1. 挖掘机概念股票有哪些
挖掘机概念股龙头一览
18日从工信部获悉，据中国工程机械工业协会挖掘机分会行业统计，2017年1-9月纳入统计的25家挖掘机主机制造企业，共计销售各类挖掘机械产品10.19万台，同比增长一倍。国内市场销量9.53万台，同比增长109.5%;出口销量6607台，同比增长22.5%。9月，共计销售各类挖掘机械产品1.05万台，同比增长92.3%。其中，国内市场销量9525台，同比增长96.1%;出口销量966台，同比增长60.2%。
中泰证券认为，挖掘机龙头2018-2019年持续向好。(1)2017年第4季度挖掘机行业销售将保持较为旺盛的状况;(2)短期来看，三季度报告将显示挖掘机龙头公司盈利能力上升;(3)中长期来看，挖掘机行业龙头2018-2019年业绩将持续向好。
民生证券表示，9月份对机械行业中报梳理的结论是行业利润已全面复苏，宏观上1-8月份新增固定资产投资完成额累计同比增长18.90%，同时也看到钢铁供需两旺以及重卡销售数据不断超预测，都验证了需求端的持续好转。需求端旺盛的情况下，存量挖机存在更新需求，同时结构升级也在进行，海外出口也贡献一定增幅。
概念股解析：
三一重工(7.94 +0.38%,诊股)：2013年三一重工实现挖掘机销量15，682
台，市场份额达13.7%，处于绝对领先地位。这一点从8月份的挖掘机销售数量上也可以看出来。数据显示，今年8月，三一挖掘机实现了今年以来的最高市场
份额，市场占有率扩至16.7%，继续居行业第一。而且，根据三一重工半年报显示，该公司的挖掘机毛利率同比上升了3.9
个百分点至37.0%，中金公司将其归因于原材料成本下降。
山推股份(5.68 +0.00%,诊股)：主要从事推土机、推耙机、挖掘机、铲运机及矿山机械的开发、制造、销售;主机附属装置、农机具、工矿配件的销售;矿山机械修理。
柳工(9.14 -0.87%,诊股)：据2014半年报，上半年，柳工中大吨位装载机继续领跑行业，保持了市场占有率第一的地位;挖掘机在行业整体下滑10%的情况下逆势增长17%，增速全行业第一。
山河智能(8.64 -0.46%,诊股)：山河智能自2006年开始对挖掘机节能技术的研究，结合多项国家863与科技支撑项目，先后完成节能挖掘机系列产品的开发。
中联重科(4.65 -0.64%,诊股)：公司持续在海外市场发力，在2014上半年成功交付伊朗市场180台土方机械的基础上，日前再次向伊朗市场交付大批中大型挖掘机。
2. 新手如何利用统计数据选股做短线。
股票在处于上涨阶段，提供的获利机会最多最稳定。
一、底部中线买入法
特征：1、30日线由下跌开始走平并转为翘头向上；
2、股价在底部有过一次连续放量上涨过程；
3、目前处于缩量回调或强势横盘整理状态；
结论：一旦股价缩量回调至30日线附近，再次放量上涨时，即可大胆果断买入，后市必然会出现一次涨幅较大的中线上涨行情
原理：1、30日线由下跌转为走平过程中，表明有资金在逢低承接，股价下跌动能彻底消
2、30日线由下跌开始转向翘头向上，表明个股已初步进入上涨阶段（即股票开始进入到运行趋势图中的B阶段）
3、底部出现放量上涨，说明主力已经开始再次启动中级上涨行情，快速脱离建仓成本区，并坚决承接启动之初的市场抛盘。
4、缩量回调（缩量横盘整理）表明主力在实施中线拉升前的最后一次震仓洗盘基本结束。
结论：一旦底部出现接近30日线的极度缩量十字星K线走势，在再度放量上涨时，就是中线最佳黄金买入点。
底部中线买入法，记住"底部"二个字！
二、顶部中线买入法
特征：1、30日线在顶部由基本走平开始转为翘头向上；
2、股价在前期高点附近或创新高后进行强势洗盘整理；
3、洗盘整理时成交量逐步缩小；
结论：一旦股价缩量回调至10日线附近，即可买入，后市很可能出现一次涨幅较大的中线上涨行情
原理：1、30日线在顶部长期基本走平而不回落，说明主力资金没有大规模出货，或者有资金在暗中护盘；
2、30日线由基本走平开始翘头向上，说明主力在顶部长期盘整后准备发动新的上升行情；
3、股价创新高，主力大胆解放前期高位长期套牢盘，说明主力未来目标价位更高远；
4、股价创新高后缩量洗盘整理，说明主力既想洗盘又不想股价下跌，以免散户低位拣便宜筹码。
结论：一旦出现接近10/20日线的极度缩量十字星K线走势，就是顶部中线最佳介入点。
三、多周期共振中线买入法 特征：1、五周线上穿10周线；
2、成交量指标金叉；
3、MACD指标金叉；
4、KDJ指标金叉。
结论：一旦股票周K线图出现四种指标共振金叉，即为中线买入点。
原理：5周线金叉10周线，说明股价有中线继续上涨动能，成交量金叉，说明在股价上涨是资金主动性买入所致；周线MACD金叉，说明中线继续向好；周线KDJ金叉，说明中线上涨行情出现买入点。
注意：在使用这种方法时，建议采用复权方式(可前复权，也可后复权)，复权后效果最接近股价运行实际。
特别提示：本方法对于卖出法的选择同样适用，方法是多周期死叉
注意：在使用这种方法时，建议采用复权方式(可前复权，也可后复权)，复权后效果最接近股价运行实际。
特别提示：本方法对于卖出法的选择同样适用，方法是多周期死叉
四、回调波段操作买入法 特征：1、5日线下穿10日线；
2、股价缓慢回落，K线逐渐萎缩至十字星走势；
3、十字星K线在30日线附近基本启稳；
4、成交量相应萎缩；
结论：一旦股价在30日线附近企稳，并出现阳包阴放量上涨时，即是回调波段操作最佳买入点。
原理：股价从底部启动，主力已经明确展开上升行情，在经过第一波拉升后，已经引起市场注意，主力为了减少跟风盘，将股价主动回调，一方面清洗跟风盘，一方面做出反弹结束的假相，诱使前期套牢盘斩仓出局。一旦股价出现放量阳包阴走势，说明洗盘已经结束，股价将展开新的上涨走势
提示：由于回调波段形态属于深度洗盘技术形态，因此，回调波段形态大多数处于中线行情启动初期。对于中线行情中后期出现的回调波段整理形态，失败的可能性大为提高，此时谨慎参与！
识别股价是中级行情开始启动时的回调，还是反弹行情，最关键的就是看30日线走势。如果30日线坚定向上，就是回调无疑。一旦缩量回调结束，重新放量启动时，可第一时间跟进。
五、整理形态波段买入法 特征：1、5日线基本向上；
2、K线短暂整理并逐渐萎缩；
3、成交量逐渐萎缩；
4、整理时间一般为五个交易日；
5、股价在第六个交易日再次放量启动；
结论：一旦股价在第六个交易日放量启动，则为整理形态波段买入点。
说明：这种短暂整理形态的特点，是整理时间一般为五天。这种整理形态有点象平台整理形态，但是它整理的时间要短，因为其整理时间一般为五个交易日。
提示：整理形态一般出现在中线行情中后期。除非是出现在底部启动初期的整理形态，否则整理形态波段上涨空间比较有限。
