1. 挖掘機概念股票有哪些
挖掘機概念股龍頭一覽
18日從工信部獲悉，據中國工程機械工業協會挖掘機分會行業統計，2017年1-9月納入統計的25家挖掘機主機製造企業，共計銷售各類挖掘機械產品10.19萬台，同比增長一倍。國內市場銷量9.53萬台，同比增長109.5%;出口銷量6607台，同比增長22.5%。9月，共計銷售各類挖掘機械產品1.05萬台，同比增長92.3%。其中，國內市場銷量9525台，同比增長96.1%;出口銷量966台，同比增長60.2%。
中泰證券認為，挖掘機龍頭2018-2019年持續向好。(1)2017年第4季度挖掘機行業銷售將保持較為旺盛的狀況;(2)短期來看，三季度報告將顯示挖掘機龍頭公司盈利能力上升;(3)中長期來看，挖掘機行業龍頭2018-2019年業績將持續向好。
民生證券表示，9月份對機械行業中報梳理的結論是行業利潤已全面復甦，宏觀上1-8月份新增固定資產投資完成額累計同比增長18.90%，同時也看到鋼鐵供需兩旺以及重卡銷售數據不斷超預測，都驗證了需求端的持續好轉。需求端旺盛的情況下，存量挖機存在更新需求，同時結構升級也在進行，海外出口也貢獻一定增幅。
概念股解析：
三一重工(7.94 +0.38%,診股)：2013年三一重工實現挖掘機銷量15，682
台，市場份額達13.7%，處於絕對領先地位。這一點從8月份的挖掘機銷售數量上也可以看出來。數據顯示，今年8月，三一挖掘機實現了今年以來的最高市場
份額，市場佔有率擴至16.7%，繼續居行業第一。而且，根據三一重工半年報顯示，該公司的挖掘機毛利率同比上升了3.9
個百分點至37.0%，中金公司將其歸因於原材料成本下降。
山推股份(5.68 +0.00%,診股)：主要從事推土機、推耙機、挖掘機、鏟運機及礦山機械的開發、製造、銷售;主機附屬裝置、農機具、工礦配件的銷售;礦山機械修理。
柳工(9.14 -0.87%,診股)：據2014半年報，上半年，柳工中大噸位裝載機繼續領跑行業，保持了市場佔有率第一的地位;挖掘機在行業整體下滑10%的情況下逆勢增長17%，增速全行業第一。
山河智能(8.64 -0.46%,診股)：山河智能自2006年開始對挖掘機節能技術的研究，結合多項國家863與科技支撐項目，先後完成節能挖掘機系列產品的開發。
中聯重科(4.65 -0.64%,診股)：公司持續在海外市場發力，在2014上半年成功交付伊朗市場180台土方機械的基礎上，日前再次向伊朗市場交付大批中大型挖掘機。
2. 新手如何利用統計數據選股做短線。
股票在處於上漲階段，提供的獲利機會最多最穩定。
一、底部中線買入法
特徵：1、30日線由下跌開始走平並轉為翹頭向上；
2、股價在底部有過一次連續放量上漲過程；
3、目前處於縮量回調或強勢橫盤整理狀態；
結論：一旦股價縮量回調至30日線附近，再次放量上漲時，即可大膽果斷買入，後市必然會出現一次漲幅較大的中線上漲行情
原理：1、30日線由下跌轉為走平過程中，表明有資金在逢低承接，股價下跌動能徹底消
2、30日線由下跌開始轉向翹頭向上，表明個股已初步進入上漲階段（即股票開始進入到運行趨勢圖中的B階段）
3、底部出現放量上漲，說明主力已經開始再次啟動中級上漲行情，快速脫離建倉成本區，並堅決承接啟動之初的市場拋盤。
4、縮量回調（縮量橫盤整理）表明主力在實施中線拉升前的最後一次震倉洗盤基本結束。
結論：一旦底部出現接近30日線的極度縮量十字星K線走勢，在再度放量上漲時，就是中線最佳黃金買入點。
底部中線買入法，記住"底部"二個字！
二、頂部中線買入法
特徵：1、30日線在頂部由基本走平開始轉為翹頭向上；
2、股價在前期高點附近或創新高後進行強勢洗盤整理；
3、洗盤整理時成交量逐步縮小；
結論：一旦股價縮量回調至10日線附近，即可買入，後市很可能出現一次漲幅較大的中線上漲行情
原理：1、30日線在頂部長期基本走平而不回落，說明主力資金沒有大規模出貨，或者有資金在暗中護盤；
2、30日線由基本走平開始翹頭向上，說明主力在頂部長期盤整後准備發動新的上升行情；
3、股價創新高，主力大膽解放前期高位長期套牢盤，說明主力未來目標價位更高遠；
4、股價創新高後縮量洗盤整理，說明主力既想洗盤又不想股價下跌，以免散戶低位揀便宜籌碼。
結論：一旦出現接近10/20日線的極度縮量十字星K線走勢，就是頂部中線最佳介入點。
三、多周期共振中線買入法 特徵：1、五周線上穿10周線；
2、成交量指標金叉；
3、MACD指標金叉；
4、KDJ指標金叉。
結論：一旦股票周K線圖出現四種指標共振金叉，即為中線買入點。
原理：5周線金叉10周線，說明股價有中線繼續上漲動能，成交量金叉，說明在股價上漲是資金主動性買入所致；周線MACD金叉，說明中線繼續向好；周線KDJ金叉，說明中線上漲行情出現買入點。
注意：在使用這種方法時，建議採用復權方式(可前復權，也可後復權)，復權後效果最接近股價運行實際。
特別提示：本方法對於賣出法的選擇同樣適用，方法是多周期死叉
注意：在使用這種方法時，建議採用復權方式(可前復權，也可後復權)，復權後效果最接近股價運行實際。
特別提示：本方法對於賣出法的選擇同樣適用，方法是多周期死叉
四、回調波段操作買入法 特徵：1、5日線下穿10日線；
2、股價緩慢回落，K線逐漸萎縮至十字星走勢；
3、十字星K線在30日線附近基本啟穩；
4、成交量相應萎縮；
結論：一旦股價在30日線附近企穩，並出現陽包陰放量上漲時，即是回調波段操作最佳買入點。
原理：股價從底部啟動，主力已經明確展開上升行情，在經過第一波拉升後，已經引起市場注意，主力為了減少跟風盤，將股價主動回調，一方面清洗跟風盤，一方面做出反彈結束的假相，誘使前期套牢盤斬倉出局。一旦股價出現放量陽包陰走勢，說明洗盤已經結束，股價將展開新的上漲走勢
提示：由於回調波段形態屬於深度洗盤技術形態，因此，回調波段形態大多數處於中線行情啟動初期。對於中線行情中後期出現的回調波段整理形態，失敗的可能性大為提高，此時謹慎參與！
識別股價是中級行情開始啟動時的回調，還是反彈行情，最關鍵的就是看30日線走勢。如果30日線堅定向上，就是回調無疑。一旦縮量回調結束，重新放量啟動時，可第一時間跟進。
五、整理形態波段買入法 特徵：1、5日線基本向上；
2、K線短暫整理並逐漸萎縮；
3、成交量逐漸萎縮；
4、整理時間一般為五個交易日；
5、股價在第六個交易日再次放量啟動；
結論：一旦股價在第六個交易日放量啟動，則為整理形態波段買入點。
