⑴ 求助offer怎么选腾讯TEG数据挖掘岗/私募基金量化交易系统开发岗
量化对冲基金在国外发展称为，甚至被称为"抗跌神奇"。在国外一直被称为股坛抗跌神话的量化对冲基金是否就此走下"神坛"？是否真的预示着其将有黯淡的未来？
按照现有量化基金主要的运作模式，大致分为三类：
一是多因子选股，单策略和多策略并行。多因子模型是应用最广泛的一种选股模型。其基本思想是：找到影响股票投资收益率的一组主要指标，并依据这些指标构建一个股票组合，期望该组合在未来一段时间内获得相对大盘的超额收益。除多因子选股外，很多量化基金还采取多种量化选股策略并行的模式，不同策略之间可以是平均分配资产，也可以设定不同的权重。
二是量化指数增强。量化指数增强型基金是指采取指数增强策略的主动管理型量化基金。与传统的指数增强基金不同，这类产品具有以下几个特点：1)股票投资范围并没有最低90%的限制，只需要满足契约限定的是股票型或者混合型基金的配置要求；2)基金契约中并未明确增强的标的指数；3)实际运作过程中，投资标的指数成分股或者备选成分股的资产占基金股票资产的比例没有最低80%的限制。
三是引入对冲机制，做绝对收益。股票对冲策略是指通过使用衍生品或者融券等做空手段，对冲持有的股票多头头寸的风险暴露，达到降低投资组合市场风险、获取选股Alpha收益的一种对冲投资策略。国内目前发行的产品主要是市场中性策略，即一般要求的投资组合的风险暴露不超过其多头头寸的15%至20%，并且长期维持在这一水平。
一、基础篇
1、在市场不稳定的情况下如何稳健套利？
套利，本就是很稳健的一种盈利方式。套利和盈利不同，相信您问的是在市场不稳定的情况下稳健"盈利"。先明确量化和对冲的概念，可下载OA系统中"量化对冲产品基础知识学习手册"进行详细学习。量化对冲产品在构建股票多头的同时，也构建期货空头。这种操作在市场不稳定时，可以对冲市场的系统风险，从而留下股票多头特有的盈利。
2、量化对冲产品的操作流程是怎样的？
先用量化投资的方式构建股票多头组合，然后空头股指期货对冲市场风险，最终获取稳定的超额收益。
3、收益方面、安全性方面哪个更有优势?
量化对冲产品在收益方面和安全性方面都有优势，属于风险和收益高度匹配的高性价比产品。
4、量化对冲程序化交易的对象是什么？
股票、债券、期货、现货、期权等等。
5、通过期货对冲的那部分资金是不是一定加杠杆的？
是的。期货是保证金交易，本身就带有杠杆性质。但这部分的杠杆不是为了博取高收益而主动加杠杆，而是为了"等市值对冲"。比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。
6、针对目前的市场，量化对冲策略是不是以市场中性为主要策略点？
是的。
7、量化对冲类产品收益大概在什么范围内？
我国主流的市场中性策略的量化对冲产品，年化收益大概在10%-20%。
8、如何确定准确的贝塔因子系数，来安全的对冲掉系统风险？
国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，剩余0.4亿做股指期货空头（这0.4个亿为保证金，相当于做了市值1.6个亿的股指期货空头），这样下来整个基金几乎无风险敞口。
9、量化对冲选股范围都是哪些？大概选择多少支股票呢？
目前国内的量化对冲产品选股范围主要在A股内。股票的数量取决于量化对冲基金中对选股的量化要求，达标即入池，但是大多数量化对冲基金选股都达上百只。
10、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？
量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。
11、国内量化对冲使用的策略有哪些？
（1）主流：股票市场中性策略又称alpha策略，是当前国内私募证券投资基金最常用的策略之一。
它从消除市场系统性风险（Beta）的维度出发，通过同时构建多头和空头头寸对冲市场风险，以期获得较稳定的绝对收益。国内通常的操作方式为：买入股票同时卖空与股票等市值的股指期货（也可以采取融券方式），盈利模式为所买股票超越大盘的涨跌幅。
特点：较为稳健的策略，收益不高但稳定，回撤较小，适用于震荡市场，但是我国现在面临的问题在于，市场对于对冲策略日趋上涨的需求与实际对冲工具不足的矛盾（如2014年下半年多数运用市场中性策略的机构因为持有成长股，但是当时没有可以对冲成长股系统风险的股指期货，所以他们只能选择可以对冲大盘蓝筹股风险的沪深300股指期货，结果在大盘上涨、创业板下跌的行情中遭受了惨败），多种股指期货推出、股票期权上市以及融券业务的扩充能够缓解此类问题。
