股票大數(shù)據(jù)挖掘?qū)崙?zhàn)：股票預(yù)測(cè)篇

第1章 數(shù)據(jù)挖掘基礎(chǔ)
1．1 數(shù)據(jù)挖掘概述
1．1．1 數(shù)據(jù)挖掘的過(guò)程
1．1．2 數(shù)據(jù)挖掘的任務(wù)
1．1．3 數(shù)據(jù)挖掘的應(yīng)用
1．1．4 數(shù)據(jù)挖掘的存在問(wèn)題、未來(lái)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(jì)算
1．5 Mahout分布式框架
1．5．1 Mahout簡(jiǎn)介
1．5．2 Mahout算法集
1．5．3 Mahout系統(tǒng)架構(gòu)
1．5．4 Mahout的優(yōu)缺點(diǎn)
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(yù)測(cè)
2．2．1 預(yù)測(cè)基礎(chǔ)知識(shí)
2．2．2 股票預(yù)測(cè)的結(jié)構(gòu)
2．2．3 股票預(yù)測(cè)技術(shù)
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(diǎn)
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(zhǔn)備
3．1 股票相關(guān)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(shí)時(shí)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(xì)數(shù)據(jù)
3．2．5 從巨潮資訊獲取基礎(chǔ)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(shù)
3．3．1 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)
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(yù)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(diǎn)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(diǎn)
4．2．4 樸素貝葉斯分類器的應(yīng)用
4．2．5 擴(kuò)展的分類器
4．3 決策樹(shù)
4．3．1 決策樹(shù)方法介紹
4．3．2 屬性選擇的度量方法
4．3．3 剪枝技術(shù)
4．3．4 常用的決策樹(shù)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(jī)
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(wèn)題
4．4．6 SVM分類器
4．5 評(píng)價(jià)指標(biāo)
4．6 基于SVM算法的股票買賣點(diǎn)判斷
4．6．1 數(shù)據(jù)預(yù)處理
4．6．2 買賣點(diǎn)定義
4．6．3 買賣點(diǎn)判斷
第5章 匹配方法與股票走勢(shì)的預(yù)測(cè)
5．1 目標(biāo)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(jié)
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(guān)的度量
5．3．3 其他度量方式
5．4 新方法：相似走勢(shì)匹配在股票預(yù)測(cè)中的應(yīng)用
5．4．1 方法思想
5．4．2 相似匹配的計(jì)算步驟
5．4．3 基于最相似走勢(shì)的股票短期走勢(shì)預(yù)測(cè)方法
5．4．4 基于多相似股票投票統(tǒng)計(jì)的近期漲跌預(yù)測(cè)方法
5．4．5 基于近期預(yù)測(cè)漲跌幅及其一致性統(tǒng)計(jì)的股票推薦方法
5．4．6 基于同匹配日期相似走勢(shì)的股票預(yù)測(cè)方法
5．4．7 基于強(qiáng)匹配排序的股票趨勢(shì)分析與選股方法
5．4．8 基于股票預(yù)測(cè)走勢(shì)進(jìn)行分類和推薦的方法
5．5 新方法：自身歷史相關(guān)在股票預(yù)測(cè)中的應(yīng)用
5．5．1 基于自身歷史相關(guān)時(shí)間點(diǎn)的股票趨勢(shì)預(yù)測(cè)方法
5．5．2 基于自相關(guān)排序的股票趨勢(shì)分析與選股方法；
5．6 新方法：正負(fù)相關(guān)走勢(shì)在股票預(yù)測(cè)中的應(yīng)用
5．6．1 主要思想
5．6．2 計(jì)算步驟
5．6．3 方法步驟與創(chuàng)新特征
5．6．4 輸出結(jié)果示例
5．7 新方法：自定義模式匹配在股票預(yù)測(cè)中的應(yīng)用
5．7．1 主要思想
5．7．2 計(jì)算步驟
5．7．3 方法步驟與創(chuàng)新特征