說明：這種短暫整理形態的特點，是整理時間一般為五天。這種整理形態有點象平台整理形態，但是它整理的時間要短，因為其整理時間一般為五個交易日。
提示：整理形態一般出現在中線行情中後期。除非是出現在底部啟動初期的整理形態，否則整理形態波段上漲空間比較有限。
為什麼要強調這種整理形態的時間呢？因為在五日均線之上的整理形態，是不容許天數過長的。因為整理時間超過五天以上，那麼股價就會壓迫均線走平，繼而壓彎五日均線。而五日均線一旦走平，就屬於平台突破波段操作范疇了
六、三線交叉底部短線買入法 特徵：1、30日線由下跌狀態開始逐漸走平；
2、5日線、20日線在底部向上交叉30日線；
3、股價在三線交叉日放量向上突破
結論：一旦30日線即將走平，5日線、20日線由下向上金叉30日線，股價放量向上突破時，即為短線買入點。
原理：5日線、20日線和30日線交叉，說明目前市場上所有的投資者持股成本基本一致；30日線開始走平，說明中線面臨方向選擇；股價放量向上突破，表明市場力量決定向上做盤意願。因此短線可以介入
七、底部漲停短線買入法 特徵：1、股價在底部出現第一次漲停；
2、成交量同步放大
結論：一旦股價在底部出現第一次放量漲停，則短線即可在漲停板買入。
原理：股價以漲停方式從底部啟動，表明主力向上做盤態度堅決。因此，可在漲停當天堅定跟風短線買入。
注意：1、底部第一次漲停時，如果30日線已經走平，股價在漲停時突破所有短線均線最好；
2、如果股票漲停時，再出現熱門題材配合，或者出現板塊性上漲，則後市爆發力則更強勁。
八、底部連續漲停短線買入法 特徵： 1、股價從底部啟動時，以連續漲停的方式展開；
2、第二個漲停板時股價已突破所有短期均線壓制；
3、第二個漲停板後，股價還有相當大的上漲空間；
結論：一旦股價在底部出現連續漲停現象，則可在第二個漲停板當天買入。
原理：股價從底部以漲停方式啟動，本身就說明走勢強勁；如果接連漲停，說明股價處於超級強勢階段，後市依然還有較大的慣性上漲空間，所以可以跟風買入。如果該股在漲停時，有震撼性題材配合，則後市高度更加廣闊
注意：出現底部連續漲停的股票，需要具備另外一些條件：要麼短線題材非常震撼，要麼板塊群體性攻擊上漲明顯，最好是盤子適中的板塊龍頭股。
說明：底部漲停買入法和底部連續漲停買入法的區別：
區別：1、前者底部漲停後，會出現強勢整理走勢；後者則為連續大幅拉升走勢；
2、前者底部漲停後，可能會演變成中線行情，後者則在短期內完成拉升行情；後者走勢比前者更凌厲。
共同：1、二者都是以底部漲停方式拉開上漲序幕；
2、二者多為中小市值個股；
二者本質上是相同的，只不過後者走勢更加強勢。
結論：一旦股票從底部出現漲停走勢，則需高度注意；一旦出現連續漲停走勢，則可大膽跟進，短線牛股就是它！
一般而言，有三種時機最容易出現這種短線超級牛股，一是突發性重大政策利好，催生板塊熱點，其中板塊性龍頭股會出現這種連續飆漲走勢；二是個股出現爆發性題材，則會短線飆升；三是每一次市場瘋狂下跌過後，會出現短線報復性反彈飆升牛股。這種牛股以中小市值股票為主。
九、判斷真假突破的原則
識別股價是中級行情開始啟動時的回調，還是反彈行情，最關鍵的就是看30日線走勢。如果30日線堅定向上，就是回調無疑。一旦縮量回調結束，重新放量啟動時，可第一時間跟進。
判斷真假突破的原則
趨向線的突破對買入、賣出時機等的選擇具有重要的分析意義，而且即使只市場的造市者往往也會根據趨勢線的變化採取市場運作；因此，搞清趨向線何時為之突破，是有效的突破還是非有效的突破，於投資者而言是至關重要的。事實上，股價在趨向線上下徘徊的情況常有發生，判斷的失誤意味著市場操作的失誤，以下提供一些判斷的方法和市場原則，但具體的情況仍要結合當時的市場情況進行具體的分析。收市價的突破是真正的突破 判斷突破的原則
A、發現突破後，多觀察一天
B、注意突破後兩天的高低價
C、參考成交量
D、側向運動
十、二次探底分時精確買入法 特徵：股價在前一次低點附近得到明顯支撐，不再創新低。
結論：一旦股價二次探底成功，則二次探底附近的價格即為精確買入點
原理：股價在空頭打壓下出現當天第一次低點，後在多頭反擊下逐步上漲；此時空頭再次打壓，但是無力再創出新低，說明這一次打壓空頭已經使出全部力氣，空頭在打壓至前一次低點附近時，已經是空頭當天的打壓力量極限。多頭已經探明空頭當天底細，因此加大反擊力度，股價隨之大幅上漲。
注意：1、二次探低形態時，股價相對於前一天收盤價來說，可以是上漲也可以是下跌
2、二次探底時股價不能低於前一次低點
此外，中小板和ST股票由於籌碼極度稀少，股價走勢連貫性差一些，因此可靠性要略微降低。主板股票由於籌碼豐富一些，出現二次成功探底走勢，可靠性要高很多。
二次探底分時精確買入法，本質上屬於低吸買入法。
二次探底可分為小二次探底和正常二次探底。如果在15分鍾內出現的二次探底為小二次探底。如果股價在分時圖上急跌，則小二次探底可靠性較高；對於股價正常調整走勢，正常二次探底則比較可靠。二次探底一般時間不超過一小時。
二次探底，第二次探底的股價不能低於前一次股價，最多是相同，哪怕下跌只超過1分錢，都可視作二次探底不成功。二次探底時股價略高於第一次探底時最好。
3. 大數據板塊概念股有哪些
大數據行業利好消息不斷，相關概念股成為市場焦點。分析認為，隨著互聯網的發展，海量數據連通變成現實，大數據行業將迎來爆發的高潮。相關提供IT基礎設施和應用解決方案、從事大數據採集和擁有數據資源的企業將獲得高速擴張的機遇，概念股有望成為市場上的「飛豬」。
大數據政策將密集出台
日前，工信部信息化和軟體服務業司司長陳偉表示，工信部支持大數據技術和產業創新發展，提升大產業支撐能力，培育新業態新模式。工信部除制定《大數據產業「十三五」發展規劃》外，還將出台促進大數據產業發展的推進計劃。
據介紹，工信部將組織實施「大數據關鍵技術及產品研發與產業化工程」，通過相關項目和資金引導支持關鍵技術產品研發及產業化，同時開發面向工業、電信、金融、交通、醫療等數據密集型行業的大數據應用解決方案。
其實，大數據產業近期可謂政策利好不斷。日前，國務院印發《促進大數據發展行動綱要》，提出未來5至10年我國大數據發展和應用應實現的目標，到2020年，我國將形成一批具有國際競爭力的大數據處理、分析、可視化軟體和硬體支撐平台等產品；並且培育10家國際領先的大數據核心龍頭企業，500家大數據應用、服務和產品製造企業。