（2）股票多空策略，类似于alpha策略，但不同于alpha策略的是其会有多头敞口或者空头敞口，股票多空策略的操作难度大，因为除了要进行标的选择外，还需对大盘多空进行判断即择时。正因为如此，目前的量化多空策略，往往是以动量策略为主，即市场已经出现较为明显的趋势性上涨或者下跌行情时，再做相应的调整。
（3）CTA(期货管理)策略，侧重于期货市场的投资，投资于股指期货、外汇期货、国债期货等期货/期权品种及相应的现货品种。量化对冲类的管理期货产品，就是用量化手段判断买卖时点、用计算机程序化实现期货的投资策略。由于期货为T+0方式，因而采用程序化的高频交易比手动交易具有天然优势。从程序化交易这块，期货领域其实较为领先于股票领域，而且现在的期货高频策略已经由比拼策略思想提升到了比拼系统配置和下单速度等方面。特点：具有杠杆属性，收益率较高，但在无趋势的震荡行情中，由于杠杆特性会产生较大的回撤，受限于交易品种的成交量及活跃程度。
（4）套利复合策略，套利策略中最常见的是二级市场套利，包括商品跨期、跨品种套利，股指期货跨期、期现套利、ETF跨市场、事件套利、延时套利等。由于国内的金融工具和金融品种都不多，国内的套利策略多为方向性套利，即依赖于价格的上涨下跌而寻找套利机会，国外的期权可以对波动率预测进行套利。
由于在市场行情不温不火，波动较小时，这类策略往往找不到套利机会，因而国内的套利对冲基金往往会在无套利机会时，增加一些另外的小策略，构成套利复合策略。例如在套利机会较少时，套利基金会增加一小部分的趋势投机或者股票市场中性等。长期来看，这种方式更利于产品的发展。
特点：在我国是一类性价比较高的策略，但是资金容量有限，机会有限，需要不断开发新的策略；股票-期货套利在震荡市场中随着套利机会的增加而如鱼得水，但在稳定、波动小的市场中表现欠佳；分级基金套利在单边上涨市场中可以取得较高的收益，但是震荡市场中变现欠佳；目前主要问题是可套利品种不多、分级基金的活跃基金数不够多难以承受较大资金进出、可用金融工具仅有股指期货对冲性能不够。
（5）宏观对冲策略，宏观策略是一种基于宏观经济周期理论对经济增长趋势、资金流动、政策变化等因素进行自上而下的分析，预期其对股票、债券、货币、商品、衍生品等各类投资品价格的影响，运用量化、定性分析方法作出投资决策并在不同大类资产之间甚至是不同国家之间进行轮动配置，以期获得稳定收益。例如当对冲基金更看好未来美国经济的复苏，就可以逐步做多美股资产，同时将资金撤出新兴市场并做空新兴市场资产来构建组合。该策略的成功取决于对全球宏观经济趋势的判断，判断越准确，策略的效果越好。
12、量化对冲是否保本，风险多大？上下浮动多大？
量化对冲基金的合同与固定收益类信托、大部分银行理财产品一样，写的是不保本。市场中性策略量化对冲产品（国内主流），短期内最大回撤在5%，长期内都是稳增值的。而且部分量化对冲产品还采取分级结构，通过劣后级的资金对优先级投资者进行本金的保证。
13、风险收益方面跟阳光私募和信托有啥区别？
量化对冲产品也是一种阳光私募，相信您说的阳光私募指的是国内纯做主动管理股票多头的阳光私募基金，国内主流量化对冲产品的风险、收益介于主动管理股票多头阳光私募和固定收益信托之间，但是夏普率（投资性价比）普遍高于其他两种类型产品。
14、加杠杆和不加杠杆的区别在于哪里？
加杠杆可能会带来更多的收益，但是也要承担更多的风险。
15、整个市场上的量化对冲产品如何对比？
从多个方面去比较，看运用的策略、公司成立的时长、看管理团队的风格、看团队旗下同时期管理基金的夏普比率、波动率。
16、量化选股的具体方法是什么？如何判断量化模型选出来的股票就是能赚钱的股票？
量化选股的具体方法：量化投资一般会选出几百支股票进行投资分析来分散风险，适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。
二、进阶篇
1、目前管理层在对冲这块有一定的限制，那这个对量化对冲策略会不会产生一些影响？
禁止"做空"是禁止"裸做空"，并没有禁止量化对冲的空单，故以市场中性为主的量化对冲产品并无受影响。政策上完全禁止市场上一切做空动作的概率极小。如果真遇到监管"昏招"，可以做套利策略，比如分级基金套利。
2、怎样才能区别好的量化对冲策略与一般的策略？
