㈠ 數據挖掘演算法有哪些
統計和可視化要想建立一個好的預言模型，你必須了解自己的數據。最基本的方法是計算各種統計變數（平均值、方差等）和察看數據的分布情況。你也可以用數據透視表察看多維數據。數據的種類可分為連續的，有一個用數字表示的值（比如銷售量）或離散的，分成一個個的類別（如紅、綠、藍）。離散數據可以進一步分為可排序的，數據間可以比較大小（如，高、中、低）和標稱的，不可排序（如郵政編碼）。圖形和可視化工具在數據准備階段尤其重要，它能讓你快速直觀的分析數據，而不是給你枯燥乏味的文本和數字。它不僅讓你看到整個森林，還允許你拉近每一棵樹來察看細節。在圖形模式下人們很容易找到數據中可能存在的模式、關系、異常等，直接看數字則很難。可視化工具的問題是模型可能有很多維或變數，但是我們只能在2維的屏幕或紙上展示它。比如，我們可能要看的是信用風險與年齡、性別、婚姻狀況、參加工作時間的關系。因此，可視化工具必須用比較巧妙的方法在兩維空間內展示n維空間的數據。雖然目前有了一些這樣的工具，但它們都要用戶「訓練」過他們的眼睛後才能理解圖中畫的到底是什麼東西。對於眼睛有色盲或空間感不強的人，在使用這些工具時可能會遇到困難。聚集（分群）聚集是把整個資料庫分成不同的群組。它的目的是要群與群之間差別很明顯，而同一個群之間的數據盡量相似。與分類不同（見後面的預測型數據挖掘），在開始聚集之前你不知道要把數據分成幾組，也不知道怎麼分（依照哪幾個變數）。因此在聚集之後要有一個對業務很熟悉的人來解釋這樣分群的意義。很多情況下一次聚集你得到的分群對你的業務來說可能並不好，這時你需要刪除或增加變數以影響分群的方式，經過幾次反復之後才能最終得到一個理想的結果。神經元網路和K-均值是比較常用的聚集演算法。不要把聚集與分類混淆起來。在分類之前，你已經知道要把數據分成哪幾類，每個類的性質是什麼，聚集則恰恰相反。關聯分析關聯分析是尋找資料庫中值的相關性。兩種常用的技術是關聯規則和序列模式。關聯規則是尋找在同一個事件中出現的不同項的相關性，比如在一次購買活動中所買不同商品的相關性。序列模式與此類似，他尋找的是事件之間時間上的相關性，如對股票漲跌的分析。關聯規則可記為A==>B，A稱為前提和左部（LHS），B稱為後續或右部（RHS）。如關聯規則「買錘子的人也會買釘子」，左部是「買錘子」，右部是「買釘子」。要計算包含某個特定項或幾個項的事務在資料庫中出現的概率只要在資料庫中直接統計即可。某一特定關聯（「錘子和釘子」）在資料庫中出現的頻率稱為支持度。比如在總共1000個事務中有15個事務同時包含了「錘子和釘子」，則此關聯的支持度為1.5%。非常低的支持度（比如1百萬個事務中只有一個）可能意味著此關聯不是很重要，或出現了錯誤數據（如，「男性和懷孕」）。要找到有意義的規則，我們還要考察規則中項及其組合出現的相對頻率。當已有A時，B發生的概率是多少？也即概率論中的條件概率。回到我們的例子，也就是問「當一個人已經買了錘子，那他有多大的可能也會買釘子？」這個條件概率在數據挖掘中也稱為可信度，計算方法是求百分比：（A與B同時出現的頻率）/（A出現的頻率）。讓我們用一個例子更詳細的解釋這些概念： 總交易筆數（事務數）：1,000包含「錘子」：50包含「釘子」：80包含「鉗子」：20包含「錘子」和「釘子」：15包含「鉗子」和「釘子」：10包含「錘子」和「鉗子」：10包含「錘子」、「鉗子」和「釘子」：5 則可以計算出： 「錘子和釘子」的支持度=1.5%（15/1,000）「錘子、釘子和鉗子」的支持度=0.5%（5/1,000）「錘子==>釘子」的可信度=30%（15/50）「釘子==>錘子」的可信度=19%（15/80）「錘子和釘子==>鉗子」的可信度=33%（5/15）「鉗子==>錘子和釘子」的可信度=25%（5/20）
㈡ .未來房價的預測,這種屬於數據挖掘的哪類問題( ) A.分類 B.聚類 C關聯規則 D.回歸分析
未來房價預測，屬於數據挖掘的（C）類，關聯規則。
㈢ 證券分析：數據挖掘能做什麼
證券分析工具與數據挖掘之間的關系，想必早已經有人在做研究了。這只是版一個初步的想法，還權遠未成熟，並且因為所做的homework太少，這個想法所延伸的深度也不夠，先記錄下來，形成一個大概的框架，再慢慢往裡面填充內容，進一步深化吧。
證券的量化分析技術
證券投資的主要分析方法中，包含一種叫做量化分析的方法。簡言之，量化分析就是使用大量的數據，利用一些量化的數理模型對證券市場進行研究，涉及到了大數據的使用和數值處理模型的創建和應用。
數據挖掘技術
數據挖掘在量化分析中的應用實例
1. 三至五個例子。
