股票交易c畢業設計(編輯修改稿)

　

【文章內容簡介】 研究主要集中在數據立方體的計算上；使用并行化策略來處理數據倉庫的大量數據，是減少查詢響應時間較為常用的手段；數據壓縮技術是為了減少查詢掃描的數據，以此提高查詢速度。 目前，在國外，各個研究機構已經開展了大量的研究工作，并取得了一定的成果，例如斯坦福大學的 WHIPS 項目、 IBM Almaden 研究中心和微軟的 Quest 項目、 Bell 實驗室的 AQUA 項目以及威斯康辛大學和 ATamp。T 的研究等。其中， WHIPS的研究目標是要生成 一個高效的、自動集成異構數據源的算法和工具； Quest 的研究重點是多維數據庫的建模與組織； AQUA 對于抽樣在連接操作和聚集操作中存在的問題進行了深入了研究；威斯康辛大學和 ATamp。T 則側重于實視圖、 OLAP數據組織、數據立方體計算等的研究。在系統開發方面，各大數據庫廠商也對數據倉庫的研制給予了相當的關注，如 IBM、 Oracle 和 Sybase 都分別推出了各自的數據倉庫整體解決方案。 在國內，這方面的研究正在起步，一些學校和研究所也對數據倉庫技術進行了研究，比如中國人民大學、南京大學、哈爾濱工業大學等，他們的研究則 主要集中在數據倉庫的體系結構、數據倉庫的建模、數據倉庫中數據的組織與存儲、數據立方體的計算等方面。 本文的研究內容及 創新點 指標分析的設計和實現要建立在股票分析系統的分析結果上，忠于原數據，忠于指標的運算公式，才能得到正確的，有利用價值的指標分析結果 。 從 實際的摘要 7 需求 出發 ，本文 對以下兩個方面做了重點研究實踐 。 第一．圖形化控件的研究 。 按照軟件工程的步驟，對 股票分析系統指標分析的設計和實現 進行需求分析，在需求的基礎上進行 指標 設計與開發，并最終通過實際應用案例來驗證 指標系統 的設計的合理性。本文設計與開發的 指標系統旨在將股票分析系統的分析結果以圖形化的方式展示出來 ，為進一步開發更為完善的指標系統 提供參考。 第二． 三層設計模式 的研究。 本設計利用軟件開發的三層設計模式，將指標系統的實現分為數據層、業務層和表示層。數據層主要和數據庫交互，從數據庫中查詢所需要的數據并進行處理；業務層處理系統的業務邏輯；表示層通過業務層得到的最終數據將指標圖以圖形化的方式顯示出來。 第三．數據庫使用的研究。本設計需要用到大量的數據，所以必須以數據庫存儲。 SQL Server 20xx 是 Microsoft 公司推出的 SQL Server 數據庫管理系統。該版本繼承了 SQL Server 版本的優點同時又比它增加了許多更先進的功能，具有使用方便 ,可伸縮性好與相關軟件集成程度高等優點 。所以，正確而熟練地使用數據庫對于本設計具有重要的意義。 本文的 組織結構 本文共分為七個部分，組織結構如下： 第 1 章 引言 第 2 章 基于數據挖掘技術的股票分析系統 第 3 章 數據庫設計 第 4 章 指標分析模塊的設計及實現 第 5 章 編碼 第 6 章 設計結果 第 7 章 總結與展望 摘要 8 基于數據挖掘技術的股票分析系統 相關理論概述 數據挖掘（ data mining）技術 近年來，信息技術不斷發展，先進的科技手段為各個領域中大量數據的產生和存儲提供了可能。大量的數據被描述為 “ 數據豐富，但信息貧乏 ” 。有調查表明，在科學研究中產生的數據有 90%從未被使用過，造成這一局面的一個根本原因是缺乏利用數據的手段。雖然采用數據庫技術將數據組織起來大大提高了檢索速度并能提供簡單的分析功能，但是它無法發現數據中隱藏的具有相當價值的規律。 因此，人們迫切需要能夠對大量的數據進行存儲、管理、對比、檢索，并能從中尋找出相關性，挖掘出數據中所隱藏的規律的新技術。在這種迫切需求下，數據挖掘技術出現了并得 到了迅速的發展，它是信息技術自然演化的結果。 數據挖掘 錯誤 !未找到引用源。 是從大量的數據中挖掘出隱含的、未知的、用戶可能感興趣的和對決策有潛在價值的知識和規則。這些規則蘊含了數據庫中一組對象之間的特定關系，揭示出一些有用的信息，可以為經營決策、市場策劃和金融預測等方面提供依據。 數據挖掘是多個學科相關技術融合 的產物，包括數據庫技術、統計學、機器學習、模式識別、神經網絡等。