为什么要强调这种整理形态的时间呢？因为在五日均线之上的整理形态，是不容许天数过长的。因为整理时间超过五天以上，那么股价就会压迫均线走平，继而压弯五日均线。而五日均线一旦走平，就属于平台突破波段操作范畴了
六、三线交叉底部短线买入法 特征：1、30日线由下跌状态开始逐渐走平；
2、5日线、20日线在底部向上交叉30日线；
3、股价在三线交叉日放量向上突破
结论：一旦30日线即将走平，5日线、20日线由下向上金叉30日线，股价放量向上突破时，即为短线买入点。
原理：5日线、20日线和30日线交叉，说明目前市场上所有的投资者持股成本基本一致；30日线开始走平，说明中线面临方向选择；股价放量向上突破，表明市场力量决定向上做盘意愿。因此短线可以介入
七、底部涨停短线买入法 特征：1、股价在底部出现第一次涨停；
2、成交量同步放大
结论：一旦股价在底部出现第一次放量涨停，则短线即可在涨停板买入。
原理：股价以涨停方式从底部启动，表明主力向上做盘态度坚决。因此，可在涨停当天坚定跟风短线买入。
注意：1、底部第一次涨停时，如果30日线已经走平，股价在涨停时突破所有短线均线最好；
2、如果股票涨停时，再出现热门题材配合，或者出现板块性上涨，则后市爆发力则更强劲。
八、底部连续涨停短线买入法 特征： 1、股价从底部启动时，以连续涨停的方式展开；
2、第二个涨停板时股价已突破所有短期均线压制；
3、第二个涨停板后，股价还有相当大的上涨空间；
结论：一旦股价在底部出现连续涨停现象，则可在第二个涨停板当天买入。
原理：股价从底部以涨停方式启动，本身就说明走势强劲；如果接连涨停，说明股价处于超级强势阶段，后市依然还有较大的惯性上涨空间，所以可以跟风买入。如果该股在涨停时，有震撼性题材配合，则后市高度更加广阔
注意：出现底部连续涨停的股票，需要具备另外一些条件：要么短线题材非常震撼，要么板块群体性攻击上涨明显，最好是盘子适中的板块龙头股。
说明：底部涨停买入法和底部连续涨停买入法的区别：
区别：1、前者底部涨停后，会出现强势整理走势；后者则为连续大幅拉升走势；
2、前者底部涨停后，可能会演变成中线行情，后者则在短期内完成拉升行情；后者走势比前者更凌厉。
共同：1、二者都是以底部涨停方式拉开上涨序幕；
2、二者多为中小市值个股；
二者本质上是相同的，只不过后者走势更加强势。
结论：一旦股票从底部出现涨停走势，则需高度注意；一旦出现连续涨停走势，则可大胆跟进，短线牛股就是它！
一般而言，有三种时机最容易出现这种短线超级牛股，一是突发性重大政策利好，催生板块热点，其中板块性龙头股会出现这种连续飙涨走势；二是个股出现爆发性题材，则会短线飙升；三是每一次市场疯狂下跌过后，会出现短线报复性反弹飙升牛股。这种牛股以中小市值股票为主。
九、判断真假突破的原则
识别股价是中级行情开始启动时的回调，还是反弹行情，最关键的就是看30日线走势。如果30日线坚定向上，就是回调无疑。一旦缩量回调结束，重新放量启动时，可第一时间跟进。
判断真假突破的原则
趋向线的突破对买入、卖出时机等的选择具有重要的分析意义，而且即使只市场的造市者往往也会根据趋势线的变化采取市场运作；因此，搞清趋向线何时为之突破，是有效的突破还是非有效的突破，于投资者而言是至关重要的。事实上，股价在趋向线上下徘徊的情况常有发生，判断的失误意味着市场操作的失误，以下提供一些判断的方法和市场原则，但具体的情况仍要结合当时的市场情况进行具体的分析。收市价的突破是真正的突破 判断突破的原则
A、发现突破后，多观察一天
B、注意突破后两天的高低价
C、参考成交量
D、侧向运动
十、二次探底分时精确买入法 特征：股价在前一次低点附近得到明显支撑，不再创新低。
结论：一旦股价二次探底成功，则二次探底附近的价格即为精确买入点
原理：股价在空头打压下出现当天第一次低点，后在多头反击下逐步上涨；此时空头再次打压，但是无力再创出新低，说明这一次打压空头已经使出全部力气，空头在打压至前一次低点附近时，已经是空头当天的打压力量极限。多头已经探明空头当天底细，因此加大反击力度，股价随之大幅上涨。
注意：1、二次探低形态时，股价相对于前一天收盘价来说，可以是上涨也可以是下跌
2、二次探底时股价不能低于前一次低点
此外，中小板和ST股票由于筹码极度稀少，股价走势连贯性差一些，因此可靠性要略微降低。主板股票由于筹码丰富一些，出现二次成功探底走势，可靠性要高很多。
二次探底分时精确买入法，本质上属于低吸买入法。
二次探底可分为小二次探底和正常二次探底。如果在15分钟内出现的二次探底为小二次探底。如果股价在分时图上急跌，则小二次探底可靠性较高；对于股价正常调整走势，正常二次探底则比较可靠。二次探底一般时间不超过一小时。
二次探底，第二次探底的股价不能低于前一次股价，最多是相同，哪怕下跌只超过1分钱，都可视作二次探底不成功。二次探底时股价略高于第一次探底时最好。
3. 大数据板块概念股有哪些
大数据行业利好消息不断，相关概念股成为市场焦点。分析认为，随着互联网的发展，海量数据连通变成现实，大数据行业将迎来爆发的高潮。相关提供IT基础设施和应用解决方案、从事大数据采集和拥有数据资源的企业将获得高速扩张的机遇，概念股有望成为市场上的“飞猪”。
大数据政策将密集出台
日前，工信部信息化和软件服务业司司长陈伟表示，工信部支持大数据技术和产业创新发展，提升大产业支撑能力，培育新业态新模式。工信部除制定《大数据产业“十三五”发展规划》外，还将出台促进大数据产业发展的推进计划。
据介绍，工信部将组织实施“大数据关键技术及产品研发与产业化工程”，通过相关项目和资金引导支持关键技术产品研发及产业化，同时开发面向工业、电信、金融、交通、医疗等数据密集型行业的大数据应用解决方案。
其实，大数据产业近期可谓政策利好不断。日前，国务院印发《促进大数据发展行动纲要》，提出未来5至10年我国大数据发展和应用应实现的目标，到2020年，我国将形成一批具有国际竞争力的大数据处理、分析、可视化软件和硬件支撑平台等产品；并且培育10家国际领先的大数据核心龙头企业，500家大数据应用、服务和产品制造企业。
事实上，自2014年3月“大数据”首次写入《政府工作报告》以来，政府层面一直在推进大数据产业的建设，相应的配套政策也在相继出炉。今年7月下发的《国务院关于积极推进“互联网+”行动的指导意见》中，所涉及的11项重点行动几乎全部提到对于大数据的应用，从根本上肯定了大数据在推动互联网与实体经济融合中的重要作用。
业内人士认为，大数据已经成为国家竞争力的重要体现，预计大数据行业的政策将会密集出台。不同于基础软件行业处于追逐国际主流趋势，我国大数据产业在国际竞争中已崭露头角。“相关提供IT基础设施和应用解决方案、从事大数据采集和拥有数据资源的企业，将获得高速扩张的机遇。”
