股票市场不仅是国家经济的晴雨表,更是股民投资和企业融资的重要途径。有效的股价趋势预测,不仅可以指导投资者进行合理的投资决策,更可以为国家制定相关经济政策提供参考。因此,股票预测一直是金融预测领域的重要研究方向,具有重大的现实意义和应用价值。然而,股票市场是一个极其复杂的动态系统,它受众多不确定性因素的影响,使得股票价格的波动表现出较强的非线性特征,极大增加了股票预测的困难度。为实现对股价趋势的预测,需在处理大量数据的基础上研究分析股市内部的复杂规律。数据挖掘技术能够揭示海量数据背后隐藏的信息,为股票预测提供了新的方法和思路。股票预测的关键在于构建合适的预测模型,而模糊推理系统具有较强的非线性映射能力,能够以任意精度逼近复杂的非线性关系,在预测模型构建的合理性以及适用性方面都具有其独特的优势。因此,本文将数据挖掘技术和模糊推理系统应用于股价趋势的预测,提出两种不同的预测方法。针对股价波动的非线性以及模糊推理系统在股票预测上存在规则获取困难和规则不够公正客观等问题,本文提出了一种基于双聚类和模糊推理的交易点预测方法。首先利用双聚类技术挖掘股票历史数据中的规律和信息,将它们作为专家知识构建模糊规则,然后通过模糊推理输出推理结果,并采用粒子群算法构建动态阈值模块,最后通过动态阈值模块将推理结果转换成对股价趋势的预测。另一方面,股价趋势的预测是一个上涨和下跌的二分类问题,但是由于股价变化规律复杂,单个分类器往往不能很好地描述整个数据集的特征,导致分类效果不佳。因此,本文提出一种基于朴素贝叶斯和AdaBoost的混合预测模型。首先利用双聚类算法挖掘股票数据中的股价趋势模式,然后将上涨模式和下跌模式组合成弱分类器,并采用朴素贝叶斯作为分类方法,最后利用AdaBoost算法将多个弱分类器组合成强分类器,以提升分类的准确率。由于每个弱分类器是由不同的趋势模式组合而成,保证了弱分类器的多样性,从而提升了强分类器的泛化能力。为了验证本文方法的合理性和有效性,设计了多个对比实验。实验结果表明,本文所提出的两个方法无论在个股还是股票指数的预测上都能获得比其他方法更高的平均收益率。