事實上，自2014年3月「大數據」首次寫入《政府工作報告》以來，政府層面一直在推進大數據產業的建設，相應的配套政策也在相繼出爐。今年7月下發的《國務院關於積極推進「互聯網+」行動的指導意見》中，所涉及的11項重點行動幾乎全部提到對於大數據的應用，從根本上肯定了大數據在推動互聯網與實體經濟融合中的重要作用。
業內人士認為，大數據已經成為國家競爭力的重要體現，預計大數據行業的政策將會密集出台。不同於基礎軟體行業處於追逐國際主流趨勢，我國大數據產業在國際競爭中已嶄露頭角。「相關提供IT基礎設施和應用解決方案、從事大數據採集和擁有數據資源的企業，將獲得高速擴張的機遇。」
民生證券廣州營業部首席投顧趙金偉表示，從經濟發展階段來看，如果說第一階段是通過規模化生產來解決現實經濟的「供不應求」的狀況的話，中國經濟即將進入第二個發展階段亦即柔性化生產來解決當前經濟「供過於求」的問題，而柔性化生產的也就是去滿足客戶的個性化需求，使生產更具有針對性。而柔性化生產實現的基礎和前提就是要准確識別客戶需求，而實現這個功能最重要的就是「數據」，只有掌握足夠多的數據並進行相應的數據分析，才能生產出滿足客戶不同需求的產品，「數據就是財富」。
「大數據產業未來有望成為帶動經濟發展的主要引擎，其作用類似中國的房地產與汽車產業。」趙金偉指出，發展大數據第一離不開數據採集，數據採集必然將帶動電子相關行業軟硬體設備方面采購投入；數據分析必然會帶動雲計算、超級計算機伺服器方面使用；分析的數據將指導企業生產更具有針對性滿足客戶需求，更有效促進和帶動各個行業發展。
大數據產業將迎來黃金增長期
「數據已成為戰略性資源。誰擁有更多數據，誰就擁有未來。」分析人士指出。隨著中央不斷加大力度推動數據開放，大數據產業商機無限，相關概念股有望成為資本上市的「飛豬」。東吳證券認為，大數據產業化高速發展，數據安全上升到新的高度。隨著大數據的產業化發展，大數據從某種程度上已成為互聯網經濟的生產要素之一。
分析認為，在未來5到10年，大數據產業將迎來黃金增長期。根據國家金融信息中心指數研究院發布報告顯示，2016年我國大數據市場規模預計將達238億美元。貴陽大數據交易所總裁王叄壽是這次《綱要》的起草人之一。在他看來，《促進大數據發展行動綱要》的作用是要激活中國大數據的資產價值，未來我國大數據的市場規模將達到上萬億元。
「我們說大數據本身作為一種資產，它是無處不在的，但是，原來在沒有《大數據發展綱要》這樣一個頂層設計的時候，各級地方政府是沒有把政府手裡的數據資產激活的。政府手裡掌握著大量的數據資產、數據資源，一旦把這個價值釋放出來，我相信整個市場的規模會產生上萬個億，甚至成為繼互聯網以後最重要的一個產業。」王叄壽稱。
銀河證券分析師瀋海兵指出，行動綱要政策出台是一個重要的里程碑，大數據行業迎來加速發展期，相關基礎設施投資建設將迎來高潮。華創證券則認為，大數據領域政策頻出，擁有數據源及分析技術的公司得到難得的發展機遇，整個大數據板塊有望成為未來幾年的持續成長領域。
而對於大數據行業的投資機會，趙金偉建議可從以下思路角度參與：(一)大數據產業布局帶來的設備需求相關概念個股。大數據產業離不開超級伺服器、超級存儲設備等，這是大數據布局最先收益的行業。(二)行業內具有較好數據來源的上市公司。數據也有行業壁壘，對行業熟悉熟悉，行業數據來源廣泛，尤其與政府相關部門有較長合作時間的上市公司，有望在「數字政務」、「智慧城市」建設中受益。
個股方面，瀋海兵表示看好大數據在工業、醫療、行政、旅遊、交通、金融等各個行業垂直領域的應用，在政策和行業發展大趨勢雙重浪潮疊加之下，龍頭企業迎來最佳發展契機。重點推薦東方國信（300166 公告, 行情, 資訊, 財報）、拓爾思（300299 公告, 行情, 資訊, 財報）、東方通（300379 公告, 行情, 資訊, 財報）、浪潮信息（000977 公告, 行情, 資訊, 財報）、寶信軟體（600845 公告, 行情, 資訊, 財報）、易華錄（300212 公告, 行情, 資訊, 財報）、千方科技（002373 公告, 行情, 資訊, 財報）等個股。
安信證券建議重點關注，自身擁有大數據的公司：如科大訊飛（002230 公告, 行情, 資訊, 財報）、萬達信息（300168 公告, 行情, 資訊, 財報）、恆生電子（600570 公告, 行情,資訊, 財報）、四維圖新（002405 公告, 行情, 資訊, 財報）、用友網路（600588 公告, 行情, 資訊, 財報）、神州信息（000555 公告, 行情, 資訊, 財報）、千方科技等；以及為客戶提供大數據分析、運營、服務的公司：東方國信、東方網力（300367 公告, 行情, 資訊, 財報）、超圖軟體（300036 公告, 行情, 資訊, 財報）、啟明星辰（002439 公告, 行情, 資訊,財報）、東方通和拓爾思等。
個股點將台
東方國信
近日，東方國信公告中標中國電信集團大數據匯聚平台項目；加上此前中標聯通和移動的大數據集中項目，公司成為同時中標三家運營商大數據集中項目的公司。分析認為，東方國信成為行業內唯一一家幫助三大電信運營商實現大數據集中建設的大數據供應商，戰略意義重大。
「近年來，三大運營商都在積極布局大數據戰略，探索數據為中心的、集中化和一體化的」平台+應用「的模式，通過構建集團統一的、集中、開放的大數據平台，並在此平台上構建多樣化的應用，大數據平台成為轉型的核心。公司作為運營商大數據平台的重要建設者，在未來的應用探索上具備天然優勢，目前公司已經與運營商合作利用數據資源探索全新的大數據應用，落地值得期待。」安信證券報告稱。
據悉，東方國信是國內領先的BI應用軟體提供商，依託在電信行業商業智能領域的技術和產品積累，近年來一直持續高速增長，今年上半年實現營業收入和凈利潤分別同比增長35.51%和50.85%。安信證券認為，公司發展戰略非常清晰，通過內生外延相結合的方式拓展大數據在各行業的應用，國務院通過《關於促進大數據發展的行動綱要》，明確表明大數據時代已經到來，公司作為行業絕對龍頭將顯著受益。
易華錄
目前上市公司中唯一一家專注於提供城市智能交通整體解決方案的全國性企業。軟體研發和應用能力排名第一。分析認為，公司憑借央企的品牌與信譽基礎，長年為城市管理者提供信息化建設和維護，為政府部門進行城市管理、決策制定提供信息基礎支撐和服務。成為城市信息化服務的運營主體和城市生活公共服務的市場體，具有政府大數據運營的銜發優勢。
