Application of Supervised Kohonen Self-Organizing Map for Turnover Ratio Prediction in Stock Market.pdf

1、股票市場(chǎng)的預(yù)測(cè)問題引起了許多不同研究領(lǐng)域的興趣，如金融，貿(mào)易，統(tǒng)計(jì)以及計(jì)算機(jī)科學(xué)。本文旨在預(yù)測(cè)股票市場(chǎng)中的一個(gè)關(guān)鍵參數(shù)，從而忽略了大多數(shù)研究。這項(xiàng)工作的目的是為了表明利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)的能力和潛力。本文還介紹了研究實(shí)施的一些參考和指導(dǎo)方針。
　　文章首先介紹了股票市場(chǎng)的背景，突出了一些傳統(tǒng)理論，說明了在這個(gè)金融體系中如何以及何時(shí)投資的基本原則。接著，本文回顧了之前的文獻(xiàn)以及人工神經(jīng)網(wǎng)絡(luò)的歷史背景。此外，文章還強(qiáng)調(diào)了數(shù)據(jù)預(yù)

2、處理作為數(shù)據(jù)挖掘的基本構(gòu)建模塊的重要性。預(yù)處理階段被引入到數(shù)據(jù)的整合，清理以及缺失值的處理。
　　過去有各種方法被用于處理股票市場(chǎng)的預(yù)測(cè)問題，但沒有哪種方法被認(rèn)為是獨(dú)一無二并且可取的。計(jì)算時(shí)間在確定最適合模型的過程中起著重要的作用。一些方法和模型在過去已經(jīng)被用到，例如多層感知器(MLP)，徑向基函數(shù)(RBF)，神經(jīng)網(wǎng)絡(luò)(NNs)以及支持向量機(jī)(SVMs)。多層感知器(MLP)和徑向基函數(shù)(RBF)的學(xué)習(xí)過程要經(jīng)歷很多次迭代進(jìn)而需要

3、耗費(fèi)大量時(shí)間。
　　在本文中，我們提出了一種在之前的文獻(xiàn)中沒有被廣泛嘗試的有監(jiān)督的Kohonen自組織映射方法，根據(jù)中國(guó)的一些各種各樣的歷史數(shù)據(jù)來預(yù)測(cè)周轉(zhuǎn)率。我們的研究結(jié)果表明，有監(jiān)督的Kohonen自組織映射方法在時(shí)間和精度上要優(yōu)于著名的多層感知器(MLP)和徑向基函數(shù)(RBF)方法。我們模型的精度是通過計(jì)算整個(gè)測(cè)試數(shù)據(jù)的混淆矩陣和兩類預(yù)測(cè)類來確定的。
　　最后，本文指出了有監(jiān)督的Kohonen自組織映射在今后的工作中需要