好和不好要看和投资者的契合程度，对于追求稳健收益的投资者来说，市场中性策略的量化对冲产品是最合适的。在市场中性策略中，策略跑的时间越长、年化复合收益率相对较高、收益曲线表现越稳定、夏普率越高的产品相对更好。每年也有评测机构对各量化对冲产品进行综合排名。
3、量化对冲是需要写选股程序的，我们怎么知道选股程序是否比较优质呢，并且能为客户赚到正收益呢？
量化投资一般会选出几百支股票进行投资分析来分散风险，而且加入对冲系统风险的工具，很适合风险偏好低，追求稳定收入的投资者。量化分析师们在制定规则之后建立某个模型，先用历史数据对其进行回测，看是否能赚钱；如果可以，就再注入小额资金，积累样板外的实盘交易。实盘后如有盈利，就扩大资金量判断其是否对投资结果带来影响。最后运行的模型，都是经过千锤百炼的。
4、股指期货的金融种类不多怎么办？
现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。
5、过往产品的历史、收益稳定性和回撤？
"对冲"的概念最早由AlfredW.Jones于1949年创立第一只对冲基金时提出，他认为"对冲"就是通过管理并降低组合系统风险以应对金融市场变化。全球范围内：截至2014年末，全球量化对冲基金管理资产规模已从1997年的1182亿美元发展到3万亿美元(近18万亿人名币)，增长20倍，年均复合增速20%。
我国范围内：2014年以前，量化对冲私募发行主要依托信托平台、及券商资管平台；2014年以后，《私募投资基金管理人登记和基金备案办法（试行）》实行，截至2015年2月7日，国内已完成登记的私募基金管理人为7358家，管理私募基金9156只，管理规模2.38万亿元人名币，如果估计证券投资类私募基金占比40%、量化对冲占证券投资比为15%，则国内当前量化对冲私募的管理资产规模估计约1500亿元，与全球3万亿美元（近18万亿人名币）的规模相比，占比约0.9%。我国主流的市场中性量化对冲产品收益稳定性极好。而且据相对完全统计，2015年6-7月（股灾时），已经成立1年的127只市场中性量化对冲产品中100只逆市上涨，剩下那27只回撤大都控制在5%之内。
补充问题：那这剩下的27只没有上涨什么原因导致的？答：各家量化选股还是有非常小的差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这27只产品一年之中的收益曲线，也都呈现出了"净值稳增长"的态势。
6、量化对冲项目在做对冲时是不是有比例限制，比如是不是只能拿出10%出来做对冲还是没有规定？
国内主流的市场中性策略量化对冲基金是等市值对冲，比如2个亿的基金，1.6个亿买股票，另0.4亿做股指期货空头，无风险敞口。
三、风险应对篇
1、量化对冲的风险点在哪？
最大的风险在于基金经理建的股票多头所处的市场的β风险没有得到有效对冲这是2014下半年对冲基金面对的主要矛盾，多种股指期货推出、股票期权上市以及融券业务的扩充（利好：上证50、中证500股指期货4月16日上市）能够缓解此类问题。遇到这种极端情况，应对方式是：
（1）坚持持有，等待市场回归均衡，量化对冲策略多数是长期有效的。
（2）一般此时期货与现货价格会出现大幅偏离，基差套利可以获利或减少损失。
（3）现在已经有上证50期货、中证500期货、300期权、500期权、50期权等等，随着未来各类对冲工具越来越多，系统风险能更有效对冲，可选策略会更多，烫平波动的效果更好。综上，对于量化对冲，理解产品属性，长期持有是应对风险最好的办法。
2、量化对冲风险控制是如何做的？
量化对冲，故名思意，有量化，有对冲，对冲本就是一种风险控制（控制整体市场的风险），量化是一种严格的、利用计算机、利用程序的选股模式（控制的是人性的贪婪恐慌风险），另外量化对冲产品也设有预警和止损线，而且设置的较高（市场中性策略的量化对冲产品中，触及止损线的产品极少）。
3、量化对冲可能出现亏损现象吗？最大亏损可能是多少？
有可能出现，不同的策略有不同的回撤，阿尔法中性策略年度一般回撤5%-10%，量化对冲产品的止损线一般设置为0.9或者更高，这样在基金出现少量亏损的情况下可以严格止损。
4、目前市场都采用中性策略，如果市场稍微有大的波动会不会加剧大幅振动的可能？
中性策略与市场的涨跌相关性很低，市场波动对策略的影响很低。
5、某些量化对冲产品近期的净值小于1，怎么理解？
各家量化选股还是有差异性，少数产品在短期内收益有小幅回撤是很正常的，反观这些产品一年之中的收益曲线，也都呈现出了"净值稳增长"的态势。
6、可预见的政策性风险、可预见的市场性风险、可预见的操作性风险会有哪些?
