股票大数据挖掘实战:股票预测篇

第1章 数据挖掘基础
1．1 数据挖掘概述
1．1．1 数据挖掘的过程
1．1．2 数据挖掘的任务
1．1．3 数据挖掘的应用
1．1．4 数据挖掘的存在问题、未来发展和挑战
1．2 常用的数据挖掘算法
1．3 数据挖掘工具
1．3．1 MATLAB
1．3．2 SAS
1．3．3 SPSS
1．3．4 WEKA
1．3．5 R
1．3．6 工具的比较与选择
1．4 数据挖掘与云计算
1．5 Mahout分布式框架
1．5．1 Mahout简介
1．5．2 Mahout算法集
1．5．3 Mahout系统架构
1．5．4 Mahout的优缺点

第2章 股票大数据挖掘
2．1 股票大数据
2．1．1 大数据概述
2．1．2 大数据的处理
2．1．3 大数据炒股
2．2 股票预测
2．2．1 预测基础知识
2．2．2 股票预测的结构
2．2．3 股票预测技术
2．3 量化投资
2．3．1 什么是量化投资
2．3．2 量化投资的特点
2．3．3 量化投资的方法
2．3．4 量化投资选股模型
2．3．5 多因子选股模型
2．3．6 量化模型的建立

第3章 股票数据的准备
3．1 股票相关数据
3．2 数据的获取源
3．2．1 从雅虎获取历史交易数据
3．2．2 从腾讯获取实时交易数据
3．2．3 从新浪获取交易数据
3．2．4 从网易获取成交明细数据
3．2．5 从巨潮资讯获取基础数据
3．2．6 多源获取UGC数据
3．3 数据获取技术
3．3．1 网络爬虫技术
3．3．2 HTML解析
3．3．3 XML解析
3．3．4 JSON解析
3．4 数据预处理
3．4．1 数据清理
3．4．2 数据集成
3．4．3 数据变换
3．4．4 数据归约

第4章 分类方法与股票买卖点判断
4．1 分类概述
4．2 朴素贝叶斯
4．2．1 朴素贝叶斯分类算法的概念
4．2．2 朴素贝叶斯分类器模型
4．2．3 朴素贝叶斯分类器的优缺点
4．2．4 朴素贝叶斯分类器的应用
4．2．5 扩展的分类器
4．3 决策树
4．3．1 决策树方法介绍
4．3．2 属性选择的度量方法
4．3．3 剪枝技术
4．3．4 常用的决策树分类算法
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 算法比较
4．4 支持向量机
4．4．1 *优分类面
4．4．2 广义的*优分类面
4．4．3 序列*小*优化算法
4．4．4 核函数
4．4．5 SVM参数优化问题
4．4．6 SVM分类器
4．5 评价指标
4．6 基于SVM算法的股票买卖点判断
4．6．1 数据预处理
4．6．2 买卖点定义
4．6．3 买卖点判断

第5章 匹配方法与股票走势的预测
5．1 目标概述
5．2 模式匹配
5．2．1 模式匹配概述
5．2．2 模式匹配的定义
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 模式匹配算法总结
5．3 常用的相似性度量方法
5．3．1 基于距离的度量
5．3．2 基于相似/相关的度量
5．3．3 其他度量方式
5．4 新方法：相似走势匹配在股票预测中的应用
5．4．1 方法思想
5．4．2 相似匹配的计算步骤
5．4．3 基于*相似走势的股票短期走势预测方法
5．4．4 基于多相似股票投票统计的近期涨跌预测方法
5．4．5 基于近期预测涨跌幅及其一致性统计的股票推荐方法
5．4．6 基于同匹配日期相似走势的股票预测方法
5．4．7 基于强匹配排序的股票趋势分析与选股方法
5．4．8 基于股票预测走势进行分类和推荐的方法
5．5 新方法：自身历史相关在股票预测中的应用
5．5．1 基于自身历史相关时间点的股票趋势预测方法
5．5．2 基于自相关排序的股票趋势分析与选股方法；
5．6 新方法：正负相关走势在股票预测中的应用
5．6．1 主要思想
5．6．2 计算步骤
5．6．3 方法步骤与创新特征
5．6．4 输出结果示例
5．7 新方法：自定义模式匹配在股票预测中的应用
5．7．1 主要思想
5．7．2 计算步骤
5．7．3 方法步骤与创新特征
5．7．4 输出结果示例
5．8 平台实战解析：搜索相似历史走势以替代老司机经验