在當前證券分析中的應用前景職業生涯：作為證券分析師的程序員和作為程序員的證券分析師要求是：
1. 數值分析的知識背景，是必須的。
2. 熟練的數據挖掘技術，至少要有個5年左右的全職積累。
4. 靠譜的心智水平，能夠保持理性態度，即便是在股市中。
㈣ 「基於數據挖掘的股票交易分析--模型分析」 這個題目，是什麼意思 哪位哥們，能給點具體解釋么
很難寫，主要牽涉到數據挖掘（軟體）和股票交易兩方面的專業。數據挖掘需要設計軟體進行建模，而股票交易需要進行實證（博士論文都可以寫了）。
建議：可以寫基於統計挖掘的股票交易分析--模型分析，這樣就簡單多了，只需要在股票軟體上得出一些統計數據，然後進行驗證就可以了，可操作性強。
㈤ 現在我想做一個數據挖掘在股票預測軟體能做的熟悉的RMB答復，急求
你想要做的數據挖掘，應該是按照你指定的數據呈現規律，然後根據已有的歷史數據進行動態的數據分析，並以一定的數據組織形式呈現給你，如圖表等等 。從而觀察其規律變化性，為你的下一次購買做出參考吧。
不知道你現在手裡有的軟體是什麼，是需要集成到已有的軟體裡面，還是單獨做一套就可以。還需要知道你的數據源在哪裡。
聯系方式：球球號：406607820
㈥ 數據挖掘在管理會計中的應用是啥
關鍵詞:數據挖掘技術 管理會計 應用 信息系統 決策理論 現代統計學 資料庫管理 機器學習 知識
分類號: F234.3 TP311.13 相關文獻:主題相關
摘要:數據挖掘是從數據當中發現趨勢和模式的過程，它融合了現代統計學、知識信息系統、機器學習、決策理論和資料庫管理等多學科的知識。它能有效地從大量的、不完全的、模糊的實際應用數據中，提取隱含在其中的潛在有用的信息和知識，揭示出大量數據中復雜的和隱藏的關系，為決策提供有用的參考。
管理會計在其發展的進程中,不僅需要理論的推動也需要技術方法的創新.數據挖掘是在信息化環境下發展起來的一門新技術,其在信息的深入加工、充分利用方面具有獨到的功能.探討管理會計中應用數據挖掘技術的可行性,探討數據挖掘技術在管理會計中應用的途徑與領域,對於完善管理會計的技術方法體系,提升管理會計作為信息系統的功能,推動管理會計方法的創新均具有重要意義
數據挖掘是從數據當中發現趨勢和模式的過程，它融台r現代統計學、知識信息系統、機器學習、決策理論和資料庫管理等多學科的知識。它能有效地從大量的、不完全的、模糊的實際應用數據中，提取隱含在其中的潛存有用的信息和知識，揭示出大量數據中復雜的和隱藏的關系，為決策提供有用的參考。
常用的數據挖掘方法主要有決策樹(Decision Tree)、遺傳演算法(Genetic Algorithms)、關聯分析(Association Analysis)．聚類分析(C~smr Analysis)、序列模式分析(Sequential Pattern)以及神經網路(Neural Networks)等。SAS研究所提出的SEMMA方法是目前最受歡迎的～種數據挖掘方法，其描述的數據挖掘的大致過程包括如下步驟：(1)數據取樣。在進行數據挖掘之前，首先要根據數據挖掘的目標選定相關的資料庫。通過創建一個或多個數據
表進行抽樣。所抽取的樣本數據量既要大到足以包含有實際意義的信息，同時叉不至於大到無法處理。(2)數據探索。數據探索就是對數據進行深入調查的過程，通過對數據進行深入探察以發現隱藏在數據中預期的或未被預期的關系和異常，從而獲取對事物的理解和概念。(3)數據調整。在上述兩個步驟的基礎上對數據進行增刪、修改，使之更明確、更有效。(4)建模。使用人工神經網路、回歸分析、決策樹、時問序列分析等分析工具來建立模型，從數據中發現那些能夠對預測結果進行可靠預測的模型。(5)評價。就是對從數據挖掘過程中發現的信息的實用性和可靠性進行評估。
數據挖掘在管理會計中的應用主要體現在以下幾方面：
l、作業成本和價值鏈分析。作業成本法以其對成本的精確計算和對資源的充分利用引起了人們的極大興趣，但其復雜的操作使得很多管理者望而卻步。利用數據挖掘中的回歸分析、分類分析等方法能幫助管理會計師確定成本動因，更加准確計算成本。同時，也可以通過分析作業與價值之間的關系，確定增值作業和非增值作業，持續改進和優化企業價值鏈。在Thomas G．John J和IL-woon Kim的調查中，數據挖掘被用在作業成本管理中僅佔3％。
2、預測分析。管理會計師在很多情況下需要對未來進行預測。而預測是建立在大量的歷史數據和適當的模式基礎上的。數據挖掘自動在大型資料庫中尋找預測性信息，利用趨勢分析、時間序列分析等方法，建立對如銷售、成本、資金等的預測模型，科學准確的預測企業各項指標，作為決簫的依據。例如對市場調查數據的分析可以幫助預測銷售；根據歷史資料建立銷售預測模型等。