这是一个非常宽泛的问题，虽然量化对冲在风险控制方面有优势，但也面临着各种不同的风险。可预见的政策性风险：因国家宏观政策（如货币政策、财政政策、行业政策、地区发展政策等）发生变化，导致市场价格波动而产生风险。可预见的市场性风险：如多头一方因持有股票会面对持有股票的一系列风险（价格波动风险、经济环境风险、上市公司经营风险等），而空头部分因持有空头股指期货会面对期货投资的风险（杠杆风险、基差风险、平仓风险等），但正因为多头风险与空头风险可以大部分相互对冲，所以整体风险被控制在一个较安全的水平。
可预见的操作性风险：相关当事人在业务各环节操作过程中，因内部控制存在缺陷或者人为因素造成操作失误或违反操作规程等引致的风险，如越权违规交易、会计部门欺诈、交易错误、IT系统故障等风险。当然这些可预见的风险，管理人都会提前做规避工作，尽全力做到"风险可控"。
四、营销篇
1、客户：相较目前的固收类的产品来说，收益没有太大的优势，同样要承担一定的风险，百分之十几的收益我宁愿选择私募产品。
按照客户风险偏好，对客户资产进行最优配置。客户想享受股票市场的收益，但又不太愿意冒太大风险的可以推荐配置量化对冲。市场中性策略的量化对冲产品是介于固定收益与浮动收益之间的一种产品，称为"类固定收益"，风险收益适中，预期收益10%-20%。
2、客户：产品如遇亏损，止损策略怎么进行，能保证我资金的安全吗？
止损根据产品不同有不同的止损条件，阿尔法中性策略年度最大回撤一般在5%左右，产品的止损线一般设置为0.9或更高。而且量化对冲基金通过严格的量化选股 操作、等市值构建股指期货空头来对冲系统风险，虽然在合同中跟银行理财、固定收益信托、主动管理型阳光私募产品一样都无法写上"保本"二字，但是您的资金 也是很安全的。
3、客户：对国外这个模型不相信，对于投入到二级市场不抱信心。
模型其实并不复杂，而且都是经过反复的理论和实际验证的，对二级市场不抱信心的客户更加可以推荐量化对冲，量化对冲适合所有行情，不惧股市下跌。
4、倾向固收类客户对政信类等更感兴趣，对量化对冲比较犹豫，偏向高风险客户又觉得收益不能动心。
政信类产品的收益率正在往下走，对风险厌恶型客户的资产配置可以推荐量化对冲类的阿尔法策略，风险相对较小，收益预期相对比较稳定。而偏向高风险的客户，也 可以进行细致分类。没有人会愿意为了追求一定的收益而承担相对更高的风险，对于量化对冲产品来说，它的收益和风险是高度匹配的，也就是具有高投资性价比。
5、客户：现在银行和很多私募都准备做量化对冲，国家可能会出不利的政策？
国家对恶意做空以及恶意高频交易操综市场的行为的会进行查处，国内主流的量化对冲产品以市场中性策略为主，做多股票+做空股指期货是同时进行的，而且做多与做空的头寸一致，国家对这类产品干预的可能性极低。
6、客户：具体的净值计算方法，净值创新高部分提取25%后，我的年化收益大概是多少？
扣除管理费、托管费、业绩提成之后，客户的收益在10%-20%区间，业绩提成一般客户80%，机构20%。
7、客户：操作策略中，期限套利和跨期套利可以认为是无风险套利，但本身收益做不高，年化6-7%已经不错，加了阿尔法套利，主动性加入后，风险就会增大，风险转化为收益是很好，如果风险削减收益，这会影响净值上升的斜率，本来斜率就很小，这样体现的收益不大，即使波动也在较小范围，我觉得不值。
量化对冲策略很多，无风险套利是其中一种，无风险套利的市场机会不是很多，可以作为基金的安全垫策略，阿尔法策略（也就是市场中性策略）是一种成熟策略，能够长期操作，加入后会增加收益的稳定性，风险变小，阿尔法的收益高于套利的收益，加入后收益变大。
对冲的意义在哪里？
对冲策略的"意义"在于去掉某种我们不想承担的风险，从而只保留我们想要的风险。
原则：所有回报都对应着风险。大而化之甚至可以说风险和回报是一回事，本篇中，风险和回报两个词是可以互换的
以一只股票来说，股票回报 = 自身经营回报 + 整个股市回报(β)。相应的，承担的风险 = 自身经营风险 + 整个股市风险。
如果我们对某家公司有强烈的看法（好坏皆可）并且 我们并非股市专家在股市整体走势预测上没有优势，那么我们就可以选择 买入股票（假设看好）+ 做空股指 以获得纯粹的公司自身经营回报。这时回报 = 股票回报 - 整个股市回报（股指）= 自身经营回报。风险也变成了只有自身经营风险。