民生证券广州营业部首席投顾赵金伟表示，从经济发展阶段来看，如果说第一阶段是通过规模化生产来解决现实经济的“供不应求”的状况的话，中国经济即将进入第二个发展阶段亦即柔性化生产来解决当前经济“供过于求”的问题，而柔性化生产的也就是去满足客户的个性化需求，使生产更具有针对性。而柔性化生产实现的基础和前提就是要准确识别客户需求，而实现这个功能最重要的就是“数据”，只有掌握足够多的数据并进行相应的数据分析，才能生产出满足客户不同需求的产品，“数据就是财富”。
“大数据产业未来有望成为带动经济发展的主要引擎，其作用类似中国的房地产与汽车产业。”赵金伟指出，发展大数据第一离不开数据采集，数据采集必然将带动电子相关行业软硬件设备方面采购投入；数据分析必然会带动云计算、超级计算机服务器方面使用；分析的数据将指导企业生产更具有针对性满足客户需求，更有效促进和带动各个行业发展。
大数据产业将迎来黄金增长期
“数据已成为战略性资源。谁拥有更多数据，谁就拥有未来。”分析人士指出。随着中央不断加大力度推动数据开放，大数据产业商机无限，相关概念股有望成为资本上市的“飞猪”。东吴证券认为，大数据产业化高速发展，数据安全上升到新的高度。随着大数据的产业化发展，大数据从某种程度上已成为互联网经济的生产要素之一。
分析认为，在未来5到10年，大数据产业将迎来黄金增长期。根据国家金融信息中心指数研究院发布报告显示，2016年我国大数据市场规模预计将达238亿美元。贵阳大数据交易所总裁王叁寿是这次《纲要》的起草人之一。在他看来，《促进大数据发展行动纲要》的作用是要激活中国大数据的资产价值，未来我国大数据的市场规模将达到上万亿元。
“我们说大数据本身作为一种资产，它是无处不在的，但是，原来在没有《大数据发展纲要》这样一个顶层设计的时候，各级地方政府是没有把政府手里的数据资产激活的。政府手里掌握着大量的数据资产、数据资源，一旦把这个价值释放出来，我相信整个市场的规模会产生上万个亿，甚至成为继互联网以后最重要的一个产业。”王叁寿称。
银河证券分析师沈海兵指出，行动纲要政策出台是一个重要的里程碑，大数据行业迎来加速发展期，相关基础设施投资建设将迎来高潮。华创证券则认为，大数据领域政策频出，拥有数据源及分析技术的公司得到难得的发展机遇，整个大数据板块有望成为未来几年的持续成长领域。
而对于大数据行业的投资机会，赵金伟建议可从以下思路角度参与：(一)大数据产业布局带来的设备需求相关概念个股。大数据产业离不开超级服务器、超级存储设备等，这是大数据布局最先收益的行业。(二)行业内具有较好数据来源的上市公司。数据也有行业壁垒，对行业熟悉熟悉，行业数据来源广泛，尤其与政府相关部门有较长合作时间的上市公司，有望在“数字政务”、“智慧城市”建设中受益。
个股方面，沈海兵表示看好大数据在工业、医疗、行政、旅游、交通、金融等各个行业垂直领域的应用，在政策和行业发展大趋势双重浪潮叠加之下，龙头企业迎来最佳发展契机。重点推荐东方国信（300166 公告, 行情, 资讯, 财报）、拓尔思（300299 公告, 行情, 资讯, 财报）、东方通（300379 公告, 行情, 资讯, 财报）、浪潮信息（000977 公告, 行情, 资讯, 财报）、宝信软件（600845 公告, 行情, 资讯, 财报）、易华录（300212 公告, 行情, 资讯, 财报）、千方科技（002373 公告, 行情, 资讯, 财报）等个股。
安信证券建议重点关注，自身拥有大数据的公司：如科大讯飞（002230 公告, 行情, 资讯, 财报）、万达信息（300168 公告, 行情, 资讯, 财报）、恒生电子（600570 公告, 行情,资讯, 财报）、四维图新（002405 公告, 行情, 资讯, 财报）、用友网络（600588 公告, 行情, 资讯, 财报）、神州信息（000555 公告, 行情, 资讯, 财报）、千方科技等；以及为客户提供大数据分析、运营、服务的公司：东方国信、东方网力（300367 公告, 行情, 资讯, 财报）、超图软件（300036 公告, 行情, 资讯, 财报）、启明星辰（002439 公告, 行情, 资讯,财报）、东方通和拓尔思等。
个股点将台
东方国信
近日，东方国信公告中标中国电信集团大数据汇聚平台项目；加上此前中标联通和移动的大数据集中项目，公司成为同时中标三家运营商大数据集中项目的公司。分析认为，东方国信成为行业内唯一一家帮助三大电信运营商实现大数据集中建设的大数据供应商，战略意义重大。
“近年来，三大运营商都在积极布局大数据战略，探索数据为中心的、集中化和一体化的”平台+应用“的模式，通过构建集团统一的、集中、开放的大数据平台，并在此平台上构建多样化的应用，大数据平台成为转型的核心。公司作为运营商大数据平台的重要建设者，在未来的应用探索上具备天然优势，目前公司已经与运营商合作利用数据资源探索全新的大数据应用，落地值得期待。”安信证券报告称。
据悉，东方国信是国内领先的BI应用软件提供商，依托在电信行业商业智能领域的技术和产品积累，近年来一直持续高速增长，今年上半年实现营业收入和净利润分别同比增长35.51%和50.85%。安信证券认为，公司发展战略非常清晰，通过内生外延相结合的方式拓展大数据在各行业的应用，国务院通过《关于促进大数据发展的行动纲要》，明确表明大数据时代已经到来，公司作为行业绝对龙头将显着受益。
易华录
目前上市公司中唯一一家专注于提供城市智能交通整体解决方案的全国性企业。软件研发和应用能力排名第一。分析认为，公司凭借央企的品牌与信誉基础，长年为城市管理者提供信息化建设和维护，为政府部门进行城市管理、决策制定提供信息基础支撑和服务。成为城市信息化服务的运营主体和城市生活公共服务的市场体，具有政府大数据运营的衔发优势。
据悉，作为中国智能交通及城市的行业龙头，易华录通过政府数据开放及自身数据沉淀，做大数据运营，进而利用互联网模式提供应用服务。目前正在全国跑马圈地，智慧城市项目订单收获不断。智能交通方面，综合服务平台转型C端，正背靠汽车后万亿蓝海市场。电子车牌方面，公司已占据数据入口，静待政策红利释放，实现向车联网的延伸。
国海证券指出，公司从工程项目型公司正坚定向着互联网+政府大数据的运营型转型，将政府数据移动互联网化，构建生态体系，目标是做政府大数据的一级开发商。公司已经显示出获取项目建设权、数据获取权的能力，后面将进入运营模式打造阶段，发展前景看好。
四维图新
四维图新作为国内首家获得导航电子地图制作资质的企业，公司在国内率先从事导航电子地图商业化开发。上半年公司采取一系列动作，包括对图吧的控股、发布了趣驾2.0 车联网整体解决方案；凭借腾讯的海量内容资源、四维在前装市场绝对的领先优势、图吧等在消费端亿级别的用户基础，公司已形成云端基础服务+2B+2C 的完整生态链布局。
“考虑到车联网将成为市场规模超越移动互联网的超级蓝海，公司作为车联网产业最核心受益标的，强烈看好公司成长为车联网巨头的潜力。”中信证券研报称，上半年公司在车联网产品和市场积极储备，在前装及后装领域与国内外主流车厂大力推进合作，预计下半年公司车联网业务即将爆发，趣驾用户量有望实现百万量级的井喷增长。
