论文题目: 数据挖掘在预测上市公司未来状况中的应用
论文类型: 硕士论文
论文专业: 统计学
作者: 俞文冰
导师: 董逢谷
关键词: 数据挖掘,总体分析,过度拟合,数据拆分,净利润增长率
文献来源: 上海财经大学
发表年度: 2005
论文摘要: 数据挖掘是通过自动或半自动化的工具对大量的数据进行探索和分析的过程,目的是发现其中有意义的模式和规律。其在数据库营销、市场细分、风险分析,欺诈甄别和客户资源管理等领域的应用已经相当成熟。本文则将数据挖掘应用于企业未来状况的预测,重点是上市公司未来盈利增长的预测。本文首先对数据挖掘的概念与技术(包括:数据挖掘方法论,数据挖掘模型和模型的有效性)作了必要的解释和阐述。数据挖掘方法论是指导数据挖掘的一套流程,按照这套流程进行数据挖掘可以达到事半功倍的效果。数据挖掘模型则主要包括:Logistic回归模型,决策树模型(Decision Trees)和神经网络模型(Neural Networks)等。每一种模型都有其特性,建模方式和算法也有很大的区别,本文将分别对它们进行介绍。要建立一个好的预测模型必须考察模型的有效性,即防止模型的过度拟合,本文将介绍过度拟合的概念及防范措施。随后就进入本文的重点,利用数据挖掘对于企业未来状况进行预测。公司盈利的增长是普通投资者、证券投资基金和券商普遍关注的问题,因为只有具备盈利增长能力的公司才能给投资者带来持续的回
论文目录:
第一章 绪论
第二章 数据挖掘概念和技术
第一节 数据挖掘方法论
一、统计学和数据挖掘
二、SEMMA 方法论
第二节 数据挖掘模型
一、预测模型的概述
二、Logistic 回归
三、决策树(Decision Trees)
四、神经网络
第三节 模型的有效性
一、过度拟合及其避免措施
二、配比样本导致的夸大精度
第三章 基于数据挖掘的上市公司未来情况预测
第一节 上市公司未来状况预测的意义和现状
第二节 上市公司盈利增长预测模型
一、研究意义
二、所用的数据(Sample)
三、探索性分析(Explore)
四、数据的调整(Modify)
五、建模(Model)
六、模型的评价(Assess)
七、模型的整合(Ensemble)
八、应用
第四章 总结
致谢
参考文献
附录 神经网络权重表
发布时间: 2006-11-22
相关论文
- [1].基于数据挖掘的预测决策方法研究[D]. 谢佳斌.暨南大学2007
- [2].我国股票市场羊群行为的实证研究[D]. 于鑫.上海财经大学2005
- [3].数据挖掘技术在零售业中的应用研究[D]. 安建华.东北财经大学2005
- [4].数据挖掘技术在商业银行客户满意度模型中的应用研究[D]. 赵连宝.东北财经大学2005
- [5].数据挖掘技术在证券领域的应用[D]. 赫松龄.同济大学2006
- [6].数据挖掘在证券投资基金中的应用[D]. 常世光.上海交通大学2007
- [7].基于数据挖掘的金融预测模型[D]. 熊腾科.厦门大学2006
- [8].上市公司财务危机预警中数据挖掘模型构建与实证研究[D]. 许存兴.兰州大学2007
- [9].基于数据挖掘的上市公司财务风险预警研究[D]. 王竹南.武汉理工大学2007
- [10].数据仓库与数据挖掘在证券业中的研究应用[D]. 徐峰.山东大学2005