5．7．4 輸出結(jié)果示例
5．8 平臺(tái)實(shí)戰(zhàn)解析：搜索相似歷史走勢(shì)以替代老司機(jī)經(jīng)驗(yàn)
第6章 相似股票判斷與投資組合
6．1 目標(biāo)概述
6．2 DTW動(dòng)態(tài)時(shí)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(jìn)
6．3 KNN算法
6．3．1 KNN算法簡(jiǎn)介
6．3．2 k值的選擇
6．3．3 KNN算法的改進(jìn)
6．3．4 KNN算法的實(shí)現(xiàn)
6．4 相似股票的判斷和應(yīng)用
s．4．1 新方法；用于輔助選股的股票分級(jí)活醫(yī)度計(jì)算方法
6．4．2 新方法：基于股票強(qiáng)相關(guān)分析的選股推薦方法
6．4．3 平臺(tái)實(shí)戰(zhàn)解析
第7章 股票盤(pán)面強(qiáng)弱狀態(tài)的判斷
7．1 目標(biāo)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(guò)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(yù)報(bào)中的應(yīng)用
7．2．6 馬爾可夫鏈在人民幣匯率上的實(shí)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(xué)模型
7．3．3 評(píng)估問(wèn)題與前向算法
7．3．4 解碼問(wèn)題與Viterbi算法
7．3．5 觀察序列最大概率問(wèn)題與Baum-Welch算法
7．3．6 隱馬爾可夫模型在輸入法中的應(yīng)用
7．4 新方法：基于狀態(tài)轉(zhuǎn)移的股票長(zhǎng)期走勢(shì)預(yù)測(cè)與推薦方法
7．4．1 主要思想
7．4．2 計(jì)算步驟
7．4．3 方法步驟與創(chuàng)新特征
7．4．4 平臺(tái)實(shí)戰(zhàn)解析
第8章 股票間的延時(shí)聯(lián)動(dòng)漲跌規(guī)則
8．1 目標(biāo)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(yīng)用
8．3 關(guān)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(guān)聯(lián)規(guī)則的應(yīng)用
8．4 關(guān)聯(lián)規(guī)則在股票預(yù)測(cè)中的應(yīng)用
8．4．1 新方法：基于時(shí)態(tài)聯(lián)動(dòng)挖掘的股票預(yù)測(cè)方法
8．4．2 新方法：基于股票間同現(xiàn)統(tǒng)計(jì)的股票推薦方法
8．4．3 平臺(tái)實(shí)戰(zhàn)解析
第9章 股票漲跌的幅值組合關(guān)系
9．1 目標(biāo)概述
9．2 n-gram模型
9．2．1 自然語(yǔ)言處理
9．2．2 統(tǒng)計(jì)語(yǔ)言模型
9．2．3 n-gram模型簡(jiǎn)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(cuò)誤
9．3 新方法：個(gè)股漲跌的幅值組合關(guān)系挖掘
9．3．1 基于類似n元語(yǔ)法統(tǒng)計(jì)的股票預(yù)測(cè)方法
9．3．2 基于類似關(guān)聯(lián)規(guī)則統(tǒng)計(jì)的股票預(yù)測(cè)方法
9．3．3 基于局部及全局語(yǔ)法統(tǒng)計(jì)的股票推薦方法
9．3．4 用于股市運(yùn)行邏輯理解的強(qiáng)關(guān)聯(lián)規(guī)則挖掘方法
9．3．5 平臺(tái)實(shí)戰(zhàn)解析
第10章 股票的循環(huán)滾動(dòng)預(yù)測(cè)方法
10．1 目標(biāo)概述
10．2 回歸分析與股票預(yù)測(cè)
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(guān)程度測(cè)定
10．2．5 非線性回歸分析
10．2．6 用回歸分析進(jìn)行股票預(yù)測(cè)
10．3 神經(jīng)網(wǎng)絡(luò)與股票預(yù)測(cè)
10．3．1 神經(jīng)網(wǎng)絡(luò)的基本原理
10．3．2 BP神經(jīng)網(wǎng)絡(luò)算法
10．3．3 用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行股票預(yù)測(cè)
10．4 深度學(xué)習(xí)與股票預(yù)測(cè)
10．4．1 深度學(xué)習(xí)介紹
10．4．2 深度學(xué)習(xí)的理論基礎(chǔ)
10．4．3 典型的深度學(xué)習(xí)模型
10．4．4 LSTM遞歸神經(jīng)網(wǎng)絡(luò)
10．4．5 新方法：用LSTM網(wǎng)絡(luò)進(jìn)行股票預(yù)測(cè)
參考文獻(xiàn)