據悉，作為中國智能交通及城市的行業龍頭，易華錄通過政府數據開放及自身數據沉澱，做大數據運營，進而利用互聯網模式提供應用服務。目前正在全國跑馬圈地，智慧城市項目訂單收獲不斷。智能交通方面，綜合服務平台轉型C端，正背靠汽車後萬億藍海市場。電子車牌方面，公司已佔據數據入口，靜待政策紅利釋放，實現向車聯網的延伸。
國海證券指出，公司從工程項目型公司正堅定向著互聯網+政府大數據的運營型轉型，將政府數據移動互聯網化，構建生態體系，目標是做政府大數據的一級開發商。公司已經顯示出獲取項目建設權、數據獲取權的能力，後面將進入運營模式打造階段，發展前景看好。
四維圖新
四維圖新作為國內首家獲得導航電子地圖製作資質的企業，公司在國內率先從事導航電子地圖商業化開發。上半年公司採取一系列動作，包括對圖吧的控股、發布了趣駕2.0 車聯網整體解決方案；憑借騰訊的海量內容資源、四維在前裝市場絕對的領先優勢、圖吧等在消費端億級別的用戶基礎，公司已形成雲端基礎服務+2B+2C 的完整生態鏈布局。
「考慮到車聯網將成為市場規模超越移動互聯網的超級藍海，公司作為車聯網產業最核心受益標的，強烈看好公司成長為車聯網巨頭的潛力。」中信證券研報稱，上半年公司在車聯網產品和市場積極儲備，在前裝及後裝領域與國內外主流車廠大力推進合作，預計下半年公司車聯網業務即將爆發，趣駕用戶量有望實現百萬量級的井噴增長。
渤海證券指出，除進行產業鏈布局和生態構建外，公司還依託業務優勢積極進行流量變現，目前公司積極在UBI 車險、汽車後服務市場等領域進行商業模式探索，且已與多家保險公司進行深入交流，未來基於公司車聯網生態系統的流量變現可期。
千方科技
公司是國內唯一實現跨路面交通、民航、軌道交通做大交通數據採集與平台的公司。9 月2日公告，子公司北大千方以現金5000萬元收購冠華天視70%股權，搶占軌道交通數據端入口。業績方面，上半年公司實現營業收入和凈利潤分別同比增長20%和27%。此外，公同預計1-9月實現凈利潤2-2.3億元，同比增長29.14%-48.51%。
渤海證券認為，公司通過內生+外延方式布局立體化交通服務，包括地下軌道交通、地上路面交通及民航信息等交通數據服務，還包括電子車牌、電子公交站牌、智慧停車場等其他交通服務，業務涵蓋交通出行的各個領域，為C 端用戶提供全方位交通出行服務。公司已幾乎掌握全部C 端交通出行入口，未來依託交通出行這個高頻次、強需求入口的流量變現將大有可為。
「收購冠華進入軌交領域後，公司已經基本實現大交通數據採集布局。展望未來，公司有望大步邁向以運營制為主的大交通數據變現領域。商業模式變革意味著轉型，而外延是互聯網軟體行業實現持續成長的重要支撐。」國泰君安稱。公司近期收購12308 部分股權，積累300 萬實名活躍用戶，啟動了首次針對互聯網C 端領域的外延並購。變革大幕開啟下資本運作能力釋放，體外孵化注入和大額並購落地值得期待。站在當前時點，市場對於公司外延下轉型成功概率亟待重估。
4. 如何挖掘高成長性和業績高增長的股票
根據我國調查統計， 很多人投資都沒有關注該公司股票的財務會計報表，和公司業績，所該方面需要關注，未來成長體現在有成長股的特性，要求有行業發展潛力和競爭力，業績主要是看凈利潤和負債的比例，否則業績再好抵不過負債也是資不抵債的。
5. 確定股票投資者可獲得的現金流,估算這些現金流的可靠性如何
確定。圖片圖紙。這課獲得的金信金。留估算這些。現金留的可靠性熟。睡了。冶鐵是可靠吧，也挺靠譜。
6. 如何挖掘績優股
關鍵指標 1 ： ROE > 8%
ROE 是凈資產收益率，為股東賺到的錢。
做生意賺錢，天經地義，如果經營一家企業，ROE 連8 ％都達不到，那還需要投資嗎？不如選擇 其他更有前途的公司。
關鍵指標 2 ： 財報 3 率 皆 > 0
財報3率指的是毛利率、營業純益率、凈利率至少要> 0。一家賠錢的公司，看都不用看，直接刪除
關鍵指標 3 ： 至少 5 年有分紅派息
有些公司為了美化財報數字，可能會借錢 發現金股息，如果連續1 、2 年或許可以辦到，但連續5 年就不可能了。所以，觀察現金股息的發放，來檢視一家公司是否有充足的現金。
關鍵指標 4 ： 不投資新公司
至少要有8年財報數據。不投資新公司，因為新公司尚未接受市場的檢驗，不是過度高估，就是反映太冷過度低估，對他而言，假如想當個不看盤投資者，新股是不列入考慮范圍。
這些財報數字多數在公開的 財經 網站都查得到。
然而，經過以上簡單的財報選股法則，
就能從3400多家A，挑出剩下700家左右。
第 2 階段篩選：年報的會計師評語
如果年報的會計師審計報告，評語為 「無保留意見」、「修正式無保留意見」 者，表示財報數字可靠度較高。假若為 「保留意見」 與其他答案，就代表該財務資料連會計師都有疑慮。這種股票不考慮
列好清單，定期檢查
「做好這些功課後，就會納入自選股名單，製作Excel圖表，開始檢查個股動態。
財務數字不是天天變化，因此，當投資組合設定完成後，大多時間不需要特別盯盤，反而，可以花更多時間去做其他的投資功課。
上班族，可以趁著假日空閑時間，從財報選出績優好公司，長期持有，讓這些好企業替自己加薪。
如何尋找績優股？
每年年底，進入年報周期，公司能否取得一份漂亮的年報對股價影響較為重要，今天就主要跟大家講下如何通過基本面分析判斷公司整體業務能力，把握年報行情，避免踩雷。
那麼什麼是績優股呢？
對於績優股，並無統一的評價標准。一般來說，衡量績優股的主要指標是每股稅後利潤和凈資產收益率。一般而言，每股稅後利潤在0.50元以上；凈資產收益率在20%以上；市盈率在20倍以下。這幾種標准都有各自的道理，但未免略顯膚淺，考察一個上市公司的業績如何，應當綜合各個方面的情況，除上述幾點外還應從以下四個方面研究：
1、財務狀況
一個公司的財務狀況主要涉及資本結構、償債能力、盈利能力等幾方面。可以結合來綜合判斷財務狀況！
一個出色的公司，至少有穩定的盈利能力，從上圖中我們不難發現，該公司2018前三季度凈利潤211億，2017年全年224億，如果四季度業績不出現大幅下滑，該公司全年凈利潤應當是依然保持增長，但是從增速來看，17年相較於16年增速提升較為明顯，但是從18年三季度來推測全年增長與17年全年相比，可以看出增速有所放緩。這個時候我們就要想，這個增速放緩是什麼原因造成的，短期能否扭轉？如果能短期扭轉，那麼對我們來說，這種就是好公司，值得長期持股。
對於經營狀況分析較為簡單。主要是通過主營業務來判斷公司處於哪個行業，然後結合當下行業發展狀況來分析業務的持續性和前景；通過在國內外資產分布來判斷受哪些因素影響較大，比如外銷佔比大的，受貿易戰、匯率影響就較大。
