2、股票指数数据特征的相关性分析与序列挖掘算法应用

股票指数数据特征的相关性分析与序列挖掘算法应用

1. 股票市场预测研究现状

随着金融清算、开放式营销策略以及全球商业设施数字化的发展，越来越多的公司进入股票市场，这使得人们的营销策略和投资计划发生了巨大变化。投资者和交易者的主要目标是在短期内或长期内从投资中获利，但大多数时候，他们对所选股票价格的假设往往落空，导致巨额损失。这可能是因为人脑难以快速手动分析各种影响因素。

计算机化基础设施结合高效的算法和技术可以改善对股票价格不同影响因素的分析过程，提高假设的准确性。传统的基本面技术分析是分析公司未来表现的基本工具，它以收入、资产、费用、负债等财务报表为输入，为未来价格走势提供建议。此外，还有一些经典的选股和预测市场走势的策略，如定性与定量分析、CANSLIM投资法、收益投资法、简单和指数移动平均线、道指狗股策略、抛物线止损转向指标、移动平均线收敛发散指标（MACD）、相对强弱指数（RSI）等，但这些策略都不足以准确预测股票价格。

近年来，出现了一些新的算法，如支持向量机、K - 均值聚类、决策树、贝叶斯网络、C4.5、CART和期望最大化算法等，它们被成功应用于股票市场分析。机器学习模型可有效用于股票指数分类和市场走势预测，深度学习方法可用于分析公司的财务失败情况。同时，新闻和社交媒体信息对股票市场有很大影响，数据挖掘方法可支持股票市场的系统投资计划，神经网络技术也被用于股票市场分析。不过，目前分析不同股票价格之间的内部和相互关系以及特定指数价格对其他指数价格走势影响的研究较少，而序列模式挖掘算法在这方面可以发挥重要作用。

2. 性能矩阵、数据结构和工具

在序列挖掘中，子序列或序列在数据集中可能出现一次或多次。子序列在某些交易中的频率是