

二、國內(nèi)外研究現(xiàn)狀

劉瀅（2010年）分別運用決策樹分類法，時間序列法和神經(jīng)網(wǎng)絡(luò)對股票的價格的預(yù)測進行了實際的應(yīng)用，分析了各個方法的弊端和長處。李衛(wèi)民（2004年）使用ARMA-廣義回歸神經(jīng)網(wǎng)絡(luò)技術(shù)對股票價格的走勢進行了預(yù)測，克服了單純的ARMA模型的弊端。王振興（2010年）建立了基于BP和RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)模型和依據(jù)擬合誤差確定權(quán)數(shù)的組合神經(jīng)網(wǎng)絡(luò)模型，并且進行了實證分析，最后表明組合神經(jīng)網(wǎng)絡(luò)模型在精度和穩(wěn)定性上都要比單神經(jīng)網(wǎng)絡(luò)模型高，具有更為廣闊的應(yīng)用前景。張煒（2013年）認為粗糙集在解決股票預(yù)測等不確定性問題上具有獨特的優(yōu)勢。

因此，對于股票各個方面的預(yù)測，學者們已經(jīng)做了很多有價值的工作。同時也給我們提供了許多需要借鑒和學習的東西。但是由于股票市場的復(fù)雜不確定性就注定了之后的股票市場還有很多新的規(guī)律和規(guī)則等著我們?nèi)ヌ崛『屯诰颉?/p>

三、Clementine實證研究

（一）數(shù)據(jù)來源。本文選取滬深300成分股中的熱門股票中信證券（600030）股票2014年8月11日到2014年12月12日的收盤價，共收集到84個數(shù)據(jù)樣本。通過對這84個數(shù)據(jù)的分析，來預(yù)測未來一個月內(nèi)中信證券股票價格的大致走勢。本文所有的數(shù)據(jù)均來自于新浪財經(jīng)。

（二）數(shù)據(jù)的預(yù)處理?？紤]到在建模過程中股票市場在雙休日和節(jié)假日不開市的特殊性，我們收集到的數(shù)據(jù)在時間段上是不連續(xù)的，也就是說，在不開市的時間點上，數(shù)據(jù)是缺失的。所以為了方便利用模型來分析，我們通過利用最近點的平均值的填充辦法，來使得數(shù)據(jù)（收盤價）在以天為時間的單位上能夠具有連續(xù)性。

（三）模型的選擇與建立。本文以中信證券2014年8月11日至2014年12月12日每日收盤價作為數(shù)據(jù)源，建立數(shù)據(jù)流。

因為對股票研究的目的在于能夠在一定時間段內(nèi)對股票價格進行較為準確地預(yù)測，所以在本次研究中，我們也要通過選擇較為合適的模型，對中信證券每日的收盤價進行預(yù)測。因為預(yù)測的時間越長所產(chǎn)生的誤差越大，尤其是對于股票價格這類數(shù)據(jù)的預(yù)測，更無法長時間較準地預(yù)測，所以我們本次只進行短期的預(yù)測。

1、專家模型

以中信證券2014年8月11日至2014年12月12日每日收盤價作為數(shù)據(jù)源，利用Clementine軟件對這些數(shù)據(jù)進行時間序列的專家建模。

在時間序列模塊里選擇專家模型。我們在模型的選擇上選擇“Expert Modeler”，然后在“Criteria”選項中選擇“All models”?！按_定”后“執(zhí)行”，最后獲得專家建模得到的模型。

最后從結(jié)果可以看出專家建模器選擇的模型是ARIMA（1，1，0），所以接下來我們只進行指數(shù)平滑模型的建模。

2、指數(shù)平滑模型

在指數(shù)平滑建模中仍以中信證券2014年8月11日至2014年12月12日每日收盤價作為數(shù)據(jù)源，利用Clementine軟件對這些數(shù)據(jù)進行時間序列的指數(shù)平滑建模。

在時間序列模塊里選擇指數(shù)平滑模型。我們在模型的選擇上選擇“Exponential Smoothing”，然后在“Criteria”選項中選擇“Holts liner trend”?！按_定”后“執(zhí)行”，最后獲得指數(shù)平滑模型。

3、模型的分析與比較

在模型模塊的參數(shù)界面查看模型參數(shù)。本文選取了兩個模型中部分較重要的參數(shù)匯總在表3-1中。

從表3-1中，尤其是Sig的值可以看出，專家建模的Sig值為0.312，而指數(shù)平滑建模的Sig值僅為0。然而，顯著性值（也就是Sig的值）小于0.05時表示殘差序列不是隨機的，也就是說所觀測的序列中存在著模型無法解釋的某些結(jié)構(gòu)。從這方面看來，指數(shù)平滑模型不能完整的解釋該時間序列。

四、結(jié)論

（一）預(yù)測結(jié)果分析。從表格中可以看出，中信證券的股票的價格前期以較大的幅度進行增長，而后期以校幅度增長，但是從整體上來說，中信證券的股票價格呈上升趨勢，股民可以放心購買。

（二）模型選擇分析。首先，對于中國這種受經(jīng)濟政策、大盤走向等因素影響比較大的股市來說，研究股票的價格并不是所選用的數(shù)據(jù)越多越好，因為數(shù)據(jù)多就代表者時間跨度大，過長的時間跨度很難避免特殊因素的影響。所以，選擇合適的數(shù)據(jù)源更利于我們更好地建模。

其次，對中信證券近半年的日收盤價進行建模所得出的最佳模型為ARIMA模型。

最后，需要說明的是，Clementine軟件在數(shù)據(jù)挖掘方面有非常大的使用空間和發(fā)展前景，并可以很大程度上簡化時間序列建模的過程。所以，在研究性學習的過程當中，充分使用適當?shù)姆治龉ぞ卟拍苡行У奶岣吖ぷ鞯男?。（作者單位：河北?jīng)貿(mào)大學）

參考文獻：

[1] 劉瀅，數(shù)據(jù)挖掘在股票預(yù)測中的應(yīng)用[D]，長春理工大學，2010

[2] 李衛(wèi)民，ARMA-廣義回歸神經(jīng)網(wǎng)絡(luò)技術(shù)在股票預(yù)測中的應(yīng)用研究[D]，山東科技大學，2004

[3] 王振興，BP-RBF組合神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D]，蘭州商學院，2010

[4] 劉勁松，數(shù)據(jù)挖掘中的現(xiàn)代時間序列分析方法[J]，信息技術(shù)，2007（7）：100-101

[5] 彭英，基于灰色理論的數(shù)據(jù)挖掘在股票分析中的應(yīng)用[D]，長沙理工大學，2006

[6] 柳建芳，基于小波消噪的聚類模式挖掘在股票收益率預(yù)測中的應(yīng)用[D]，武漢理工大學，2010

[7] 張煒，基于遺傳算法的屬性約簡方法在股票預(yù)測中的應(yīng)用研究[D]，湖南，2013