㈠ 数据挖掘算法有哪些
统计和可视化要想建立一个好的预言模型，你必须了解自己的数据。最基本的方法是计算各种统计变量（平均值、方差等）和察看数据的分布情况。你也可以用数据透视表察看多维数据。数据的种类可分为连续的，有一个用数字表示的值（比如销售量）或离散的，分成一个个的类别（如红、绿、蓝）。离散数据可以进一步分为可排序的，数据间可以比较大小（如，高、中、低）和标称的，不可排序（如邮政编码）。图形和可视化工具在数据准备阶段尤其重要，它能让你快速直观的分析数据，而不是给你枯燥乏味的文本和数字。它不仅让你看到整个森林，还允许你拉近每一棵树来察看细节。在图形模式下人们很容易找到数据中可能存在的模式、关系、异常等，直接看数字则很难。可视化工具的问题是模型可能有很多维或变量，但是我们只能在2维的屏幕或纸上展示它。比如，我们可能要看的是信用风险与年龄、性别、婚姻状况、参加工作时间的关系。因此，可视化工具必须用比较巧妙的方法在两维空间内展示n维空间的数据。虽然目前有了一些这样的工具，但它们都要用户“训练”过他们的眼睛后才能理解图中画的到底是什么东西。对于眼睛有色盲或空间感不强的人，在使用这些工具时可能会遇到困难。聚集（分群）聚集是把整个数据库分成不同的群组。它的目的是要群与群之间差别很明显，而同一个群之间的数据尽量相似。与分类不同（见后面的预测型数据挖掘），在开始聚集之前你不知道要把数据分成几组，也不知道怎么分（依照哪几个变量）。因此在聚集之后要有一个对业务很熟悉的人来解释这样分群的意义。很多情况下一次聚集你得到的分群对你的业务来说可能并不好，这时你需要删除或增加变量以影响分群的方式，经过几次反复之后才能最终得到一个理想的结果。神经元网络和K-均值是比较常用的聚集算法。不要把聚集与分类混淆起来。在分类之前，你已经知道要把数据分成哪几类，每个类的性质是什么，聚集则恰恰相反。关联分析关联分析是寻找数据库中值的相关性。两种常用的技术是关联规则和序列模式。关联规则是寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。序列模式与此类似，他寻找的是事件之间时间上的相关性，如对股票涨跌的分析。关联规则可记为A==>B，A称为前提和左部（LHS），B称为后续或右部（RHS）。如关联规则“买锤子的人也会买钉子”，左部是“买锤子”，右部是“买钉子”。要计算包含某个特定项或几个项的事务在数据库中出现的概率只要在数据库中直接统计即可。某一特定关联（“锤子和钉子”）在数据库中出现的频率称为支持度。比如在总共1000个事务中有15个事务同时包含了“锤子和钉子”，则此关联的支持度为1.5%。非常低的支持度（比如1百万个事务中只有一个）可能意味着此关联不是很重要，或出现了错误数据（如，“男性和怀孕”）。要找到有意义的规则，我们还要考察规则中项及其组合出现的相对频率。当已有A时，B发生的概率是多少？也即概率论中的条件概率。回到我们的例子，也就是问“当一个人已经买了锤子，那他有多大的可能也会买钉子？”这个条件概率在数据挖掘中也称为可信度，计算方法是求百分比：（A与B同时出现的频率）/（A出现的频率）。让我们用一个例子更详细的解释这些概念： 总交易笔数（事务数）：1,000包含“锤子”：50包含“钉子”：80包含“钳子”：20包含“锤子”和“钉子”：15包含“钳子”和“钉子”：10包含“锤子”和“钳子”：10包含“锤子”、“钳子”和“钉子”：5 则可以计算出： “锤子和钉子”的支持度=1.5%（15/1,000）“锤子、钉子和钳子”的支持度=0.5%（5/1,000）“锤子==>钉子”的可信度=30%（15/50）“钉子==>锤子”的可信度=19%（15/80）“锤子和钉子==>钳子”的可信度=33%（5/15）“钳子==>锤子和钉子”的可信度=25%（5/20）
㈡ .未来房价的预测,这种属于数据挖掘的哪类问题( ) A.分类 B.聚类 C关联规则 D.回归分析
未来房价预测，属于数据挖掘的（C）类，关联规则。
㈢ 证券分析：数据挖掘能做什么
证券分析工具与数据挖掘之间的关系，想必早已经有人在做研究了。这只是版一个初步的想法，还权远未成熟，并且因为所做的homework太少，这个想法所延伸的深度也不够，先记录下来，形成一个大概的框架，再慢慢往里面填充内容，进一步深化吧。
证券的量化分析技术
证券投资的主要分析方法中，包含一种叫做量化分析的方法。简言之，量化分析就是使用大量的数据，利用一些量化的数理模型对证券市场进行研究，涉及到了大数据的使用和数值处理模型的创建和应用。
数据挖掘技术
数据挖掘在量化分析中的应用实例
1. 三至五个例子。
在当前证券分析中的应用前景职业生涯：作为证券分析师的程序员和作为程序员的证券分析师要求是：
1. 数值分析的知识背景，是必须的。
2. 熟练的数据挖掘技术，至少要有个5年左右的全职积累。
