金融时间序列预测的数据挖掘方法比较以上证50指数为例(2)
1.2 证券价格预测方法
随着现代金融的发展，证券市场与人们生活的关系越来越紧密，人们也越来越关注证券市场的价格变化。在长期的研究中，人们对证券价格的预测发明了许多的方法，主要分为两大类。一类是传统的证券分析方法，包括基本面分析和技术分析。另一类是数量分析方法，有时间序列分析法、神经网络预测方法、灰色预测方法、支持向量机预测方法等。
传统证券分析方法：
1，基本面分析：基本面分析主要是根据经济学、财务管理、金融学的基本原理对于决定证券价值的基本要素（如宏观经济指标、经济政策走势、公司财务状况）来分析来评估证券投资价值，理论基础是金融资产价格取决于资产所有者预期的现金流量的现值。基本面分析能从整体上把握经济运行的趋势，但预测时间周期长，反应对于市场来说十分滞后。
2， 技术分析：
与基本面分析不同，技术分析只关注证券市场的变化，对于经济、政治等无法量化的宏观外部因素不加以考虑。技术分析主要通过图表和技术指标来预测价格变化。常见的指标有相对强弱指标(RSI)，乖离率指标(BIAS)，能量潮指标(OBV)等，常见的理论有K线理论、切线理论、形态理论、波浪理论等。
3.组合分析：
基本面分析和技术分析各有其优缺点和适用的地方，组合分析方法正式结合了两者的优势。进行证券价格的分析中，于旧趋势结束和新趋势开始时，也就是趋势反转过程中，技术分比基本面分析有用，而在趋势保持阶段，基本面分析又优于技术分析。因此组合分析方法把二者结合起来，全面考虑证券价格波动的短、中、长期趋势，结合短期技术分析和长期基本面分析，进行有效预测分析。
数量分析方法：
1，时间序列方法
十分重要的证券价格分析预测方法。主要是依据证券价格历史数据通过建立时间序列模型模拟样本数据关系，来预测未来价格。常用的有自回归模型、移动平均模型和自回归移动平均模型。如前所述，时间模型对于非线性非平稳序列无法得到较好的结果。
2，支持向量机
支持向量机是一种在90年代兴起的统计学习方法。在早期，支持向量机一直用于分类问题。但是因为在回归预测方面表现出的良好性能使得支持向量机在证券价格预测方面也越来越得到人们的关注。支持向量机在考虑经验风险基础上采用结构风险最小化原则，利用核函数映射样本集克服了文灾难，得到了很好的泛化能力，在短期回归预测方面也表现优异。
3.其他预测方法
在证券价格预测方面还有这许多的数量分析方法，诸如神经网络预测方法、灰色系统理论分析方法、遗传分析方法等都在证券价格预测得到了应用。
1.3 数据挖掘
1.3.1定义
随着现代各领域海量数据的涌现，对于大数据的分析催生了结合多领域知识的数据挖掘技术的出现。数据挖掘是对大量的数据进行分析，寻找数据内在结构、预测未来观测结果的技术。从定义上来看，时间序列模型和支持向量机均属于数据挖掘技术。
1.3.2 数据挖掘任务分类：
数据挖掘任务常见分类如下：
描述性数据挖掘(Descriptive Data Mining):建立描述模型分析数据的潜在联系，常见的模式是发现数据相关性、进行数据聚类、异常数据值检测。
预测性数据挖掘（Predictive Data Mining）：建立有预测能力的模型预测未来数据。常见的有分类、回归、时序模式发现。
1.3.3 数据挖掘过程
数据挖掘的过程主要是以下几步：