渤海证券指出，除进行产业链布局和生态构建外，公司还依托业务优势积极进行流量变现，目前公司积极在UBI 车险、汽车后服务市场等领域进行商业模式探索，且已与多家保险公司进行深入交流，未来基于公司车联网生态系统的流量变现可期。
千方科技
公司是国内唯一实现跨路面交通、民航、轨道交通做大交通数据采集与平台的公司。9 月2日公告，子公司北大千方以现金5000万元收购冠华天视70%股权，抢占轨道交通数据端入口。业绩方面，上半年公司实现营业收入和净利润分别同比增长20%和27%。此外，公同预计1-9月实现净利润2-2.3亿元，同比增长29.14%-48.51%。
渤海证券认为，公司通过内生+外延方式布局立体化交通服务，包括地下轨道交通、地上路面交通及民航信息等交通数据服务，还包括电子车牌、电子公交站牌、智慧停车场等其他交通服务，业务涵盖交通出行的各个领域，为C 端用户提供全方位交通出行服务。公司已几乎掌握全部C 端交通出行入口，未来依托交通出行这个高频次、强需求入口的流量变现将大有可为。
“收购冠华进入轨交领域后，公司已经基本实现大交通数据采集布局。展望未来，公司有望大步迈向以运营制为主的大交通数据变现领域。商业模式变革意味着转型，而外延是互联网软件行业实现持续成长的重要支撑。”国泰君安称。公司近期收购12308 部分股权，积累300 万实名活跃用户，启动了首次针对互联网C 端领域的外延并购。变革大幕开启下资本运作能力释放，体外孵化注入和大额并购落地值得期待。站在当前时点，市场对于公司外延下转型成功概率亟待重估。
4. 如何挖掘高成长性和业绩高增长的股票
根据我国调查统计， 很多人投资都没有关注该公司股票的财务会计报表，和公司业绩，所该方面需要关注，未来成长体现在有成长股的特性，要求有行业发展潜力和竞争力，业绩主要是看净利润和负债的比例，否则业绩再好抵不过负债也是资不抵债的。
5. 确定股票投资者可获得的现金流,估算这些现金流的可靠性如何
确定。图片图纸。这课获得的金信金。留估算这些。现金留的可靠性熟。睡了。冶铁是可靠吧，也挺靠谱。
6. 如何挖掘绩优股
关键指标 1 ： ROE > 8%
ROE 是净资产收益率，为股东赚到的钱。
做生意赚钱，天经地义，如果经营一家企业，ROE 连8 ％都达不到，那还需要投资吗？不如选择 其他更有前途的公司。
关键指标 2 ： 财报 3 率 皆 > 0
财报3率指的是毛利率、营业纯益率、净利率至少要> 0。一家赔钱的公司，看都不用看，直接删除
关键指标 3 ： 至少 5 年有分红派息
有些公司为了美化财报数字，可能会借钱 发现金股息，如果连续1 、2 年或许可以办到，但连续5 年就不可能了。所以，观察现金股息的发放，来检视一家公司是否有充足的现金。
关键指标 4 ： 不投资新公司
至少要有8年财报数据。不投资新公司，因为新公司尚未接受市场的检验，不是过度高估，就是反映太冷过度低估，对他而言，假如想当个不看盘投资者，新股是不列入考虑范围。
这些财报数字多数在公开的 财经 网站都查得到。
然而，经过以上简单的财报选股法则，
就能从3400多家A，挑出剩下700家左右。
第 2 阶段筛选：年报的会计师评语
如果年报的会计师审计报告，评语为 “无保留意见”、“修正式无保留意见” 者，表示财报数字可靠度较高。假若为 “保留意见” 与其他答案，就代表该财务资料连会计师都有疑虑。这种股票不考虑
列好清单，定期检查
“做好这些功课后，就会纳入自选股名单，制作Excel图表，开始检查个股动态。
财务数字不是天天变化，因此，当投资组合设定完成后，大多时间不需要特别盯盘，反而，可以花更多时间去做其他的投资功课。
上班族，可以趁着假日空闲时间，从财报选出绩优好公司，长期持有，让这些好企业替自己加薪。
如何寻找绩优股？
每年年底，进入年报周期，公司能否取得一份漂亮的年报对股价影响较为重要，今天就主要跟大家讲下如何通过基本面分析判断公司整体业务能力，把握年报行情，避免踩雷。
那么什么是绩优股呢？
对于绩优股，并无统一的评价标准。一般来说，衡量绩优股的主要指标是每股税后利润和净资产收益率。一般而言，每股税后利润在0.50元以上；净资产收益率在20%以上；市盈率在20倍以下。这几种标准都有各自的道理，但未免略显肤浅，考察一个上市公司的业绩如何，应当综合各个方面的情况，除上述几点外还应从以下四个方面研究：
1、财务状况
一个公司的财务状况主要涉及资本结构、偿债能力、盈利能力等几方面。可以结合来综合判断财务状况！
一个出色的公司，至少有稳定的盈利能力，从上图中我们不难发现，该公司2018前三季度净利润211亿，2017年全年224亿，如果四季度业绩不出现大幅下滑，该公司全年净利润应当是依然保持增长，但是从增速来看，17年相较于16年增速提升较为明显，但是从18年三季度来推测全年增长与17年全年相比，可以看出增速有所放缓。这个时候我们就要想，这个增速放缓是什么原因造成的，短期能否扭转？如果能短期扭转，那么对我们来说，这种就是好公司，值得长期持股。
对于经营状况分析较为简单。主要是通过主营业务来判断公司处于哪个行业，然后结合当下行业发展状况来分析业务的持续性和前景；通过在国内外资产分布来判断受哪些因素影响较大，比如外销占比大的，受贸易战、汇率影响就较大。
一个业绩好的公司必定有一个高水平的领导班子，有科学严谨的工作作风和管理办法，同样在同行业有较强竞争力。同时我们也能通过行业对比来确定公司处于行业的什么位置，通常龙头企业经营能力强，抗风险能力突出。
这个就很直观可以看出，一个业绩好的公司每年都会给股东以优厚的回报，比如大比例送红股和派高额现金红利。
绩优股为什么受追捧呢？
从理论上讲，买股票是为该上市公司出资，出资的目的明显是获取投资收益，而上市公司向股东提供投资回报的高低只能从其业绩(更直接地说是利润)状况来反映，业绩好说明其为股东提供的回报高，业绩差说明回报低，亏损说明投资者不仅得不到回报，还要用本钱去还债。因此，绩优股当然受市场欢迎。
对于目前的市场来说，白马股在经过2018年的深度回调之后，很多个股估值已经回到合理区间，在加上年底本身就是消费旺季，外资持续抄底形成资金支撑，无论是短期还是长期均具备一定的投资价值，但投资者们需要警惕“伪白马”，精选绩优股！
比较常规获取个股业绩的方式有：
1 通过机构研报获取，新闻、公告等获取。这是最常规业绩消息获取方式。这类获取方式的缺点是信息量大，可筛选性弱，最重要还是，相对滞后！
2 通过互动平台关注。软件上有个提供股友和公司互动平台，当网友提出问题时候，公司（董秘）一般会做出回应，有些就包括有价值信息，也包括业绩预好的消息。这样的消息获取方式，相对及时。
3大部分看盘软件上有一个概念板块，就做业绩预增（或预升）板块。 利用该概念板块，可以高效知晓哪些个股业绩预增。