4. 靠谱的心智水平，能够保持理性态度，即便是在股市中。
㈣ “基于数据挖掘的股票交易分析--模型分析” 这个题目，是什么意思 哪位哥们，能给点具体解释么
很难写，主要牵涉到数据挖掘（软件）和股票交易两方面的专业。数据挖掘需要设计软件进行建模，而股票交易需要进行实证（博士论文都可以写了）。
建议：可以写基于统计挖掘的股票交易分析--模型分析，这样就简单多了，只需要在股票软件上得出一些统计数据，然后进行验证就可以了，可操作性强。
㈤ 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
㈥ 数据挖掘在管理会计中的应用是啥
关键词:数据挖掘技术 管理会计 应用 信息系统 决策理论 现代统计学 数据库管理 机器学习 知识
分类号: F234.3 TP311.13 相关文献:主题相关
摘要:数据挖掘是从数据当中发现趋势和模式的过程，它融合了现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜在有用的信息和知识，揭示出大量数据中复杂的和隐藏的关系，为决策提供有用的参考。
管理会计在其发展的进程中,不仅需要理论的推动也需要技术方法的创新.数据挖掘是在信息化环境下发展起来的一门新技术,其在信息的深入加工、充分利用方面具有独到的功能.探讨管理会计中应用数据挖掘技术的可行性,探讨数据挖掘技术在管理会计中应用的途径与领域,对于完善管理会计的技术方法体系,提升管理会计作为信息系统的功能,推动管理会计方法的创新均具有重要意义
数据挖掘是从数据当中发现趋势和模式的过程，它融台r现代统计学、知识信息系统、机器学习、决策理论和数据库管理等多学科的知识。它能有效地从大量的、不完全的、模糊的实际应用数据中，提取隐含在其中的潜存有用的信息和知识，揭示出大量数据中复杂的和隐藏的关系，为决策提供有用的参考。
常用的数据挖掘方法主要有决策树(Decision Tree)、遗传算法(Genetic Algorithms)、关联分析(Association Analysis)．聚类分析(C~smr Analysis)、序列模式分析(Sequential Pattern)以及神经网络(Neural Networks)等。SAS研究所提出的SEMMA方法是目前最受欢迎的～种数据挖掘方法，其描述的数据挖掘的大致过程包括如下步骤：(1)数据取样。在进行数据挖掘之前，首先要根据数据挖掘的目标选定相关的数据库。通过创建一个或多个数据
表进行抽样。所抽取的样本数据量既要大到足以包含有实际意义的信息，同时叉不至于大到无法处理。(2)数据探索。数据探索就是对数据进行深入调查的过程，通过对数据进行深入探察以发现隐藏在数据中预期的或未被预期的关系和异常，从而获取对事物的理解和概念。(3)数据调整。在上述两个步骤的基础上对数据进行增删、修改，使之更明确、更有效。(4)建模。使用人工神经网络、回归分析、决策树、时问序列分析等分析工具来建立模型，从数据中发现那些能够对预测结果进行可靠预测的模型。(5)评价。就是对从数据挖掘过程中发现的信息的实用性和可靠性进行评估。
数据挖掘在管理会计中的应用主要体现在以下几方面：
l、作业成本和价值链分析。作业成本法以其对成本的精确计算和对资源的充分利用引起了人们的极大兴趣，但其复杂的操作使得很多管理者望而却步。利用数据挖掘中的回归分析、分类分析等方法能帮助管理会计师确定成本动因，更加准确计算成本。同时，也可以通过分析作业与价值之间的关系，确定增值作业和非增值作业，持续改进和优化企业价值链。在Thomas G．John J和IL-woon Kim的调查中，数据挖掘被用在作业成本管理中仅占3％。
2、预测分析。管理会计师在很多情况下需要对未来进行预测。而预测是建立在大量的历史数据和适当的模式基础上的。数据挖掘自动在大型数据库中寻找预测性信息，利用趋势分析、时间序列分析等方法，建立对如销售、成本、资金等的预测模型，科学准确的预测企业各项指标，作为决箫的依据。例如对市场调查数据的分析可以帮助预测销售；根据历史资料建立销售预测模型等。
3、投资决策分析。投资决策分析本身就是一个非常复杂的过程，往往要借助一些 I：具和模型。数据挖掘技术提供_r有效的工具。从公司的财务报告、宏观的经济环境以及行业基本状况等大量
的数据资料中挖掘出与决策相关的实质性的信息，保证投资决策的正确性和有效性。如利用时间序列分析模型预测股票价格进行投资；用联机分析处理技术分析公司的信息等级，以预防投资风险等。