例子1，假设我们是IT业内人士，对google未来几年强烈看好，但是对经济形势没看法，对股市大势没看法。就可以做多google做空股指来对冲掉股市的风险，假设股市上涨50%，google上涨70%，我们赚20%。股市下跌50%，google下跌30%，我们还是赚20%。只要我们判断正确，"即google未来会很好"，我们就赚到了。
例子2，我们看好新浪，买了新浪股票，但新浪股票在nasdaq上市，是用美元计价的，我们又不是经济学家，不知道将来人民币对美元是涨还是跌，如果美元下跌了，那么新浪股票（美元计价）相对于人民币而言就是下跌了，风险也就变成了 = 新浪自身 + nasdaq + 美元/人民币 。这时我们可以通过做空美元/人民币期货来对冲掉美元对人民币下跌的风险。
再来说下，对冲这种做法的由来。
最早使用对冲Hedge这个词的人是 阿尔弗雷德·温斯洛·琼斯(Alfred Winslow Jones,1900-1989)，他觉得股市难以预测，但预测一家公司的前景就容易多了，（ps.任何人都可以利用自己的行业知识挑出本行业内最好的公司，准确率比听消息高多了），那么我可以买入一家好公司，再卖出一家坏公司，这样一来，股市的影响就被去掉了，只要对这两家公司的看法没错就可以盈利了。
凭借这个理念，琼斯在1949年开创了第一家现代模式的对冲基金，它使用的策略学名叫股票多空（equity long/short)。
阿尔弗雷德·温斯洛·琼斯(Alfred Winslow Jones,1900-1989)（社会学博士、前愤青、前CIA、前socialism粉、前纳粹时期的犹太女德共的老公、前记者、前专栏作家）
股票多空策略，比我们刚才举的例子稍微复杂一点点，区别在于做空那端不是股指而是另一只股票，即买入好公司卖出坏公司，假设我们相信未来几年苹果比google好，我们就可以做多苹果做空google，回报 = 苹果好于google的那部分，同样是对冲掉了股市波动的风险，只剩下了我们对苹果和谷歌两家公司的预期。这样一来，不管纳斯达克怎么动，或者美国经济怎么糟糕都和我们没关系了。
类似的，可口可乐/百事可乐，茅台/五粮液，中石化/中石油，sony/panasonic，通用/福特，这个列表可以无限延伸下去，只要我们是某行业里的专家，我们就可以通过做多好的+做空差的来获利，而不管市场波动如何。（实践表明，即便08年那种大跌也无所谓）
如今，股票多空策略是对冲基金领域里的重要分支，规模庞大，种类繁杂。而对冲的思想也扩展到金融领域的方方面面，我们可以对冲汇率风险，对冲利率风险，对冲某种原材料风险，只要你能想的到就行。但其思路从未变过，就是剥离我们不想要的风险。
⑵ 用GARCH(1,1)模型对股票收盘价收益率序列建模，如何在eviews软件中得出收益率序列的波动性方差
接分啦。。。找到一篇不错的文章
楼主看下，参考资料：
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
⑶ 现在我想做一个数据挖掘在股票预测软件能做的熟悉的RMB答复，急求
你想要做的数据挖掘，应该是按照你指定的数据呈现规律，然后根据已有的历史数据进行动态的数据分析，并以一定的数据组织形式呈现给你，如图表等等 。从而观察其规律变化性，为你的下一次购买做出参考吧。
不知道你现在手里有的软件是什么，是需要集成到已有的软件里面，还是单独做一套就可以。还需要知道你的数据源在哪里。
联系方式：球球号：406607820
⑷ 股票的数据挖掘用什么算法最合适
写个贝叶斯分类算法
对文本进行分类
⑸ 股票市场搞数据挖掘，数据分析来炒股有没机会
有机会，而且机会不小，但是我等散户靠数据分析，可能自身实力差的太悬殊了。
硬件设备就不达标哦。
⑹ 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
⑺ 如何获得股票行情数据，自己编程处理进行数据挖掘
行情数据可到通达信或者同花顺观看
⑻ 数据挖掘算法与生活中的应用案例
数据挖掘算法与生活中的应用案例
如何分辨出垃圾邮件”、“如何判断一笔交易是否属于欺诈”、“如何判断红酒的品质和档次”、“扫描王是如何做到文字识别的”、“如何判断佚名的着作是否出自某位名家之手”、“如何判断一个细胞是否属于肿瘤细胞”等等，这些问题似乎都很专业，都不太好回答。但是，如果了解一点点数据挖掘的知识，你，或许会有柳暗花明的感觉。
本文，主要想简单介绍下数据挖掘中的算法，以及它包含的类型。然后，通过现实中触手可及的、活生生的案例，去诠释它的真实存在。 一般来说，数据挖掘的算法包含四种类型，即分类、预测、聚类、关联。前两种属于有监督学习，后两种属于无监督学习，属于描述性的模式识别和发现。
