基于数据挖掘的金融大数据的随机动态分析开题报告

1. 研究目的与意义（文献综述）

随着经济体制改革的深化，我国金融市场不断地发展与完善，各种金融产品也成为了普通民众关心的热门话题。在不同的金融系统中，大量的在线交易如股票、基金、债券、外汇、期货等会产生各种交易数据，对他们的分析也成为了计算机技术研究的热门问题。现有的金融数据软件重点还是在于数据的展示，对数据的分析做的很不够。本文将数据挖掘技术应用到金融数据分析系统之中，以股票数据的分析为例，着重利用相似性技术通过对历史数据的挖掘给用户当前决策以参考。

金融领域涉及银行、证券、保险及其他相关内容，包括银行信贷、信用评分、市场分析、投资组合、保险定价、智能定损、金融欺诈等。金融领域的研究内容相当广泛，但不确定性是金融市场的本质，也是金融领域需要研究的核心内容。为了捕捉金融市场的不确定性，更好地提高金融市场效率，需要使用数据建模方法对金融市场进行有效刻画。目前，数据建模方法已经应用于金融领域，用以把握金融市场的规律和趋势，达到了良好的应用效果。但由于传统的数据建模方法基于一些有严格要求的假设，当假设条件不满足时，难以对金融数据进行建模，因此难以把握金融市场规律。随着金融行业的不断发展壮大，银行、证券、保险、及其他相关机构不断融合，信息化程度大大提高。而且随着云计算技术的不断发展，金融数据正在逐步实现大集中。在这种情况下，不苛求严格假设的数据挖掘技术与算法在金融数据的支撑下就有了用武之地，并且发挥出极大的优势，为刻画金融市场的规律和趋势提供了有效的分析工具。

与其他领域的数据相比较，金融数据具有多种特点。（1）金融数据具有多样性。作为社会经济系统的一部分，金融系统的数据不仅受到物理数据（客户数据、交易数据、经济数据等）的影响，而且受到网络信息、心理行为信息的强烈影响，甚至一些主观数据的变化也会导致金融市场的剧烈波动。（2）金融数据的关系复杂。金融市场是一个发杂系统，数据之间的关系有时很难用一个简单的数学公式或线性函数来表示，呈现出高度的发杂性和非线性性。（3）金融数据具有动态性。金融市场随着时间的推移会发生剧烈变化，但仍受前期市场的影响，呈现出动态特征。为了更好地研究金融市场，需要利用这些物理数据、网络信息及心理行为信息。这些信息是不断变化的，便形成了一个巨大的数据仓库。金融数据的高度复杂性，使得一般的数据建模方法在进行金融数据建模时失效，而数据挖掘方法具有灵活性、自适应性及非线性等特征，在处理金融数据时可以达到较好的应用效果。实际的应用效果也证实了这一点，因此数据挖掘方法应用在金融领域是可行的的。

2. 研究的基本内容与方案

研究内容：

本课题主要围绕互联网上金融数据（股票数据和基金数据）的数据挖掘与统计分析工作展开，在研究相关基本理论和核心技术的基础上，提出一种基于数据挖掘技术的Internet金融数据采集的算法，并进行设计和系统实现。系统主要工作是对指定金融网站的相关金融数据实时监视，有针对性、精确性地进行金融数据的抓取，并按照一定的数据挖掘规则和金融数据筛选标准进行金融数据的分析、挖掘、处理并存储，然后以图形化的报表形式进行展示，让用户随时掌握金融实况。

技术方案：

技术分析是以预测市场价格变化的未来趋势为目的，以图表、交易指标等维主要工具，运用量化的方法对整个股票市场或个股未来运行趋势进行的分析。技术分析法有三条基本假设。一是市场包含所有信息，即所有的影响因素都已经包含在市场中，因此无需再对各种外部因素进行分析，直接通过市场行为本省的分析来预测市场价格的变化情况；二是价格在一定程度上保持原有的惯性，价格具有惯性的意义是，一旦通过图表发现了走势的模式，保持模式的概率要大于和模式想背离的可能性；三是历史常常会重演，在同样的市场背景下，市场上的交易者们可能会出现相似的心理，从而价格出现于历史相似的波动情况。分析市场用的图有实时价格走势图、实时成交量图、历史K线图等。技术分析的优点是 考虑问题比较直接，易于理解

3. 研究计划与安排

1-3周：查阅文献，完成开题报告4-6周：总体设计，完成论文综述7-10周：设计算法，功能模块设计11-13周：编码和测试14-15周：写论文，提交初稿，给老师检查，修改定稿，答辩。

4. 参考文献（12篇以上）

[1]吴昭华.大数据时代的互联网金融发展研究[j].电子世界，2014-03-15：192-193.[2]娄飞鹏.互联网金融支持小微企业融资的模式及启示[j].武汉金融，2014，4：6-8.[3]新平.充分发挥好互联网金融“鲶鱼效应”[n].上海证券报，2014-02-25（a04）.[4]刘英，罗明雄.大数据金融促进跨界整合[j].北大商业评论，2013，11：96-101.[5]刘新海.大数据挖掘助力未来金融服务业[j].金融创新，2014，21：117-126.[6]张玉明.小微企业互联网金融融资模式研究[j].会计之友，2014，18：2-5.

[7]刘贵基，蒋庆华.概率论与数理统计.北京：经济科学出版社.2009

[8]周大镯，李敏强.基于序列重要点的时间序列分割.计算机工程.2008,34(23):15-16.

[9]肖辉.时间序列的相似性查询与异常检测[d].上海：复旦大学，2005.