关于绩优股，并不能盲目信赖。主要是：对于大众股民来说，获取消息先前性是硬伤。真正的挖掘绩优股，是在业绩还远未公布之前就知晓，尤其对于专业投资机构来说。当大众都知道绩优时，可能已经是后手了；绩优，也要得到市场资金认可，没能得到市场资金认可，股价上涨也就无从谈起。业绩暴增，股价反而跌的，也是屡见不鲜的。
前面已经有大哥写了优质答案，我就补充点别的。因为我们挖掘绩优股都是想要赚到主升浪。那么什么样的绩优股相对涨幅能够更高呢？
这里引用的是欧奈尔对每股的研究，根据欧奈尔对那些成功股票的研究结果以及其多年投资经验，发现其中涨速最凶猛的股票中有¾是成长股。在股价创出惊人涨幅前3年，这些公司的每股收益年增速平均都不低于百分之三十。因此，请讲注意力放在过去3年每股收益年增速在30％以上的股票。销售额要么在过去几个季度中持续增长，要么必须较上一年同期增长了25％以上。欧奈尔还倾向于选择根据近期销售额、每股收益增速、毛利率及ROE等来看在某些特定领域拔得头筹的公司。大多数大牛股的ROE不低于20％。
（欧奈尔的标准是每股年收益增速在30％以上、ROE在17％以上）
当然，这些数据一是取自美国股市，并且，用这种方法严格选出来的都是大牛。然而尴尬的是，你拿选股器一选，就发现这些股票已经涨了蛮多了。毕竟业绩报表散户是最后看到的，其他资金早就进场了。但是这种方法也算是可取的。
绩优股是白马股产生的温床，观察和发掘绩优股可以对个股甄别有用处。那么如何挖掘绩优股呢？
1.在老票里选择，看历年的分红和财务指标。大家对于绩优股的三高都很认同。每股收益高，净资产收益率高，每股公积金及未分配利润高是成为白马股的前提。至于分红大部分的股民是不削一顾的，口径几乎一致：一个涨停什么都回来了。但是历年的分红才是白马股吸引长线资金的根本，历年分红说明可分配利润的持续性，这样的企业才能在未来的年限里赚更多的钱，基金才能把他们纳为标的。只有老票中沉淀下来的股票才有可能成为白马股。
2.在新票里选择，行业壁垒才决定估值。这样的绩优股一般是用估值去判断的，新股上市时间短，并且不确定性高，只有行业壁垒才能决定在市场中垄断性有多强。这样的估值才是可以预期的，而不是投机性的做大了再说的乱估值。这样的新股也是要强调分红的连续性的，只有分红连续性才能给予投资者信心。
绩优股是成为白马股的前提，但是这是一个预期，就如学习好的孩子一定会找到好工作一样额预期。白马股是定性，在好的企业上班一定会有好福利一样。所以不是绩优股就一定值得投资，但是白马股在股票市场低估时是值得投资的。
7. 什么是数据挖掘
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
数据挖掘流程：
定义问题：清晰地定义出业务问题，确定数据挖掘的目的。
数据准备：数据准备包括：选择数据–在大型数据库和数据仓库目标中 提取数据挖掘的目标数据集;数据预处理–进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。
数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。
结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。
8. 谁有金融数据挖掘，关联规则分析与挖掘的一些介绍啊
雨林算法的数据结构：
AVC-set:节点n包含的所有纪录在某个属性上的投影，其中该AVC-set包括了属性的不同值在每个类别上的计数。
AVC-group:一个节点n上所有的AVC -set的集合
AVC-set的所占内存的大小正比于对应属性的不同值个数，AVC-group并不是数据库信息的简单的压缩，它只是提供了建立决策树需要的信息， AVC-group所占用的内存空间远远小于数据库所实际占用的空间。
一般设计方案：
AVC_set
{
//存储属性的各个值
DistinctValue[]
//存储属性各个值在某个类上对应的计数
DistinctValueCountForClassA[]
DistinctValueCountForClassB[]
… …
}
AVC_group
{
//节点n中的每个属性的avc_set
AVC_set[]
}
自顶向下决策树算法
BuildTree(Node m,datapatition D,algorithm decisionTree)
对D使用决策树算法decisionTree得到分裂指标crit(n)
令k为节点n的子节点个数
if(k>0)
建立n的k个子节点c1,…,ck
使用最佳分割将D分裂为D1,…,Dk
for(i=1;i<=k;i++)
BuildTree(ci,Di)
endfor
endif
RainForest 算法框架重新定义的部分：
1a) for 每一个属性的谓词p,寻找最佳的分割
1b) decisionTree.find_best_partitioning(AVC-set of p)
1c) endfor
2a) k= decisionTree.decide_splitting_criterion();//决定最终的分割
雨林算法的常规过程：
建立节点的AVC-group
(通过读取整个原始数据库或者某个分支的数据库表或文件)
选择分裂属性和分裂标准：取决于使用雨林算法框架的具体算法，通过逐一检查AVC-set来选择。
将数据分解到各个子节点：必须读取整个数据集(数据库或文件)，将各条数据分解到各个子节点中，此时如果有足够的内存，我们将建立一个或多个子节点的AVC-group
参考资料：李岱 rainforest.ppt 什么是数据挖掘
数据挖掘(Data Mining)，又称为数据库中的知识发现(Knowledge Discovery in Database, KDD)，就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，数据挖掘就是从大量数据中提取或“挖掘”知识。
并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（information retrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。
编辑本段数据挖掘的起源
为迎接前一节中的这些挑战，来自不同学科的研究者汇集到一起，开始着手开发可以处理不同数据类型的更有效的、可伸缩的工具。这些工作建立在研究者先前使用的方法学和算法之上，在数据挖掘领域达到高潮。特别地是，数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。