有监督学习有监督的学习，即存在目标变量，需要探索特征变量和目标变量之间的关系，在目标变量的监督下学习和优化算法。例如，信用评分模型就是典型的有监督学习，目标变量为“是否违约”。算法的目的在于研究特征变量（人口统计、资产属性等）和目标变量之间的关系。
分类算法分类算法和预测算法的最大区别在于，前者的目标变量是分类离散型（例如，是否逾期、是否肿瘤细胞、是否垃圾邮件等），后者的目标变量是连续型。一般而言，具体的分类算法包括，逻辑回归、决策树、KNN、贝叶斯判别、SVM、随机森林、神经网络等。
预测算法预测类算法，其目标变量一般是连续型变量。常见的算法，包括线性回归、回归树、神经网络、SVM等。
无监督学习无监督学习，即不存在目标变量，基于数据本身，去识别变量之间内在的模式和特征。例如关联分析，通过数据发现项目A和项目B之间的关联性。例如聚类分析，通过距离，将所有样本划分为几个稳定可区分的群体。这些都是在没有目标变量监督下的模式识别和分析。
聚类分析聚类的目的就是实现对样本的细分，使得同组内的样本特征较为相似，不同组的样本特征差异较大。常见的聚类算法包括kmeans、系谱聚类、密度聚类等。
关联分析关联分析的目的在于，找出项目（item）之间内在的联系。常常是指购物篮分析，即消费者常常会同时购买哪些产品（例如游泳裤、防晒霜），从而有助于商家的捆绑销售。
基于数据挖掘的案例和应用上文所提到的四种算法类型（分类、预测、聚类、关联），是比较传统和常见的。还有其他一些比较有趣的算法分类和应用场景，例如协同过滤、异常值分析、社会网络、文本分析等。下面，想针对不同的算法类型，具体的介绍下数据挖掘在日常生活中真实的存在。下面是能想到的、几个比较有趣的、和生活紧密关联的例子。
基于分类模型的案例这里面主要想介绍两个案例，一个是垃圾邮件的分类和判断，另外一个是在生物医药领域的应用，即肿瘤细胞的判断和分辨。
垃圾邮件的判别邮箱系统如何分辨一封Email是否属于垃圾邮件？这应该属于文本挖掘的范畴，通常会采用朴素贝叶斯的方法进行判别。它的主要原理是，根据邮件正文中的单词，是否经常出现在垃圾邮件中，进行判断。例如，如果一份邮件的正文中包含“报销”、“发票”、“促销”等词汇时，该邮件被判定为垃圾邮件的概率将会比较大。
一般来说，判断邮件是否属于垃圾邮件，应该包含以下几个步骤。
第一，把邮件正文拆解成单词组合，假设某篇邮件包含100个单词。
第二，根据贝叶斯条件概率，计算一封已经出现了这100个单词的邮件，属于垃圾邮件的概率和正常邮件的概率。如果结果表明，属于垃圾邮件的概率大于正常邮件的概率。那么该邮件就会被划为垃圾邮件。
医学上的肿瘤判断如何判断细胞是否属于肿瘤细胞呢？肿瘤细胞和普通细胞，有差别。但是，需要非常有经验的医生，通过病理切片才能判断。如果通过机器学习的方式，使得系统自动识别出肿瘤细胞。此时的效率，将会得到飞速的提升。并且，通过主观（医生）+客观（模型）的方式识别肿瘤细胞，结果交叉验证，结论可能更加靠谱。
如何操作？通过分类模型识别。简言之，包含两个步骤。首先，通过一系列指标刻画细胞特征，例如细胞的半径、质地、周长、面积、光滑度、对称性、凹凸性等等，构成细胞特征的数据。其次，在细胞特征宽表的基础上，通过搭建分类模型进行肿瘤细胞的判断。
基于预测模型的案例这里面主要想介绍两个案例。即通过化学特性判断和预测红酒的品质。另外一个是，通过搜索引擎来预测和判断股价的波动和趋势。
红酒品质的判断如何评鉴红酒？有经验的人会说，红酒最重要的是口感。而口感的好坏，受很多因素的影响，例如年份、产地、气候、酿造的工艺等等。但是，统计学家并没有时间去品尝各种各样的红酒，他们觉得通过一些化学属性特征就能够很好地判断红酒的品质了。并且，现在很多酿酒企业其实也都这么干了，通过监测红酒中化学成分的含量，从而控制红酒的品质和口感。
那么，如何判断鉴红酒的品质呢？
第一步，收集很多红酒样本，整理检测他们的化学特性，例如酸性、含糖量、氯化物含量、硫含量、酒精度、PH值、密度等等。
第二步，通过分类回归树模型进行预测和判断红酒的品质和等级。
搜索引擎的搜索量和股价波动一只南美洲热带雨林中的蝴蝶，偶尔扇动了几下翅膀，可以在两周以后，引起美国德克萨斯州的一场龙卷风。你在互联网上的搜索是否会影响公司股价的波动？
很早之前，就已经有文献证明，互联网关键词的搜索量（例如流感）会比疾控中心提前1到2周预测出某地区流感的爆发。