一個業績好的公司必定有一個高水平的領導班子，有科學嚴謹的工作作風和管理辦法，同樣在同行業有較強競爭力。同時我們也能通過行業對比來確定公司處於行業的什麼位置，通常龍頭企業經營能力強，抗風險能力突出。
這個就很直觀可以看出，一個業績好的公司每年都會給股東以優厚的回報，比如大比例送紅股和派高額現金紅利。
績優股為什麼受追捧呢？
從理論上講，買股票是為該上市公司出資，出資的目的明顯是獲取投資收益，而上市公司向股東提供投資回報的高低只能從其業績(更直接地說是利潤)狀況來反映，業績好說明其為股東提供的回報高，業績差說明回報低，虧損說明投資者不僅得不到回報，還要用本錢去還債。因此，績優股當然受市場歡迎。
對於目前的市場來說，白馬股在經過2018年的深度回調之後，很多個股估值已經回到合理區間，在加上年底本身就是消費旺季，外資持續抄底形成資金支撐，無論是短期還是長期均具備一定的投資價值，但投資者們需要警惕「偽白馬」，精選績優股！
比較常規獲取個股業績的方式有：
1 通過機構研報獲取，新聞、公告等獲取。這是最常規業績消息獲取方式。這類獲取方式的缺點是信息量大，可篩選性弱，最重要還是，相對滯後！
2 通過互動平台關注。軟體上有個提供股友和公司互動平台，當網友提出問題時候，公司（董秘）一般會做出回應，有些就包括有價值信息，也包括業績預好的消息。這樣的消息獲取方式，相對及時。
3大部分看盤軟體上有一個概念板塊，就做業績預增（或預升）板塊。 利用該概念板塊，可以高效知曉哪些個股業績預增。
關於績優股，並不能盲目信賴。主要是：對於大眾股民來說，獲取消息先前性是硬傷。真正的挖掘績優股，是在業績還遠未公布之前就知曉，尤其對於專業投資機構來說。當大眾都知道績優時，可能已經是後手了；績優，也要得到市場資金認可，沒能得到市場資金認可，股價上漲也就無從談起。業績暴增，股價反而跌的，也是屢見不鮮的。
前面已經有大哥寫了優質答案，我就補充點別的。因為我們挖掘績優股都是想要賺到主升浪。那麼什麼樣的績優股相對漲幅能夠更高呢？
這里引用的是歐奈爾對每股的研究，根據歐奈爾對那些成功股票的研究結果以及其多年投資經驗，發現其中漲速最兇猛的股票中有¾是成長股。在股價創出驚人漲幅前3年，這些公司的每股收益年增速平均都不低於百分之三十。因此，請講注意力放在過去3年每股收益年增速在30％以上的股票。銷售額要麼在過去幾個季度中持續增長，要麼必須較上一年同期增長了25％以上。歐奈爾還傾向於選擇根據近期銷售額、每股收益增速、毛利率及ROE等來看在某些特定領域拔得頭籌的公司。大多數大牛股的ROE不低於20％。
（歐奈爾的標準是每股年收益增速在30％以上、ROE在17％以上）
當然，這些數據一是取自美國股市，並且，用這種方法嚴格選出來的都是大牛。然而尷尬的是，你拿選股器一選，就發現這些股票已經漲了蠻多了。畢竟業績報表散戶是最後看到的，其他資金早就進場了。但是這種方法也算是可取的。
績優股是白馬股產生的溫床，觀察和發掘績優股可以對個股甄別有用處。那麼如何挖掘績優股呢？
1.在老票里選擇，看歷年的分紅和財務指標。大家對於績優股的三高都很認同。每股收益高，凈資產收益率高，每股公積金及未分配利潤高是成為白馬股的前提。至於分紅大部分的股民是不削一顧的，口徑幾乎一致：一個漲停什麼都回來了。但是歷年的分紅才是白馬股吸引長線資金的根本，歷年分紅說明可分配利潤的持續性，這樣的企業才能在未來的年限里賺更多的錢，基金才能把他們納為標的。只有老票中沉澱下來的股票才有可能成為白馬股。
2.在新票里選擇，行業壁壘才決定估值。這樣的績優股一般是用估值去判斷的，新股上市時間短，並且不確定性高，只有行業壁壘才能決定在市場中壟斷性有多強。這樣的估值才是可以預期的，而不是投機性的做大了再說的亂估值。這樣的新股也是要強調分紅的連續性的，只有分紅連續性才能給予投資者信心。
績優股是成為白馬股的前提，但是這是一個預期，就如學習好的孩子一定會找到好工作一樣額預期。白馬股是定性，在好的企業上班一定會有好福利一樣。所以不是績優股就一定值得投資，但是白馬股在股票市場低估時是值得投資的。
7. 什麼是數據挖掘
數據挖掘是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘流程：
定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
數據准備：數據准備包括：選擇數據–在大型資料庫和數據倉庫目標中 提取數據挖掘的目標數據集;數據預處理–進行數據再加工，包括檢查數據的完整性及數據的一致性、去雜訊，填補丟失的域，刪除無效數據等。
數據挖掘：根據數據功能的類型和和數據的特點選擇相應的演算法，在凈化和轉換過的數據集上進行數據挖掘。
結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
8. 誰有金融數據挖掘，關聯規則分析與挖掘的一些介紹啊
雨林演算法的數據結構：
AVC-set:節點n包含的所有紀錄在某個屬性上的投影，其中該AVC-set包括了屬性的不同值在每個類別上的計數。
AVC-group:一個節點n上所有的AVC -set的集合
AVC-set的所佔內存的大小正比於對應屬性的不同值個數，AVC-group並不是資料庫信息的簡單的壓縮，它只是提供了建立決策樹需要的信息， AVC-group所佔用的內存空間遠遠小於資料庫所實際佔用的空間。
一般設計方案：
AVC_set
{
//存儲屬性的各個值
DistinctValue[]
//存儲屬性各個值在某個類上對應的計數
DistinctValueCountForClassA[]
DistinctValueCountForClassB[]
… …
}
AVC_group
{
//節點n中的每個屬性的avc_set
AVC_set[]
}
自頂向下決策樹演算法
BuildTree(Node m,datapatition D,algorithm decisionTree)
對D使用決策樹演算法decisionTree得到分裂指標crit(n)
令k為節點n的子節點個數
if(k>0)
建立n的k個子節點c1,…,ck
使用最佳分割將D分裂為D1,…,Dk
for(i=1;i<=k;i++)
BuildTree(ci,Di)
endfor
endif
RainForest 演算法框架重新定義的部分：
1a) for 每一個屬性的謂詞p,尋找最佳的分割