3、投資決策分析。投資決策分析本身就是一個非常復雜的過程，往往要藉助一些 I：具和模型。數據挖掘技術提供_r有效的工具。從公司的財務報告、宏觀的經濟環境以及行業基本狀況等大量
的數據資料中挖掘出與決策相關的實質性的信息，保證投資決策的正確性和有效性。如利用時間序列分析模型預測股票價格進行投資；用聯機分析處理技術分析公司的信息等級，以預防投資風險等。
4、顧客關系管理。顧客關系管理是提升企業競爭優勢的有力武器。首先，要對顧客群體進行分類。通過對數據倉庫的分類和聚類分析，可發現群體顧客的行為規律，從而對顧客進行分組，實行差另U化服務；其次。對顧客的價值進行分析，根據帕累托定律，2O％的客戶創造了企業80％的價值。針對這種情況，公司可以從客戶資料庫中挖掘出這部分顧客，對這部分顧客的行為、需求以及偏好進行動態跟蹤和監控。並根據不同的顧客群的不同特點提供相應的產品和服務，從而與顧客建立長期的合作關系，提高顧客保持力。如在電信部門，對電信數據進行多維分析有助於識別和比較不同顧客對於產品的不同需求，從而使企業提供更有特色的產品，為顧客提供更優質的服務。
5、產品和市場分析。品種優化是選擇適當的產品組合以實現最大的利益的過程，這些利益可以是短期利潤。也可以是長期市場佔有率，還可以是構建長期客戶群及其綜合體。為了達到這些目標，管理會計師不僅僅需要價格和成本數據，有時還需要知道替代品的情況以及在某一市場段位上它們與原產品競爭的狀況。另外企業也需要了解～個產品是如何刺激另一些產品的銷量的等等。例如，非盈利性產品本身是沒有利潤可言的，但是，如果它帶來了可觀的客戶流量，並刺激 高利潤產品的銷售，那麼，這種產品就非常有利可圖，就應該包括在產品清單中。這些信息可根據實際數據，通過關聯分析等技術來得到。
6、財務風險分析。管理會計師可以利用數據挖掘工具來評價企業的財務風險，建立企業財務危機預警模型，進行破產預測。破產預測或稱財務危機預警模型能夠幫助管理者及時了解企業的財務風險，提前採取風險防範措施，避免破產。另外，破產預測模型還能幫助分析破產原因，對企業管理者意義重大。在上個世紀3O年代，Smith和Winakor率先進行了破產預測的嘗試。隨後到了60年代，Ahman利用多維判別式分析(Multivariate Discriminant Analy-
豳)方法提出的Z-score破產預測模型取得了很大的成功，預測准確率高達9o％以上。此後，數據挖掘技術包括多維判別式分析 (Multivariate Diseriminant Analysis)、邏輯回歸分析(LogisticRegression Analysis)、遺傳演算法、神經網路以及決策樹等方法在企業破產預測中得到了廣泛的應用
__
㈦ 最近學金融，好多知識看不懂啊::>_<:: 請結合大數據的理念對數據分析和數據挖掘能在金融市場的
首先是通過大數據可以分析客戶的個人信息，收入，風險偏好等，可以推薦相應的金融產品，如果哪些年齡段和工作的人群適合基金，保險和其它有價證券；
其次是金融產品的開發上，主要有保險產品和一些其它產品，通過發病率，災情概率等進行精算，開發出保險產品，一些其它的金融新產品也會涉及到數據分析；
再次是金融產品的定價及投資分析上，很多因素都會影響金融產品，如股票，期貨，現貨等，通過數據挖掘，找出其影響因素，進行價格分析。
大數據和數據挖掘主要有這幾方面的應用，當然還有其它的方面，很多論述金融與數據分析的書中有很多的，可以進一步研究，還望採納。
㈧ 股票數據挖掘的演算法有那些最好給些應用的例子。
給我你的郵箱 我發給你
㈨ 國內有哪些數據分析和數據挖掘的牛人
數據分析的頂級牛人，是被各國頂級賭場拉黑名單的。
次一等的，是自己玩投放做點大家都會但都覺得不賺錢卻只有他自己能悶聲賺錢的。
再往下，股票證券的自動高頻交易系統，一水的大數據。廣告優化平台，類似芒果移動，mediav這樣的，以及推薦平台 百分點這樣的，靠數據吃飯的公司。
㈩ 什麼是數據挖掘
數據挖掘是從大量的數據中，抽取出潛在的、有價值的知識（模型或規則）的過程。
1. 數據挖掘能做什麼？
1)數據挖掘能做以下六種不同事情（分析方法）：
· 分類 （Classification）
· 估值（Estimation）
· 預言（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可視化（Des cription and Visualization）
2)數據挖掘分類