作為一門具有廣泛應用的新興學科，數據挖掘得到了廣泛的應用。由于數據挖掘有較強的容錯性，輸入數據在某些部分上的錯誤對數據挖掘最終結果的正確性影響不大。如果我們所使用的數據越多越全面，則其中所蘊含的事物本身的規律性就越強，利用數據挖掘從中所抽取的知識就越具有普遍性，因而就更準確。以非線性大規模并行分布處理為特點的數據挖掘理論突破了傳統的線性處理模式，以其高度的并行性，良好的容錯性和自適應能力成為人們探索和研究某些復雜大系統的有力工具。因為支持這種技 術的三種基礎技術（海量數據搜集，強大的多處理器計算機，數據挖掘已經發展成熟，現在數據挖掘技術已經具備切實的可行性。目前，數據挖掘技術廣泛應用于如金融、電信、摘要 9 保險、交通、零售等領域。 數據挖掘技術 在 股票分析系統 上的應用 隨著經濟全球化和信息處理技術的飛速發展，財經數據急劇增加，涌現出了大量使用數據挖掘技術解決金融難題的研究和應用。如貿易模型發展，投資選擇，投資優化，借貸評估，欺詐檢測，破產預測，不動產估價等等。通過數據挖掘，可以在增加稅收、降低成本以及更大程度的改善市場的靈敏度方面體現出競爭優勢。數據挖掘在證券市場上的應用主要是對證券公司的客戶關系管理和對證券交易行情數據的預測分析。 其中針對股票的預測分析最具有挑戰性，這也是本文研究的重點。進行數據挖掘一般需要建立數據倉庫，所以我們實現了一個針對股票數據的數據倉庫。 由于 股票交易行情數據本質上是一個非線性時間序列，所以對股票的預測其實就是針對時間序列模式進行挖掘。時間序列中的某個字段的值是隨著時間而不斷變化的，設一個變量為 Y，表示某一支股票每天的收盤價，則 Y 可以看作是時間 t 的函數。 近年來，人工智能研究取得了突破性的進展，涌現了一大批人工智能的研究成果，如支持向量機，神經網絡，聚類，模糊理論，粗糙集和遺傳算法等廣泛應用于各個學科領域（包括股票交易行情預測）。數據挖掘作為人工智能的重要技術，已經逐漸在證券分析領域應用開來，目前應用最廣的主要有以下幾種： 關聯規則分析 時間 序列關聯規則的抽?。和ㄟ^固定長度的窗口將時間序列離散化成一系列子序列，研究子序列之間的相似性，然后將相似的子序列進行聚類形成模式，應用關聯規則的研究方法從各種模式中抽取關聯規則，可以得到一個時間序列內部不同模式之間的關聯規則或不同時間序列之間模式的關聯規則。其規則形如 “ 如果第一天 Microsoft 上漲而且 Intel 下降，則 IBM 第二天上漲 ” 。 聚類分析 聚類分析能夠綜合多項財務指標來反映上市公司的盈利能力和水平，所得聚類結果與公司的實際財務狀況和經營狀況相吻合。并據此歸結出整個板塊股票的分類及其特點 ,為投資者和市場各參與主體有效把握中小企業上市公司及其成長摘要 10 趨勢提供參考。我們還可以對所選出的各個板塊的龍頭潛力股再進行聚類分析，找出最具實力的板塊龍頭股。 神經網絡 神經網絡由于其強大的非線性逼近和泛化能力，得到了最為廣泛的應用。Lapedes 等最早發表了將神經網絡用于預測的文章。 90 年代以來，國外利用神經網絡對股票交易價格進行預測的報道層出不窮 [2425]。近年來，國內一些學者也開始利用神經網絡方法對我國股市的股票交易價格進行預測 [2628]?；谏窠浘W絡的股票預測方法，主要利用神經網絡進行股票交易 數據的學習訓練，然后使用訓練出的模型進行股市預測。另外還可以采用遺傳算法對神經網絡的學習權值調節，使神經網絡模型更加逼近系統模型。 模糊專家模型 模糊模型本質上就是一種非線性模型，宜于表達復雜系統的動態特性，具有逼近任何非線性映射的能力。采用模糊模型技術進行預測，主要是依據專家經驗、或統計方法建立模糊模型進行預測。 數據挖掘的進化遺傳模擬 相關研究表明，證券市場中的群體的心理和行為的影響左右著個體的心理和行為，進化理論不僅是生物學的統一理論，而且可以作為所有智能過程的統一描述；特別是對社會群體心理和行為的研究。近年來，國內外的進化計算與混合認知智能預測取得了良好的效果，數據挖掘技術的研究將極大地提高其有效性和精度。 指標分析在證券分析系統中的應用 K 線圖又稱蠟燭線、陰陽線或棒線，原來是日本米市商人用來記錄米市當中的行情波動，后因其標畫方法具有獨到之處，因而在股市及期市中被廣泛引用。 K 線將買賣雙方力量 的增減與轉變過程及實戰結果用圖形表示 出來。