同样，现在也有些学者发现了这样一种现象，即公司在互联网中搜索量的变化，会显着影响公司股价的波动和趋势，即所谓的投资者注意力理论。该理论认为，公司在搜索引擎中的搜索量，代表了该股票被投资者关注的程度。因此，当一只股票的搜索频数增加时，说明投资者对该股票的关注度提升，从而使得该股票更容易被个人投资者购买，进一步地导致股票价格上升，带来正向的股票收益。这是已经得到无数论文验证了的。
基于关联分析的案例：沃尔玛的啤酒尿布啤酒尿布是一个非常非常古老陈旧的故事。故事是这样的，沃尔玛发现一个非常有趣的现象，即把尿布与啤酒这两种风马牛不相及的商品摆在一起，能够大幅增加两者的销量。原因在于，美国的妇女通常在家照顾孩子，所以，她们常常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。沃尔玛从数据中发现了这种关联性，因此，将这两种商品并置，从而大大提高了关联销售。
啤酒尿布主要讲的是产品之间的关联性，如果大量的数据表明，消费者购买A商品的同时，也会顺带着购买B产品。那么A和B之间存在关联性。在超市中，常常会看到两个商品的捆绑销售，很有可能就是关联分析的结果。
基于聚类分析的案例：零售客户细分对客户的细分，还是比较常见的。细分的功能，在于能够有效的划分出客户群体，使得群体内部成员具有相似性，但是群体之间存在差异性。其目的在于识别不同的客户群体，然后针对不同的客户群体，精准地进行产品设计和推送，从而节约营销成本，提高营销效率。
例如，针对商业银行中的零售客户进行细分，基于零售客户的特征变量（人口特征、资产特征、负债特征、结算特征），计算客户之间的距离。然后，按照距离的远近，把相似的客户聚集为一类，从而有效的细分客户。将全体客户划分为诸如，理财偏好者、基金偏好者、活期偏好者、国债偏好者、风险均衡者、渠道偏好者等。
基于异常值分析的案例：支付中的交易欺诈侦测采用支付宝支付时，或者刷信用卡支付时，系统会实时判断这笔刷卡行为是否属于盗刷。通过判断刷卡的时间、地点、商户名称、金额、频率等要素进行判断。这里面基本的原理就是寻找异常值。如果您的刷卡被判定为异常，这笔交易可能会被终止。
异常值的判断，应该是基于一个欺诈规则库的。可能包含两类规则，即事件类规则和模型类规则。第一，事件类规则，例如刷卡的时间是否异常（凌晨刷卡）、刷卡的地点是否异常（非经常所在地刷卡）、刷卡的商户是否异常（被列入黑名单的套现商户）、刷卡金额是否异常（是否偏离正常均值的三倍标准差）、刷卡频次是否异常（高频密集刷卡）。第二，模型类规则，则是通过算法判定交易是否属于欺诈。一般通过支付数据、卖家数据、结算数据，构建模型进行分类问题的判断。
基于协同过滤的案例：电商猜你喜欢和推荐引擎电商中的猜你喜欢，应该是大家最为熟悉的。在京东商城或者亚马逊购物，总会有“猜你喜欢”、“根据您的浏览历史记录精心为您推荐”、“购买此商品的顾客同时也购买了商品”、“浏览了该商品的顾客最终购买了商品”，这些都是推荐引擎运算的结果。
这里面，确实很喜欢亚马逊的推荐，通过“购买该商品的人同时购买了**商品”，常常会发现一些质量比较高、较为受认可的书。一般来说，电商的“猜你喜欢”（即推荐引擎）都是在协同过滤算法（Collaborative Filter）的基础上，搭建一套符合自身特点的规则库。即该算法会同时考虑其他顾客的选择和行为，在此基础上搭建产品相似性矩阵和用户相似性矩阵。基于此，找出最相似的顾客或最关联的产品，从而完成产品的推荐。
基于社会网络分析的案例：电信中的种子客户种子客户和社会网络，最早出现在电信领域的研究。即，通过人们的通话记录，就可以勾勒出人们的关系网络。电信领域的网络，一般会分析客户的影响力和客户流失、产品扩散的关系。
基于通话记录，可以构建客户影响力指标体系。采用的指标，大概包括如下，一度人脉、二度人脉、三度人脉、平均通话频次、平均通话量等。基于社会影响力，分析的结果表明，高影响力客户的流失会导致关联客户的流失。其次，在产品的扩散上，选择高影响力客户作为传播的起点，很容易推动新套餐的扩散和渗透。
此外，社会网络在银行（担保网络）、保险（团伙欺诈）、互联网（社交互动）中也都有很多的应用和案例。
基于文本分析的案例这里面主要想介绍两个案例。一个是类似“扫描王”的APP，直接把纸质文档扫描成电子文档。相信很多人都用过，这里准备简单介绍下原理。另外一个是，江湖上总是传言红楼梦的前八十回和后四十回，好像并非都是出自曹雪芹之手，这里面准备从统计的角度聊聊。