一些其他领域也起到重要的支撑作用。特别地，需要数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。
编辑本段数据挖掘能做什么
1)数据挖掘能做以下六种不同事情（分析方法）：
· 分类 （Classification）
· 估值（Estimation）
· 预言（Prediction）
· 相关性分组或关联规则（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可视化（Des cription and Visualization）
· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
2)数据挖掘分类
以上六种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘
· 直接数据挖掘
目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。
· 间接数据挖掘
目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系 。
· 分类、估值、预言属于直接数据挖掘；后三种属于间接数据挖掘
3)各种分析方法的简介
· 分类 （Classification）
首先从数据中选出已经分好类的训练集，在该训练集上运用数据挖掘分类的技术，建立分类模型，对于没有分类的数据进行分类。
例子：
a. 信用卡申请者，分类为低、中、高风险
b. 分配客户到预先定义的客户分片
注意： 类的个数是确定的，预先定义好的
· 估值（Estimation）
估值与分类类似，不同之处在于，分类描述的是离散型变量的输出，而估值处理连续值的输出；分类的类别是确定数目的，估值的量是不确定的。
例子：
a. 根据购买模式，估计一个家庭的孩子个数
b. 根据购买模式，估计一个家庭的收入
c. 估计real estate的价值
一般来说，估值可以作为分类的前一步工作。给定一些输入数据，通过估值，得到未知的连续变量的值，然后，根据预先设定的阈值，进行分类。例如：银行对家庭贷款业务，运用估值，给各个客户记分（Score 0~1）。然后，根据阈值，将贷款级别分类。
· 预言（Prediction）
通常，预言是通过分类或估值起作用的，也就是说，通过分类或估值得出模型，该模型用于对未知变量的预言。从这种意义上说，预言其实没有必要分为一个单独的类。预言其目的是对未来未知变量的预测，这种预测是需要时间来验证的，即必须经过一定时间后，才知道预言准确性是多少。
· 相关性分组或关联规则（Affinity grouping or association rules）
决定哪些事情将一起发生。
例子：
a. 超市中客户在购买A的同时，经常会购买B，即A => B(关联规则)
b. 客户在购买A后，隔一段时间，会购买B （序列分析）
· 聚集（Clustering）
聚集是对记录分组，把相似的记录在一个聚集里。聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。
例子：
a. 一些特定症状的聚集可能预示了一个特定的疾病
b. 租VCD类型不相似的客户聚集，可能暗示成员属于不同的亚文化群
聚集通常作为数据挖掘的第一步。例如，"哪一种类的促销对客户响应最好？"，对于这一 类问题，首先对整个客户做聚集，将客户分组在各自的聚集里，然后对每个不同的聚集，回答问题，可能效果更好。
· 描述和可视化（Des cription and Visualization）
是对数据挖掘结果的表示方式。
编辑本段数据挖掘中的关联规则上面算法讲的很清楚了，我来举个例子：
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
最后推出雨林： N1
age=young / \ age=senior
/ \
N2 N3
最后提醒一点，对于雨林算法，训练样本集不要大于3百万。否则改用SPRINT。
1.什么是关联规则
在描述有关关联规则的一些细节之前，我们先来看一个有趣的故事： "尿布与啤酒"的故事。
在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。
2.关联规则挖掘过程、分类及其相关算法
2.1关联规则挖掘的过程
关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)，第二阶段再由这些高频项目组中产生关联规则(Association Rules)。
关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(Large Itemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。一项目组出现的频率称为支持度(Support)，以一个包含A与B两个项目的2-itemset为例，我们可以经由公式(1)求得包含{A,B}项目组的支持度，若支持度大于等于所设定的最小支持度(Minimum Support)门槛值时，则{A,B}称为高频项目组。一个满足最小支持度的k-itemset，则称为高频k-项目组(Frequent k-itemset)，一般表示为Large k或Frequent k。算法并从Large k的项目组中再产生Large k+1，直到无法再找到更长的高频项目组为止。
关联规则挖掘的第二阶段是要产生关联规则(Association Rules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(Minimum Confidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。例如：经由高频k-项目组{A,B}所产生的规则AB，其信赖度可经由公式(2)求得，若信赖度大于等于最小信赖度，则称AB为关联规则。
就沃尔马案例而言，使用关联规则挖掘技术，对交易资料库中的纪录进行资料挖掘，首先必须要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持度min_support=5% 且最小信赖度min_confidence=70%。因此符合此该超市需求的关联规则将必须同时满足以上两个条件。若经过挖掘过程所找到的关联规则“尿布，啤酒”，满足下列条件，将可接受“尿布，啤酒”的关联规则。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%于此应用范例中的意义为:在所有的交易纪录资料中，至少有5%的交易呈现尿布与啤酒这两项商品被同时购买的交易行为。Confidence(尿布，啤酒)>=70%于此应用范例中的意义为:在所有包含尿布的交易纪录资料中，至少有70%的交易会同时购买啤酒。因此，今后若有某消费者出现购买尿布的行为，超市将可推荐该消费者同时购买啤酒。这个商品推荐的行为则是根据“尿布，啤酒”关联规则，因为就该超市过去的交易纪录而言，支持了“大部份购买尿布的交易，会同时购买啤酒”的消费行为。