第6章 相似股票判断与投资组合
6．1 目标概述
6．2 DTW动态时间规整算法
6．2．1 匹配模式
6．2．2 DTW算法原理
6．2．3 DTW算法改进
6．3 KNN算法
6．3．1 KNN算法简介
6．3．2 k值的选择
6．3．3 KNN算法的改进
6．3．4 KNN算法的实现
6．4 相似股票的判断和应用
s．4．1 新方法；用于辅助选股的股票分级活医度计算方法
6．4．2 新方法：基于股票强相关分析的选股推荐方法
6．4．3 平台实战解析

第7章 股票盘面强弱状态的判断
7．1 目标概述
7．2 马尔可夫模型
7．2．1 马尔可夫模型概述
7．2．2 马尔可夫过程
7．2．3 马尔可夫链
7．2．4 状态转移概率
7．2．5 马尔可夫链在天气预报中的应用
7．2．6 马尔可夫链在人民币汇率上的实证分析
7．3 隐马尔可夫模型
7．3．1 隐马尔可夫模型概述
7．3．2 隐马尔可夫的数学模型
7．3．3 评估问题与前向算法
7．3．4 解码问题与Viterbi算法
7．3．5 观察序列*大概率问题与Baum-Welch算法
7．3．6 隐马尔可夫模型在输入法中的应用
7．4 新方法：基于状态转移的股票长期走势预测与推荐方法
7．4．1 主要思想
7．4．2 计算步骤
7．4．3 方法步骤与创新特征
7．4．4 平台实战解析

第8章 股票间的延时联动涨跌规则
8．1 目标概述
8．2 贝叶斯
8．2．1 贝叶斯公式
8．2．2 贝叶斯推断
8．2．3 贝叶斯应用
8．3 关联规则挖掘
8．3．1 基本概念和模型
8．3．2 Apriori算法
8．3．3 FP-tree频集算法
8．3．4 关联规则的应用
8．4 关联规则在股票预测中的应用
8．4．1 新方法：基于时态联动挖掘的股票预测方法
8．4．2 新方法：基于股票间同现统计的股票推荐方法
8．4．3 平台实战解析

第9章 股票涨跌的幅值组合关系
9．1 目标概述
9．2 n-gram模型
9．2．1 自然语言处理
9．2．2 统计语言模型
9．2．3 n-gram模型简介
9．2．4 n-gram模型的数据平滑
9．2．5 n-gram模型的解码算法
9．2．6 利用n-gram纠正中文文本错误
9．3 新方法：个股涨跌的幅值组合关系挖掘
9．3．1 基于类似n元语法统计的股票预测方法
9．3．2 基于类似关联规则统计的股票预测方法
9．3．3 基于局部及全局语法统计的股票推荐方法
9．3．4 用于股市运行逻辑理解的强关联规则挖掘方法
9．3．5 平台实战解析

第10章 股票的循环滚动预测方法
10．1 目标概述
10．2 回归分析与股票预测
10．2．1 回归分析概述
10．2．2 一元线性回归模型
10．2．3 多元线性回归分析模型
10．2．4 线性相关程度测定
10．2．5 非线性回归分析
10．2．6 用回归分析进行股票预测
10．3 神经网络与股票预测
10．3．1 神经网络的基本原理
10．3．2 BP神经网络算法
10．3．3 用BP神经网络进行股票预测
10．4 深度学习与股票预测
10．4．1 深度学习介绍
10．4．2 深度学习的理论基础
10．4．3 典型的深度学习模型
10．4．4 LSTM递归神经网络
10．4．5 新方法：用LSTM网络进行股票预测
参考文献