基于C4.5决策树的股票数据挖掘

doi:10.3969/j.issn.1006-2475.2015.10.005

计算机与现代化

基于C4.5决策树的股票数据挖掘

(四川大学计算机学院，四川成都 610065)

收稿日期:2015-04-03 出版日期:2015-10-10 发布日期:2015-10-10
作者简介:王领(1990-)，男，四川巴中人，四川大学计算机学院硕士研究生，研究方向：数据挖掘，机器学习; 胡杨(1987-)，男，硕士研究生，研究方向：计算机网络与信息系统。

Stock Data Mining Based on C4.5 Decision Tree

(College of Computer Science, Sichuan University, Chengdu 610065, China)

Received:2015-04-03 Online:2015-10-10 Published:2015-10-10

摘要/Abstract

摘要： 由于目前利用数据挖掘算法对股票分析和预测存在数据量及技术指标等方面的问题，本文基于对股市数据的分析，适当选取某些指标作为决策属性，利用C4.5决策树分类算法进行分类预测。主要对股票技术指标进行介绍和优化，对C4.5算法的效率进行改进。改进后的算法结合优化的技术指标不仅能够提高数据挖掘的执行效率，同时也能在股票预测方面得到更高的收益。

关键词: 数据挖掘, 决策树, 技术指标, C4.5, 股票预测

Abstract: Using data mining algorithms to analyze and forecast the stock still has problems in technical indicators and quantity of data. Based on the analysis of stock market data, this paper selected certain indicators as decision attribute, and used C4.5 decision tree to classify and forecast the stock. This article mainly optimized the indicators of stock, and improved the efficiency of C4.5 algorithm. Optimized algorithm combining with improved indicators not only enhances the efficiency of data mining, also gets better returns in stock forecasting.

Key words: data mining, decision tree, indicators, C4.5, stock forecasting

中图分类号:

TP181

王领?，胡扬. 基于C4.5决策树的股票数据挖掘[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.10.005.

WANG Ling, HU Yang. Stock Data Mining Based on C4.5 Decision Tree[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.10.005.

参考文献

[1] 郑海荣. 数据挖掘技术在股票分析与预测中的应用[D]. 哈尔滨:哈尔滨工业大学, 2007.

[2] 方智. 基于多技术指标模型的沪深300指数走势预测[D]. 南昌:江西财经大学, 2012.

[3] Tsaih R, Hsu Y, Lai C C. Forecasting S&P 500 stock index futures with a hybrid AI system[J]. Decision Support Systems, 1998,23(2):161-174.

[4] Liu N K, Lee K K. An intelligent business advisor system for stock investment[J]. Expert Systems, 1997,14(3):129-139.

[5] 方匡南,纪宏,路逊. 股票技术指标相似性与有效性研究[J]. 统计与信息论坛, 2009,24(9):26-30.

[6] Fang Yue, Wada S, Moody J. Stock returns: Momentum, volatility and interest rates[C]// Proceedings of the 2003 IEEE International Conference on Computational Intelligence for Financial Engineering. 2003:379-385.

[7] 廖勇,唐常杰,元昌安,等. 基于基因表达式编程的股票指数时间序列分析[J]. 四川大学学报(自然科学版), 2005,42(5):931-936.

[8] 彭宏,刘洋,邓维维,等. 股票数据流的相关性计算方法[J]. 华南理工大学学报(自然科学版), 2006,34(1):86-89.

[9] 丁鹏. 量化投资:策略与技术[M]. 北京:电子工业出版社, 2012:368-404.

[10] 张登明. 技术指标投资策略的优化及其在量化交易中的应用[D]. 武汉:华中科技大学, 2010.

[11] Lim T S, Loh W Y, Shih Y S. A comparison of prediction accuracy, complexity, and training time of thirty-three old and new classification algorithms[J]. Machine Learning, 2000,40(3):203-228.

[12] 乔增伟,孙卫祥. C4.5算法的两点改进[J]. 江苏工业学院学报, 2008,20(4):56-59.

[13] 冯帆,徐俊刚. C4.5决策树改进算法研究[J]. 电子技术, 2012,39(6):1-4.

[14] 姚亚夫,邢留涛. 决策树C4.5连续属性分割阈值算法改进及其应用[J]. 中南大学学报(自然科学版), 2011,42(12):3772-3776.

[15] 赵蕊. 基于WEKA平台的决策树算法设计与实现[D]. 长沙:中南大学, 2007.

[16] 魏雄. 决策树算法在股票分析与预测中的应用[J]. 电脑知识与技术(学术交流), 2007,2(9):764-765.

[17] 邹筱梅,姜山,唐贤瑛. 基于决策树的股市数据挖掘与仿真[J]. 计算机仿真, 2004,21(3):127-129.

[18] 雷炜,叶东毅. 利用决策树技术对股票价格数据库进行数据挖掘[J]. 福建电脑, 2004(8):52-53.

基于C4.5决策树的股票数据挖掘

Stock Data Mining Based on C4.5 Decision Tree

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	谢仕斌, 刘梦赤, 唐诗琪, 周瑞平, . 基于多特征提取的时间卷积知识追踪模型[J]. 计算机与现代化, 2023, 0(07): 25-29.
[2]	刘佩. 基于数据挖掘的医保控费系统[J]. 计算机与现代化, 2023, 0(06): 89-94.
[3]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[4]	王劭华, 欧阳会丹, 孙丹, 王康, 吴鸿萍, 钟询, 褚兴平, 杨松涛. 基于Apriori算法的大学生体测项目关联规则挖掘[J]. 计算机与现代化, 2023, 0(03): 66-70.
[5]	宋晓丽, 张勇波, 张培颖. 基于半监督学习的学生消费数据异常检测[J]. 计算机与现代化, 2022, 0(12): 13-17.
[6]	段桂芹, 邹臣嵩. 基于近邻传播聚类的职业能力评价模型[J]. 计算机与现代化, 2022, 0(05): 21-27.
[7]	肖宏宇, 曾文驱, 王淑营. 基于模型特征匹配的BIM模型混合推荐算法[J]. 计算机与现代化, 2022, 0(01): 28-32.
[8]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[9]	陈明帅, 吴克河. 基于shell命令的内部攻击检测[J]. 计算机与现代化, 2021, 0(01): 56-60.
[10]	杨琳, 白钊, 寇勇刚. 基于RFM模型的随机森林算法对民航客户的流失分析[J]. 计算机与现代化, 2021, 0(01): 100-104.
[11]	郭欣, 陈瑛, 章鸣嬛, 张璇, 潘曙明, 汤璐佳. 利用机器学习方法对灾难生命支持课程NDLS培训效果进行分析预测#br#[J]. 计算机与现代化, 2020, 0(12): 61-66.
[12]	李科心, 李静, 邵佳炜, 肖屹. 多层次序列集成的高维数值型异常检测[J]. 计算机与现代化, 2020, 0(06): 73-.
[13]	蒋毅,欧郁强,梁广,高杨,严永高,林捷,赵晓宁. 基于数据挖掘的现场作业风险态势评估方法[J]. 计算机与现代化, 2020, 0(04): 78-.
[14]	吕坦悦1,2，陆小敏1,2，王健1,2. 基于决策树和层次分析的地铁车辆健康评估[J]. 计算机与现代化, 2020, 0(03): 29-.
[15]	王垚,李为,吴克河,崔文超. GBDT与LR融合模型在加密流量识别中的应用[J]. 计算机与现代化, 2020, 0(03): 93-.