1b) decisionTree.find_best_partitioning(AVC-set of p)
1c) endfor
2a) k= decisionTree.decide_splitting_criterion();//決定最終的分割
雨林演算法的常規過程：
建立節點的AVC-group
(通過讀取整個原始資料庫或者某個分支的資料庫表或文件)
選擇分裂屬性和分裂標准：取決於使用雨林演算法框架的具體演算法，通過逐一檢查AVC-set來選擇。
將數據分解到各個子節點：必須讀取整個數據集(資料庫或文件)，將各條數據分解到各個子節點中，此時如果有足夠的內存，我們將建立一個或多個子節點的AVC-group
參考資料：李岱 rainforest.ppt 什麼是數據挖掘
數據挖掘(Data Mining)，又稱為資料庫中的知識發現(Knowledge Discovery in Database, KDD)，就是從大量數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程，簡單的說，數據挖掘就是從大量數據中提取或「挖掘」知識。
並非所有的信息發現任務都被視為數據挖掘。例如，使用資料庫管理系統查找個別的記錄，或通過網際網路的搜索引擎查找特定的Web頁面，則是信息檢索（information retrieval）領域的任務。雖然這些任務是重要的，可能涉及使用復雜的演算法和數據結構，但是它們主要依賴傳統的計算機科學技術和數據的明顯特徵來創建索引結構，從而有效地組織和檢索信息。盡管如此，數據挖掘技術也已用來增強信息檢索系統的能力。
編輯本段數據挖掘的起源
為迎接前一節中的這些挑戰，來自不同學科的研究者匯集到一起，開始著手開發可以處理不同數據類型的更有效的、可伸縮的工具。這些工作建立在研究者先前使用的方法學和演算法之上，在數據挖掘領域達到高潮。特別地是，數據挖掘利用了來自如下一些領域的思想：(1) 來自統計學的抽樣、估計和假設檢驗，(2) 人工智慧、模式識別和機器學習的搜索演算法、建模技術和學習理論。數據挖掘也迅速地接納了來自其他領域的思想，這些領域包括最優化、進化計算、資訊理論、信號處理、可視化和信息檢索。
一些其他領域也起到重要的支撐作用。特別地，需要資料庫系統提供有效的存儲、索引和查詢處理支持。源於高性能（並行）計算的技術在處理海量數據集方面常常是重要的。分布式技術也能幫助處理海量數據，並且當數據不能集中到一起處理時更是至關重要。
編輯本段數據挖掘能做什麼
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）
· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
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。
編輯本段數據挖掘中的關聯規則上面演算法講的很清楚了，我來舉個例子：
Training data：
Id age income class
1 young 65 G
2 young 15 B
3 young 75 G
4 senior 40 B
5 senior 100 G
6 senior 60 G
AVC set „age「 for N1：
value class count
young B 1
young G 2
senior B 1
senior G 2
AVC set „income「 for N1：
value class count
15 B 1
40 B 1
60 G 1
65 G 1
75 G 1
100 G 1
AVC set „income「 for N2：
value class count
15 B 1
65 G 1
75 G 1
AVC set „age「 for N2:
value class count
young B 1
young G 2
最後推出雨林： N1
age=young / \ age=senior
/ \
N2 N3
最後提醒一點，對於雨林演算法，訓練樣本集不要大於3百萬。否則改用SPRINT。
1.什麼是關聯規則
在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事： "尿布與啤酒"的故事。
在一家超市裡，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是："跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在"尿布與啤酒"背後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
按常規思維，尿布與啤酒風馬牛不相及，若不是藉助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易資料庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的演算法進行優化，如引入隨機采樣、並行的思想等，以提高演算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則{A,B}稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。演算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然數值型關聯規則中也可以包含種類變數。例如：性別=「女」=>職業=「秘書」 ，是布爾型關聯規則；性別=「女」=>avg（收入）=2300，涉及的收入是數值類型，所以是一個數值型關聯規則。
2.基於規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。
在單層的關聯規則中，所有的變數都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM台式機=>Sony列印機，是一個細節數據上的單層關聯規則；台式機=>Sony列印機，是一個較高層次和細節層次之間的多層關聯規則。
3.基於規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。