以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘
· 直接數據挖掘
目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以
理解成資料庫中表的屬性，即列）進行描述。
· 間接數據挖掘
目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系
· 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘
3)各種分析方法的簡介
· 分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分
類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片
注意： 類的個數是確定的，預先定義好的
· 估值（Estimation）
估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的
輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的
連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運
用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
· 預言（Prediction）
通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用
於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。
預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時
間後，才知道預言准確性是多少。
· 相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
· 聚集（Clustering）
聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先
定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一
類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，
回答問題，可能效果更好。
· 描述和可視化（Des cription and Visualization）
是對數據挖掘結果的表示方式。
2.數據挖掘的商業背景
數據挖掘首先是需要商業環境中收集了大量的數據，然後要求挖掘的知識是有價值的。有
價值對商業而言，不外乎三種情況：降低開銷；提高收入；增加股票價格。
1)數據挖掘作為研究工具 （Research）
2)數據挖掘提高過程式控制制（Process Improvement）
3)數據挖掘作為市場營銷工具（Marketing）
4)數據挖掘作為客戶關系管理CRM工具(Customer Relationship Management)
3.數據挖掘的技術背景
1)數據挖掘技術包括三個主要部分：演算法和技術；數據；建模能力
2)數據挖掘和機器學習（Machine Learning）
· 機器學習是計算機科學和人工智慧AI發展的產物
· 機器學習分為兩種學習方式：自組織學習（如神經網路）；從例子中歸納出規則（如決
策樹）
· 數據挖掘由來
數據挖掘是八十年代，投資AI研究項目失敗後，AI轉入實際應用時提出的。它是一個新興
的，面向商業應用的AI研究。選擇數據挖掘這一術語，表明了與統計、精算、長期從事預
言模型的經濟學家之間沒有技術的重疊。
3)數據挖掘和統計
統計也開始支持數據挖掘。統計本包括預言演算法（回歸）、抽樣、基於經驗的設計等
4)數據挖掘和決策支持系統
· 數據倉庫
· OLAP（聯機分析處理）、Data Mart（數據集市）、多維資料庫
· 決策支持工具融合
將數據倉庫、OLAP，數據挖掘融合在一起，構成企業決策分析環境。
4. 數據挖掘的社會背景
數據挖掘與個人預言：數據挖掘號稱能通過歷史數據的分析，預測客戶的行為，而事實上
，客戶自己可能都不明確自己下一步要作什麼。所以，數據挖掘的結果，沒有人們想像中
神秘，它不可能是完全正確的。
客戶的行為是與社會環境相關連的，所以數據挖掘本身也受社會背景的影響。比如說，在
美國對銀行信用卡客戶信用評級的模型運行得非常成功，但是，它可能不適合中國