基于k-means聚类的股票KDJ类指标综合分析方法

doi:10.3969/j.issn.1006-2475.2018.10.003

计算机与现代化

基于k-means聚类的股票KDJ类指标综合分析方法

(中央财经大学信息学院，北京102206)

收稿日期:2018-04-17 出版日期:2018-10-26 发布日期:2018-10-26
作者简介:李娜(1992-),女,山东博兴人,中央财经大学信息学院硕士研究生,研究方向：数据挖掘，金融大数据；毛国君(1966-),〖JP2〗男,教授,博士,研究方向：数据挖掘，分布式计算；邓康立(1994-),男,硕士研究生,研究方向：数据挖掘，金融大数据。
基金资助:
国家自然科学基金资助项目（61773415）

K-means-based KDJ Integrated Analyzing Methods for Stock Transactions

(School of Information, Central University of Finance and Economics, Beijing 102206, China)

Received:2018-04-17 Online:2018-10-26 Published:2018-10-26

摘要/Abstract

摘要： 股票技术分析是证券分析的常用手段之一，目前的股票技术分析主要存在2个问题：1)都是从某个角度进行单维度分析，投资决策有较大偏差；2)任何单一的技术指标都有其局限性，需要相互补充才能更好进行投资决策。针对这些问题，本文讨论如何利用数据挖掘技术进行股票多维度综合分析问题。首先，分析数据挖掘应用到股票分析中可以解决的问题及可能面临的挑战；其次，提出一种基于数据挖掘聚类方法的选股模型；最后，对1364只上证股票进行实证分析，形成对股票的随机指标K、D、J等的综合挖掘结果。

关键词: 数据挖掘, 聚类分析, 股票技术分析, 随机指标, k-均值算法

Abstract: Stock technical analysis is one of the means of securities analysis. There are two main problems in the current stock technical analysis. Firstly, one technical index is always analyzed in a dimension, and so the general investors are difficult to put them together to form an investment decision; secondly, any single technical index has its limitations, and so they need been integrated to make better investment decisions. In response to these major issues, this article discusses how to use the data mining technology for multi-dimensional comprehensive analysis of stocks. First of all, it analyzes the problems that data mining can solve in stock analysis and its possible challenges. Secondly, a stock selection model based on data mining clustering methods is proposed. Finally, using the 1364 Shanghai Stocks, some empirically analyzing results are given.

Key words: data mining, clustering analysis, technical analysis of stock, KDJ index, k-means algorithm

中图分类号:

TP391

李娜，毛国君，邓康立. 基于k-means聚类的股票KDJ类指标综合分析方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.10.003.

LI Na, MAO Guo-jun, DENG Kang-li. K-means-based KDJ Integrated Analyzing Methods for Stock Transactions[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.10.003.

参考文献

［1］邹辉文,汤兵勇. 股票的投资价值、投资理念与投资分析方法［J］. 东华大学学报(自然科学版), 2006,32(2):139-145.
［2］田丹. 炒股实战速通［M］. 北京：经济管理出版社， 2003：53-62.
［3］林森池. 证券分析实践［M］. 北京:当代世界出版社, 2005:17-31.
［4］格雷厄姆，戴维·多德. 证券分析［M］. 海口:海南出版社, 2004:239-275.
［5］吴晓求. 证券投资学［M］. 北京:中国人民大学出版社, 2000:16-34.
［6］朱瑜. 股票预测方法研究［D］. 西安：西北工业大学， 2006.
［7］云涛,龚玲. 数据挖掘原理与技术［M］. 北京：电子工业出版社， 2004：1-12.
［8］陈文伟. 数据仓库与数据挖掘教程［M］. 北京：清华大学出版社, 2006：83-137.
［9］毛国君. 数据挖掘的概念、系统结构和方法［J］. 计算机工程与设计， 2002，23（8）：13-17.
［10］高广阔. 证券投资理论与实务［M］. 上海:上海财经大学出版社, 2002：143-151.
［11］卢瑞瑞. 基于K-means聚类的马尔可夫过程在股价趋势预测中的应用［D］. 武汉：华中科技大学， 2009.
［12］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， 2015（10）：21-24.
［13］THURAISINGHAM B M , CERUTI M G. Understanding data mining and applying it to command, control, communications and intelligence environments［C］// Proceedings of the 24th Annual IEEE International Computer Software and Applications Conference. 2013:171-174.
［14］MEGIDDO N, SRIKANT R. Discovering predictive association rules［C］ // Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining. 1999,7(4):274-278.
［15］李德毅. 数据挖掘与研究［J］. 计算机学报, 2012,16(7):64-67.
［16］吴微,陈维强,刘波. 用BP神经网络预测股票市场涨跌［J］. 大连理工大学学报, 2001,41(1):9-15.
［17］孙冰洁,唐瑞,左毅,等. 小波分析下的神经网络股票预测研究［J］. 计算机与数字工程, 2016,44(6):1031-1034.
［18］MENDELSSOHN L, STEIN J. Fundamental analysis meets the neural networks［J］. Futures,1991, 20:22-24.
［19］YAO J T, POH H L. Forecasting the KLSE index using neural networks［C］// Proceedings of IEEE International Conference on Neural Networks. 1995:1012-1017.
［20］郑朝霞,刘廷建. 关联规则在股票分析中的应用［J］. 成都大学学报（自然科学版）, 2002(4):46-49.
［21］孙士保,秦克云. 改进k-平均聚类算法研究［J］. 计算机工程， 2007,33（13）:200-201.
［22］方毅，熊盛武．一种快速K-均值聚类算法［C］// 中国模糊逻辑与计算智能联合学术会议论文集. 合肥:中国科学技术大学出版社, 2005:419-423.
［23］CHINRUNGRUENG C, SEQUIN C H. Optimal adaptive K-means algorithm with dynamic adjustment of learning rate［J］. IEEE Neural Networks, 1995,6(1):157-169.
［24］DARKEN C, MOODY J. Fast adaptive k-means clustering: Some empirical results［C］// International Joint Conference on Neural Networks,Ⅱ. 1990:233-238.
［25］JAIN A K, MURTY M N, FLYNN P J. Data clustering: A review［J］. ACM Computing Surveys, 1999,31(3):264-323.
［26］百度百科. KDJ指标［EB/OL］. https://baike.baidu.com/item/KDJ%E6%8C%87%E6%A0%87/6328421?fromtitle=kdj&fromid=3423560&fr=aladdin, 2018-01-06.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[3]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	张子璇, 沙秀艳, 肖霏, 粟宝婵, 隋雨陆, 孟子宸. 基于犹豫模糊Canopy-K均值聚类算法的研究与应用[J]. 计算机与现代化, 2022, 0(11): 17-21.
[9]	李春生, 冯阳宵, 富宇, 张可佳, 吴润桐. 基于均值聚类的员工行为分析方法[J]. 计算机与现代化, 2022, 0(09): 19-24.
[10]	李舒, 张伟业, 汪坤, 段照斌. 基于聚类分析的航班油耗组合估计[J]. 计算机与现代化, 2022, 0(08): 65-69.
[11]	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.
[12]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[13]	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.
[14]	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-.
[15]	郝敏,刘航,李扬,简单,王俊影. 基于聚类分析与说话人识别的语音跟踪[J]. 计算机与现代化, 2020, 0(04): 7-.

基于k-means聚类的股票KDJ类指标综合分析方法

K-means-based KDJ Integrated Analyzing Methods for Stock Transactions

可视化

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