在單維的關聯規則中，我們只涉及到數據的一個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另一句話，單維關聯規則是處理單個屬性中的一些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=「女」=>職業=「秘書」，這條規則就涉及到兩個欄位的信息，是兩個維上的一條關聯規則。
2.3關聯規則挖掘的相關演算法
1.Apriori演算法：使用候選項集找頻繁項集
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
該演算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度一樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里採用的是中規則的定義。一旦這些規則被生成，那麼只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。
可能產生大量的候選集,以及可能需要重復掃描資料庫，是Apriori演算法的兩大缺點。
2.基於劃分的演算法
Savasere等設計了一個基於劃分的演算法。這個演算法先把資料庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊並對它生成所有的頻集，然後把產生的頻集合並，用來生成所有可能的頻集，最後計算這些項集的支持度。這里分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描一次。而演算法的正確性是由每一個可能的頻集至少在某一個分塊中是頻集保證的。該演算法是可以高度並行的，可以把每一分塊分別分配給某一個處理器生成頻集。產生頻集的每一個循環結束後，處理器之間進行通信來產生全局的候選k-項集。通常這里的通信過程是演算法執行時間的主要瓶頸；而另一方面，每個獨立的處理器生成頻集的時間也是一個瓶頸。
3.FP-樹頻集演算法
針對Apriori演算法的固有缺陷，J. Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集演算法。採用分而治之的策略，在經過第一遍掃描之後，把資料庫中的頻集壓縮進一棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨後再將FP-tree分化成一些條件庫，每個庫和一個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得一個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori演算法有巨大的提高。
3.該領域在國內外的應用
3．1關聯規則發掘技術在國內外的應用
就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果資料庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了一棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要一個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，資料庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什麼產品感興趣。
同時，一些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然後設置用戶有意要一起購買的捆綁包。也有一些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外一種商品的廣告。
但是目前在我國，「數據海量，信息缺乏」是商業銀行在數據大集中之後普遍所面對的尷尬。目前金融業實施的大多數資料庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特徵，然後可能發現某個客戶、消費群體或組織的金融和商業興趣，並可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用並不是很廣泛深入。
3．2近年來關聯規則發掘技術的一些研究
由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘演算法效率和規則興趣性。
編輯本段數據挖掘技術實現
在技術上可以根據它的工作過程分為：數據的抽取、數據的存儲和管理、數據的展現等關鍵技術。
·數據的抽取
數據的抽取是數據進入倉庫的入口。由於數據倉庫是一個獨立的數據環境，它需要通過抽取過程將數據從聯機事務處理系統、外部數據源、離線的數據存儲介質中導入數據倉庫。數據抽取在技術上主要涉及互連、復制、增量、轉換、調度和監控等幾個方面的處理。在數據抽取方面，未來的技術發展將集中在系統功能集成化方面，以適應數據倉庫本身或數據源的變化，使系統更便於管理和維護。
·數據的存儲和管理
數據倉庫的組織管理方式決定了它有別於傳統資料庫的特性，也決定了其對外部數據的表現形式。數據倉庫管理所涉及的數據量比傳統事務處理大得多，且隨時間的推移而快速累積。在數據倉庫的數據存儲和管理中需要解決的是如何管理大量的數據、如何並行處理大量的數據、如何優化查詢等。目前，許多資料庫廠家提供的技術解決方案是擴展關系型資料庫的功能，將普通關系資料庫改造成適合擔當數據倉庫的伺服器。
·數據的展現
在數據展現方面主要的方式有：
查詢：實現預定義查詢、動態查詢、OLAP查詢與決策支持智能查詢；報表：產生關系數據表格、復雜表格、OLAP表格、報告以及各種綜合報表；可視化：用易於理解的點線圖、直方圖、餅圖、網狀圖、互動式可視化、動態模擬、計算機動畫技術表現復雜數據及其相互關系；統計：進行平均值、最大值、最小值、期望、方差、匯總、排序等各種統計分析；挖掘：利用數據挖掘等方法，從數據中得到關於數據關系和模式的知識。
編輯本段數據挖掘與數據倉庫融合發展
數據挖掘和數據倉庫的協同工作，一方面，可以迎合和簡化數據挖掘過程中的重要步驟，提高數據挖掘的效率和能力，確保數據挖掘中數據來源的廣泛性和完整性。另一方面，數據挖掘技術已經成為數據倉庫應用中極為重要和相對獨立的方面和工具。
