摘要：股票市场是一个非常复杂的系统，受众多可量化、不可量化的因素影响，这对一般的投资者来说很难从中发现其运行规律。数据挖掘作为一种从海量原始数据中挖掘出隐含的价值信息的手段，可以有效的针对股市特征，辅助投资者们降低投资风险、提高收益率。

本文收集整理了 2018 年第一季度上证 A 股中的 500 支上市股票为样本，选取 12 个有代表性的财务指标作为输入变量。运用因子分析，抽象出 5 个反映上市公司不同维度的能力因子，得出各个上市公司的因子得分和综合得分，根据综合得分将股票分为 3 类，将股票的分类类别作为输出变量。运用 CART 算法和 LM 神经网络算法，随机选取 80%的样本数据作为训练样本，用于模型建立；选取其余 20%数据作为测试样本，用于模型有效性的检测。最后对比两种分类算法的预测准确率，LM 神经网络算法对测试样本的预测准确率最高。对上市公司的综合得分进行分析，可以筛选出综合能力相对较高的股票所具有的共有特征，可以为投资者在定位绩优股、投资决策上提供帮助。

关键词：数据挖掘；决策树；神经网络；股票分类

目录

摘要

Abstract

第 1 章 绪论-4

1.1 研究背景及意义-4

1.2 国内外研究现状-4

第 2 章 数据挖掘与分类预测概述-5

2.1 数据挖掘步骤-5

2.2 数据挖掘算法-5

第 3 章 数据采集和数据处理-7

3.1 数据采集-7

3.2 数据探索分析-9

3.3 数据预处理-10

3.4 数据转换-10

3.4.1 因子分析介绍-11

3.4.2 因子分析实验-12

第 4 章 基于 CART 算法和 LM 神经网络的股票分类-17

4.1 基于 CART 算法的股票分类-17

4.2 基于 LM 神经网络的股票分类-18

第 5 章 分类模型评价-20

第 6 章 结论-22

参考文献-23

致谢-24