經過近百年來的使用與改進， K 線理論被投資人廣泛接受。 畫法： K 線之開盤價與收盤價之間以實體表示。若收盤價高于開盤價，以中空實體表示，稱紅線或陽線；若收盤價低于開盤價，則以黑色實體表示，稱黑線或陰線。 若當天最高價高于實體之高價，則在實體上方另加細線，稱為上影線；當天最低價低于實體之低價，也在實體下方另加細線，稱為下影線。 摘要 11 K 線時其他技術指標的基礎，所以 K 線的設計和實現是指標系統的基礎。 C語言簡介 C是一種安全的、穩定的、簡單的、優雅的，由 C 和 C++衍生出來的面向對象的編程語言 。它在繼承 C 和 C++強大功能的同時去掉了一些它們的復雜特性（例如沒有宏和模版，不允許多重繼承）。 C綜合了 VB 簡單的可視化操作和 C++的高運行效率，以其強大的操作能力、優雅的語法風格、創新的語言特性和便捷的面向組件編程的支持成為 .NET 開發的首選語言。 并且 C成為 ECMA 與 ISO 標準規范。 C看似基于 C++寫成，但又融入其它語言如 Pascal、 Java、 VB 等。 開發環境和運行環境 開發環境： Microsoft Visual Studio 20xx、 Microsoft SQL Server 20xx 運行環境： Microsoft XP/VISTA/20xx (. framework ) 需求分析 基于數據挖掘技術的股票分析系統， 可以在增加稅收、降低成本以及更大程度的改善市場的靈敏度方面體現出競爭優勢。數據挖掘在證券市場上的應用主要是對證券公司的客戶關系管理 錯誤 !未找到引用源。 和對證券交易行情 數據的預測分析 錯誤 !未找到引用源。 。 良好的指標分析的設計與實現對于股票分析系統的分析結果來說是非常重要的，只有真實無誤地把分析結果以圖形化的方式展示在用戶眼前，才能讓用戶的到一個感性的任何，更有利于其做出準確的判斷。所以，指標分析的設計和實現有如下需求： 以基于數據挖掘技術的股票分析系統為基礎，需正確地展示其分析結果。 指標的設計和實現必須忠于原數據，忠于原公式，保證數據得到最精確的體現。 摘要 12 功能豐富完整，操作方便簡單，界面簡潔、大方、人性化，能夠讓用戶容易地查詢各種數據。 系統設計 系統的總體設計 網 絡 公 布 的 股 票 數 據數 據 抽 取 ， 轉 換 ， 裝 載 （ S Q L 函 數 集 合 ）股 價 趨 勢 分 析 數 據 集 市技 術 指 標 數 據 集 市. . . . . .元 數 據 管 理倉 庫 管 理 工 具倉 庫 建 模 工 具數據倉庫E T L過 程數據源股 票 數 據 挖 掘 分 析多 維 分 析數據挖掘O L A P 工具用戶交互層指 標 曲 線 圖交 互 客 戶 端結 果 形 式 圖 股票數據倉庫系統結構 從圖 可以看出，股票數據倉庫系統可以分為數據抽取轉換裝載模塊、數據存儲以及管理模塊（股票數據倉庫）、數據挖掘分析模塊、多維分析模塊和用戶交互模塊。數據抽取轉換裝載模塊負責對數據源的數據進行清洗、轉換，最后將數據加載到數據倉庫中；數據存儲以及管理模塊負責確定數據的物理存儲結構，管理數據倉庫元數據；數據挖掘分析模塊主要利用各種數據挖掘算法，對股票數據倉庫中的數據進行計算分析，發現大量數據中隱藏的有價值的信息；多維分析模塊主要根據實際情況建立面向不同主題的多個多維數據集，使決策人員能夠面向多個主題、多個角度分 析數據；用戶交互模塊負責將多維分析結果及數據挖掘結果以易于理解和直觀的界面向用戶進行前端展示， 前端工具主要包括各種摘要 13 數據分析工具、報表工具、查詢工具 等。 （ 2）系統功能 在股票數據倉庫建設完成后，我們設計了一系列基于數據倉庫的系統功能，具體功能描述如圖 所示。系統各種功能依賴于 OLAP 分析或數據挖掘或兩者的結合。基于股票數據倉庫的系統功能數量會隨著需求的變化而不斷增加，我們在初始階段不能實現所有功能?，F階段系統只實現少數幾個功能，包括行情趨勢分析和指標技術分析。 圖 系統功能 指標分析子系統的設計 一、 .NET 的三層架構 三層架構包含表示層、業務層和數據層三層。對于應用系統來講，表示層和用戶交互并顯示數據，業務層負責訪問數據層并向表示層提交數據，數據層負責數據的存儲。采用分層設計的軟件會達