从上面的介绍还可以看出，关联规则挖掘通常比较适用与记录中的指标取离散值的情况。如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。
2.2关联规则的分类
按照不同情况，关联规则可以进行分类如下：
1.基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。
布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。例如：性别=“女”=>职业=“秘书” ，是布尔型关联规则；性别=“女”=>avg（收入）=2300，涉及的收入是数值类型，所以是一个数值型关联规则。
2.基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。
在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。例如：IBM台式机=>Sony打印机，是一个细节数据上的单层关联规则；台式机=>Sony打印机，是一个较高层次和细节层次之间的多层关联规则。
3.基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。
在单维的关联规则中，我们只涉及到数据的一个维，如用户购买的物品；而在多维的关联规则中，要处理的数据将会涉及多个维。换成另一句话，单维关联规则是处理单个属性中的一些关系；多维关联规则是处理各个属性之间的某些关系。例如：啤酒=>尿布，这条规则只涉及到用户的购买的物品；性别=“女”=>职业=“秘书”，这条规则就涉及到两个字段的信息，是两个维上的一条关联规则。
2.3关联规则挖掘的相关算法
1.Apriori算法：使用候选项集找频繁项集
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。
可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。
2.基于划分的算法
Savasere等设计了一个基于划分的算法。这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块并对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度。这里分块的大小选择要使得每个分块可以被放入主存，每个阶段只需被扫描一次。而算法的正确性是由每一个可能的频集至少在某一个分块中是频集保证的。该算法是可以高度并行的，可以把每一分块分别分配给某一个处理器生成频集。产生频集的每一个循环结束后，处理器之间进行通信来产生全局的候选k-项集。通常这里的通信过程是算法执行时间的主要瓶颈；而另一方面，每个独立的处理器生成频集的时间也是一个瓶颈。
3.FP-树频集算法
针对Apriori算法的固有缺陷，J. Han等提出了不产生候选挖掘频繁项集的方法：FP-树频集算法。采用分而治之的策略，在经过第一遍扫描之后，把数据库中的频集压缩进一棵频繁模式树（FP-tree），同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库，每个库和一个长度为1的频集相关，然后再对这些条件库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的方法,使得一个FP-tree可以放入主存中。实验表明，FP-growth对不同长度的规则都有很好的适应性，同时在效率上较之Apriori算法有巨大的提高。
3.该领域在国内外的应用
3．1关联规则发掘技术在国内外的应用
就目前而言，关联规则挖掘技术已经被广泛应用在西方金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。现在银行天天都在开发新的沟通客户的方法。各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
但是目前在我国，“数据海量，信息缺乏”是商业银行在数据大集中之后普遍所面对的尴尬。目前金融业实施的大多数数据库只能实现数据的录入、查询、统计等较低层次的功能，却无法发现数据中存在的各种有用的信息，譬如对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，并可观察金融市场的变化趋势。可以说，关联规则挖掘的技术在我国的研究与应用并不是很广泛深入。
3．2近年来关联规则发掘技术的一些研究
由于许多应用问题往往比超市购买问题更复杂，大量研究从不同的角度对关联规则做了扩展，将更多的因素集成到关联规则挖掘方法之中，以此丰富关联规则的应用领域，拓宽支持管理决策的范围。如考虑属性之间的类别层次关系，时态关系，多表挖掘等。近年来围绕关联规则的研究主要集中于两个方面，即扩展经典关联规则能够解决问题的范围，改善经典关联规则挖掘算法效率和规则兴趣性。
编辑本段数据挖掘技术实现
在技术上可以根据它的工作过程分为：数据的抽取、数据的存储和管理、数据的展现等关键技术。
·数据的抽取
数据的抽取是数据进入仓库的入口。由于数据仓库是一个独立的数据环境，它需要通过抽取过程将数据从联机事务处理系统、外部数据源、脱机的数据存储介质中导入数据仓库。数据抽取在技术上主要涉及互连、复制、增量、转换、调度和监控等几个方面的处理。在数据抽取方面，未来的技术发展将集中在系统功能集成化方面，以适应数据仓库本身或数据源的变化，使系统更便于管理和维护。
·数据的存储和管理
数据仓库的组织管理方式决定了它有别于传统数据库的特性，也决定了其对外部数据的表现形式。数据仓库管理所涉及的数据量比传统事务处理大得多，且随时间的推移而快速累积。在数据仓库的数据存储和管理中需要解决的是如何管理大量的数据、如何并行处理大量的数据、如何优化查询等。目前，许多数据库厂家提供的技术解决方案是扩展关系型数据库的功能，将普通关系数据库改造成适合担当数据仓库的服务器。
·数据的展现
在数据展现方面主要的方式有：
查询：实现预定义查询、动态查询、OLAP查询与决策支持智能查询；报表：产生关系数据表格、复杂表格、OLAP表格、报告以及各种综合报表；可视化：用易于理解的点线图、直方图、饼图、网状图、交互式可视化、动态模拟、计算机动画技术表现复杂数据及其相互关系；统计：进行平均值、最大值、最小值、期望、方差、汇总、排序等各种统计分析；挖掘：利用数据挖掘等方法，从数据中得到关于数据关系和模式的知识。