字符识别：扫描王APP手机拍照时会自动识别人脸，还有一些APP，例如扫描王，可以扫描书本，然后把扫描的内容自动转化为word。这些属于图像识别和字符识别（Optical Character Recognition）。图像识别比较复杂，字符识别理解起来比较容易些。
查找了一些资料，字符识别的大概原理如下，以字符S为例。
第一，把字符图像缩小到标准像素尺寸，例如12*16。注意，图像是由像素构成，字符图像主要包括黑、白两种像素。
第二，提取字符的特征向量。如何提取字符的特征，采用二维直方图投影。就是把字符（12*16的像素图）往水平方向和垂直方向上投影。水平方向有12个维度，垂直方向有16个维度。这样分别计算水平方向上各个像素行中黑色像素的累计数量、垂直方向各个像素列上的黑色像素的累计数量。从而得到水平方向12个维度的特征向量取值，垂直方向上16个维度的特征向量取值。这样就构成了包含28个维度的字符特征向量。
第三，基于前面的字符特征向量，通过神经网络学习，从而识别字符和有效分类。
文学着作与统计：红楼梦归属这是非常着名的一个争论，悬而未决。对于红楼梦的作者，通常认为前80回合是曹雪芹所着，后四十回合为高鹗所写。其实主要问题，就是想确定，前80回合和后40回合是否在遣词造句方面存在显着差异。
这事让一群统计学家比较兴奋了。有些学者通过统计名词、动词、形容词、副词、虚词出现的频次，以及不同词性之间的相关系做判断。有些学者通过虚词（例如之、其、或、亦、了、的、不、把、别、好），判断前后文风的差异。有些学者通过场景（花卉、树木、饮食、医药与诗词）频次的差异，来做统计判断。总而言之，主要通过一些指标量化，然后比较指标之间是否存在显着差异，借此进行写作风格的判断。
以上是小编为大家分享的关于数据挖掘算法与生活中的应用案例的相关内容，更多信息可以关注环球青藤分享更多干货
⑼ 股票软件里怎么看整体盈利
登录股票账户后在“我的持仓”中即可看到成本价,盈利率,单个股票盈利和总盈利
股票软件即针对股票交易而开发的软件系统，也被称为炒股软件，基础功能包括财经资讯、股票行情、数据挖掘与分析、智能选股、交易系统。国内的股票软件从上世纪九十年代初的少数几家的独领风骚，到已经发展成为百家齐放的局面，比较有代表性的软件有：投资保姆、大智慧、钱龙、益盟操盘手、同花顺、wind等，有的以行情实时性见长，有的以咨询研究擅场，各具特色。
股票软件的实质是通过对市场信息数据的统计，按照一定的分析模型来给出数（报表）、形（指标图形）、文（资讯链接）。用户则依照一定的分析理论，来对这些结论进行解释，也有一些傻瓜式的易用软件会直接给出买卖的建议。其实，比较正确，或者实在的用法，是应该挑选一款性能稳定、信息精准的软件，结合自己的炒股经验，经过摸索之后，形成一套行之有效的应用法则，那样才是值得信赖的办法，而机械地轻信软件自动发出的进场离场的信号，往往会谬以千里。
⑽ 现在最好用的免费股票分析软件是哪
你好( ^_^)／感谢你的邀请！
很多人问：免费的股票分析软件真的好用吗？答案是：市面上有好用的！只是你没发现！
简单点的，同花顺旗下投资账本APP，可以导入股票基金、定期存款，数据实时同步，分析近2年收益盈亏。
另外，分析股票走势的方法很多，如下就常用的一些方法列举出来：
技术分析：
1.看K线图 股价是处于上升通道还是下跌通道？上升通道可以关注，但不要盲目追高，下跌通道不要碰。
2.看金叉死叉 当短期均线上穿中期或者长期均线时，形成最佳买点即金叉;短期均线下穿中期或者长期均线时，形成最佳卖点即死叉。这时再卖已有些下跌，因炒股软件里面的指 标有些滞后。
3.看量价关系 没放量股价在微涨，说明主力在布局;在上升通道中，明显放量但股价微跌，此时主力在盘整打压散户;放量逐渐加剧，此时拉高，主力快出货了，不要盲目追涨。 后面剧烈放量股价并未涨就是主力悄悄出货了。
基本面分析：
1.看公司有没有重组消息？重组包含很多方面。
2.看公司是否有关联交易？
3.看公司前期是否有亏损？
4.看上市公司产品是否属于国家政策扶持还是打压的？
5.看公司的盈利能力。 只要把以上的方法真正撑握了，你就是一个稳健的股票玩家了！但要注意炒股的心态！做短线，中线，长线完全看你个人的资金量了！
投资者炒股得掌握好一定的经验和技巧，这样才能分析出好的股票，平时得多看，多学，多做模拟盘，多和股坛老将们交流。吸收他们的经验。
如果一个股民经常亏损，我建议他要反思，需要总结一套自己炒股盈利的方法，这样炒股相对来说要稳妥得多，我现在也一直都在追踪同花顺投资账本里的高手学习，感觉还是受益良多，愿能帮助到你，祝投资愉快！