數據挖掘和數據倉庫是融合與互動發展的，其學術研究價值和應用研究前景將是令人振奮的。它是數據挖掘專家、數據倉庫技術人員和行業專家共同努力的成果，更是廣大渴望從資料庫「奴隸」到資料庫「主人」轉變的企業最終用戶的通途。
統計學與數據挖掘
統計學和數據挖掘有著共同的目標：發現數據中的結構。事實上，由於它們的目標相似，一些人（尤其是統計學家）認為數據挖掘是統計學的分支。這是一個不切合實際的看法。因為數據挖掘還應用了其它領域的思想、工具和方法，尤其是計算機學科，例如資料庫技術和機器學習，而且它所關注的某些領域和統計學家所關注的有很大不同。
1．統計學的性質
試圖為統計學下一個太寬泛的定義是沒有意義的。盡管可能做到，但會引來很多異議。相反，我要關注統計學不同於數據挖掘的特性。
差異之一同上節中最後一段提到的相關，即統計學是一門比較保守的學科，目前有一種趨勢是越來越精確。當然，這本身並不是壞事，只有越精確才能避免錯誤，發現真理。但是如果過度的話則是有害的。這個保守的觀點源於統計學是數學的分支這樣一個看法，我是不同意這個觀點的,盡管統計學確實以數學為基礎（正如物理和工程也以數學為基礎，但沒有被認為是數學的分支），但它同其它學科還有緊密的聯系。
數學背景和追求精確加強了這樣一個趨勢：在採用一個方法之前先要證明，而不是象計算機 這
9. 數據挖掘是什麼
數據挖掘(Data Mining)是採用數學的、統計的、人工智慧和神經網路等領域的科學方法，如記憶推理、聚類分析、關聯分析、決策樹、神經網路、基因演算法等技術，從大量數據中挖掘出隱含的、先前未知的、對決策有潛在價值的關系、模式和趨勢,並用這些知識和規則建立用於決策支持的模型，提供預測性決策支持的方法、工具和過程。
數據挖掘綜合了各個學科技術，有很多的功能，當前的主要功能如下：
(1)、分類：按照分析對象的屬性、特徵，建立不同的組類來描述事物。
(2)、聚類：識別出分析對內在的規則，按照這些規則把對象分成若干類。
(3)、關聯規則：關聯是某種事物發生時其他事物會發生的這樣一種聯系。
(4)、預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
(5)、偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。
關於數據挖掘的相關學習，推薦CDA數據分析師的課程，課程以項目調動學員數據挖掘實用能力的場景式教學為主，在講師設計的業務場景下由講師不斷提出業務問題，再由學員循序漸進思考並操作解決問題的過程中，幫助學員掌握真正過硬的解決業務問題的數據挖掘能力。這種教學方式能夠引發學員的獨立思考及主觀能動性，學員掌握的技能知識可以快速轉化為自身能夠靈活應用的技能，在面對不同場景時能夠自由發揮點擊預約免費試聽課。
10. 中小企業需要數據挖掘嗎
其實不同的企業信息化程度並不一致，中小企業也可根據自身信息化的狀況，選擇合適的BI軟體。 BI軟體一直處於高端價位，提供給信息化「貴族」使用。而中、低端客戶，希望花上幾十萬就可以上一套BI系統。由於BI軟體的價格昂貴，人們一直認為中小企業中用不起BI系統，也不需要BI系統。其實不同的企業信息化程度並不一致，中小企業也可根據自身信息化的狀況，選擇合適的BI軟體。事實上，正是因為中小企業規模小，生存的壓力才更大，更需要時刻關注企業的經營數據，所以，中小企業比大企業更需要數據挖掘。最近這幾年，商業智能市場很熱鬧，不過主要還是基於信息化程度比較好的大型行業，如金融、電信等。但近一段時間來，一些中小企業在信息化的應用上也在升溫，尤其是像製造和零售業等，這些行業已經大范圍地部署了ERP、CRM等系統，系統讓企業擁有了很大的數據量，而如何能夠有效地利用和整合這些數據已經成為擺在CIO面前的難題。根據Gartner分析，隨著中小企業對ERP、CRM系統的部署，積累了大量的材料和數據，它們希望有很好的工具來利用這些數據做出更好的決策，所以BI成為中小企業最關心的技術。「可以預期的是，使用商務智能的中小企業將不斷增加。」IDC經過調查也發現，中小企業在使用商務智能方面的增長速度要比大企業高出30%。Gartner的調查報告還顯示，中小企業BI市場是一個21億美元的市場，年增長率達到了12.5%，在59億美元的BI市場中佔有35%的份額，而增長速度超過大型企業BI市場增長速度的5%。在用戶選型方面，隨著中國商業智能市場逐步走向成熟，用戶日趨理性，在商業智能選型時比以往更加慎重。大企業選型時會綜合考慮廠商品牌、產品價格、功能模塊、售後服務、可擴展性等，並且往往選擇外企知名廠商，對價格考慮較少。而與大企業不同的是，中小企業會更加關注商業智能能否與現有的ERP軟體集成，價格是否在可接受的范圍內，BI業務模型是否符合企業自身狀況，BI解決方案是否真正適合企業業務和發展，是否真正能夠滿足企業現階段和未來的潛在需求，從而提高企業決策的准確性。中小企業需要的BI產品是只要經過簡單的安裝配置，即可自動識別ERP的版本，就像能把其他系統的數據自動分門別類導入BI系統中，甚至是access和excel的數據也能自動導入系統。同時如果企業有一些個性的分析要求，還可以自己通過簡單的設置，就完成修改。其實在價格方面，無論是國際BI廠商還是國內BI企業都針對高、中、低端用戶推出不同的價格策略，總體價位呈現下降趨勢。有廠商就推出了專門針對中型企業的商業智能解決方案，而這類產品不需要企業有像ERP這樣的系統，只要電子表格就可以部署。商業智能的核心在於數據挖掘，數據是數據挖掘應用的依據，那麼中小企業需要具備什麼基礎才能應用數據挖掘技術呢?理想的情況是這樣，建立一個數據倉庫，裡面保存好所有客戶的數據，以及市場競爭對手的相關數據。如果數據倉庫還沒有建起來就直接上數據挖掘應用，結果很可能中途夭折，因為數據挖掘前期幾乎80%的工作都是在准備數據。專家認為，即便在大型企業，由於數據搜集起步普遍比較晚，數據可得性和完備性都不高。很多行業的生產、財務、銷售等敏感數據，由於用戶的選擇性輸入或漏輸、錯輸，難以為數據挖掘工具所用。中小企業則更需要多加註意。BI的新方向Web服務的普及、標準的廣泛使用、更通用的API以及SOA等概念的出現，將幫助BI技術被應用於更多的操作系統。而這些新方法還有助於在企業中整合BI工具，讓構建一種用於典型流程的通用分析引擎成為可能。未來企業應該尋找幫助理解文本數據和其他資料庫之外信息的搜索與非結構化分析工具。這類工具將可以利用定性分析加強BI的定量分析能力。