编辑本段数据挖掘与数据仓库融合发展
数据挖掘和数据仓库的协同工作，一方面，可以迎合和简化数据挖掘过程中的重要步骤，提高数据挖掘的效率和能力，确保数据挖掘中数据来源的广泛性和完整性。另一方面，数据挖掘技术已经成为数据仓库应用中极为重要和相对独立的方面和工具。
数据挖掘和数据仓库是融合与互动发展的，其学术研究价值和应用研究前景将是令人振奋的。它是数据挖掘专家、数据仓库技术人员和行业专家共同努力的成果，更是广大渴望从数据库“奴隶”到数据库“主人”转变的企业最终用户的通途。
统计学与数据挖掘
统计学和数据挖掘有着共同的目标：发现数据中的结构。事实上，由于它们的目标相似，一些人（尤其是统计学家）认为数据挖掘是统计学的分支。这是一个不切合实际的看法。因为数据挖掘还应用了其它领域的思想、工具和方法，尤其是计算机学科，例如数据库技术和机器学习，而且它所关注的某些领域和统计学家所关注的有很大不同。
1．统计学的性质
试图为统计学下一个太宽泛的定义是没有意义的。尽管可能做到，但会引来很多异议。相反，我要关注统计学不同于数据挖掘的特性。
差异之一同上节中最后一段提到的相关，即统计学是一门比较保守的学科，目前有一种趋势是越来越精确。当然，这本身并不是坏事，只有越精确才能避免错误，发现真理。但是如果过度的话则是有害的。这个保守的观点源于统计学是数学的分支这样一个看法，我是不同意这个观点的,尽管统计学确实以数学为基础（正如物理和工程也以数学为基础，但没有被认为是数学的分支），但它同其它学科还有紧密的联系。
数学背景和追求精确加强了这样一个趋势：在采用一个方法之前先要证明，而不是象计算机 这
9. 数据挖掘是什么
数据挖掘(Data Mining)是采用数学的、统计的、人工智能和神经网络等领域的科学方法，如记忆推理、聚类分析、关联分析、决策树、神经网络、基因算法等技术，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势,并用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。
数据挖掘综合了各个学科技术，有很多的功能，当前的主要功能如下：
(1)、分类：按照分析对象的属性、特征，建立不同的组类来描述事物。
(2)、聚类：识别出分析对内在的规则，按照这些规则把对象分成若干类。
(3)、关联规则：关联是某种事物发生时其他事物会发生的这样一种联系。
(4)、预测：把握分析对象发展的规律，对未来的趋势做出预见。例如：对未来经济发展的判断。
(5)、偏差的检测：对分析对象的少数的、极端的特例的描述，揭示内在的原因。
关于数据挖掘的相关学习，推荐CDA数据分析师的课程，课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。这种教学方式能够引发学员的独立思考及主观能动性，学员掌握的技能知识可以快速转化为自身能够灵活应用的技能，在面对不同场景时能够自由发挥点击预约免费试听课。
10. 中小企业需要数据挖掘吗
其实不同的企业信息化程度并不一致，中小企业也可根据自身信息化的状况，选择合适的BI软件。 BI软件一直处于高端价位，提供给信息化“贵族”使用。而中、低端客户，希望花上几十万就可以上一套BI系统。由于BI软件的价格昂贵，人们一直认为中小企业中用不起BI系统，也不需要BI系统。其实不同的企业信息化程度并不一致，中小企业也可根据自身信息化的状况，选择合适的BI软件。事实上，正是因为中小企业规模小，生存的压力才更大，更需要时刻关注企业的经营数据，所以，中小企业比大企业更需要数据挖掘。最近这几年，商业智能市场很热闹，不过主要还是基于信息化程度比较好的大型行业，如金融、电信等。但近一段时间来，一些中小企业在信息化的应用上也在升温，尤其是像制造和零售业等，这些行业已经大范围地部署了ERP、CRM等系统，系统让企业拥有了很大的数据量，而如何能够有效地利用和整合这些数据已经成为摆在CIO面前的难题。根据Gartner分析，随着中小企业对ERP、CRM系统的部署，积累了大量的材料和数据，它们希望有很好的工具来利用这些数据做出更好的决策，所以BI成为中小企业最关心的技术。“可以预期的是，使用商务智能的中小企业将不断增加。”IDC经过调查也发现，中小企业在使用商务智能方面的增长速度要比大企业高出30%。Gartner的调查报告还显示，中小企业BI市场是一个21亿美元的市场，年增长率达到了12.5%，在59亿美元的BI市场中占有35%的份额，而增长速度超过大型企业BI市场增长速度的5%。在用户选型方面，随着中国商业智能市场逐步走向成熟，用户日趋理性，在商业智能选型时比以往更加慎重。大企业选型时会综合考虑厂商品牌、产品价格、功能模块、售后服务、可扩展性等，并且往往选择外企知名厂商，对价格考虑较少。而与大企业不同的是，中小企业会更加关注商业智能能否与现有的ERP软件集成，价格是否在可接受的范围内，BI业务模型是否符合企业自身状况，BI解决方案是否真正适合企业业务和发展，是否真正能够满足企业现阶段和未来的潜在需求，从而提高企业决策的准确性。中小企业需要的BI产品是只要经过简单的安装配置，即可自动识别ERP的版本，就像能把其他系统的数据自动分门别类导入BI系统中，甚至是access和excel的数据也能自动导入系统。同时如果企业有一些个性的分析要求，还可以自己通过简单的设置，就完成修改。其实在价格方面，无论是国际BI厂商还是国内BI企业都针对高、中、低端用户推出不同的价格策略，总体价位呈现下降趋势。有厂商就推出了专门针对中型企业的商业智能解决方案，而这类产品不需要企业有像ERP这样的系统，只要电子表格就可以部署。商业智能的核心在于数据挖掘，数据是数据挖掘应用的依据，那么中小企业需要具备什么基础才能应用数据挖掘技术呢?理想的情况是这样，建立一个数据仓库，里面保存好所有客户的数据，以及市场竞争对手的相关数据。如果数据仓库还没有建起来就直接上数据挖掘应用，结果很可能中途夭折，因为数据挖掘前期几乎80%的工作都是在准备数据。专家认为，即便在大型企业，由于数据搜集起步普遍比较晚，数据可得性和完备性都不高。很多行业的生产、财务、销售等敏感数据，由于用户的选择性输入或漏输、错输，难以为数据挖掘工具所用。中小企业则更需要多加注意。BI的新方向Web服务的普及、标准的广泛使用、更通用的API以及SOA等概念的出现，将帮助BI技术被应用于更多的操作系统。而这些新方法还有助于在企业中整合BI工具，让构建一种用于典型流程的通用分析引擎成为可能。未来企业应该寻找帮助理解文本数据和其他数据库之外信息的搜索与非结构化分析工具。这类工具将可以利用定性分析加强BI的定量分析能力。