4、顾客关系管理。顾客关系管理是提升企业竞争优势的有力武器。首先，要对顾客群体进行分类。通过对数据仓库的分类和聚类分析，可发现群体顾客的行为规律，从而对顾客进行分组，实行差另U化服务；其次。对顾客的价值进行分析，根据帕累托定律，2O％的客户创造了企业80％的价值。针对这种情况，公司可以从客户数据库中挖掘出这部分顾客，对这部分顾客的行为、需求以及偏好进行动态跟踪和监控。并根据不同的顾客群的不同特点提供相应的产品和服务，从而与顾客建立长期的合作关系，提高顾客保持力。如在电信部门，对电信数据进行多维分析有助于识别和比较不同顾客对于产品的不同需求，从而使企业提供更有特色的产品，为顾客提供更优质的服务。
5、产品和市场分析。品种优化是选择适当的产品组合以实现最大的利益的过程，这些利益可以是短期利润。也可以是长期市场占有率，还可以是构建长期客户群及其综合体。为了达到这些目标，管理会计师不仅仅需要价格和成本数据，有时还需要知道替代品的情况以及在某一市场段位上它们与原产品竞争的状况。另外企业也需要了解～个产品是如何刺激另一些产品的销量的等等。例如，非盈利性产品本身是没有利润可言的，但是，如果它带来了可观的客户流量，并刺激 高利润产品的销售，那么，这种产品就非常有利可图，就应该包括在产品清单中。这些信息可根据实际数据，通过关联分析等技术来得到。
6、财务风险分析。管理会计师可以利用数据挖掘工具来评价企业的财务风险，建立企业财务危机预警模型，进行破产预测。破产预测或称财务危机预警模型能够帮助管理者及时了解企业的财务风险，提前采取风险防范措施，避免破产。另外，破产预测模型还能帮助分析破产原因，对企业管理者意义重大。在上个世纪3O年代，Smith和Winakor率先进行了破产预测的尝试。随后到了60年代，Ahman利用多维判别式分析(Multivariate Discriminant Analy-
豳)方法提出的Z-score破产预测模型取得了很大的成功，预测准确率高达9o％以上。此后，数据挖掘技术包括多维判别式分析 (Multivariate Diseriminant Analysis)、逻辑回归分析(LogisticRegression Analysis)、遗传算法、神经网络以及决策树等方法在企业破产预测中得到了广泛的应用
__
㈦ 最近学金融，好多知识看不懂啊::>_<:: 请结合大数据的理念对数据分析和数据挖掘能在金融市场的
首先是通过大数据可以分析客户的个人信息，收入，风险偏好等，可以推荐相应的金融产品，如果哪些年龄段和工作的人群适合基金，保险和其它有价证券；
其次是金融产品的开发上，主要有保险产品和一些其它产品，通过发病率，灾情概率等进行精算，开发出保险产品，一些其它的金融新产品也会涉及到数据分析；
再次是金融产品的定价及投资分析上，很多因素都会影响金融产品，如股票，期货，现货等，通过数据挖掘，找出其影响因素，进行价格分析。
大数据和数据挖掘主要有这几方面的应用，当然还有其它的方面，很多论述金融与数据分析的书中有很多的，可以进一步研究，还望采纳。
㈧ 股票数据挖掘的算法有那些最好给些应用的例子。
给我你的邮箱 我发给你
㈨ 国内有哪些数据分析和数据挖掘的牛人
数据分析的顶级牛人，是被各国顶级赌场拉黑名单的。
次一等的，是自己玩投放做点大家都会但都觉得不赚钱却只有他自己能闷声赚钱的。
再往下，股票证券的自动高频交易系统，一水的大数据。广告优化平台，类似芒果移动，mediav这样的，以及推荐平台 百分点这样的，靠数据吃饭的公司。
㈩ 什么是数据挖掘
数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。
1. 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）
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。
2.数据挖掘的商业背景
数据挖掘首先是需要商业环境中收集了大量的数据，然后要求挖掘的知识是有价值的。有
价值对商业而言，不外乎三种情况：降低开销；提高收入；增加股票价格。
1)数据挖掘作为研究工具 （Research）
2)数据挖掘提高过程控制（Process Improvement）
3)数据挖掘作为市场营销工具（Marketing）
4)数据挖掘作为客户关系管理CRM工具(Customer Relationship Management)
3.数据挖掘的技术背景
1)数据挖掘技术包括三个主要部分：算法和技术；数据；建模能力
2)数据挖掘和机器学习（Machine Learning）
· 机器学习是计算机科学和人工智能AI发展的产物
· 机器学习分为两种学习方式：自组织学习（如神经网络）；从例子中归纳出规则（如决
策树）
· 数据挖掘由来
数据挖掘是八十年代，投资AI研究项目失败后，AI转入实际应用时提出的。它是一个新兴
的，面向商业应用的AI研究。选择数据挖掘这一术语，表明了与统计、精算、长期从事预
言模型的经济学家之间没有技术的重叠。
3)数据挖掘和统计
统计也开始支持数据挖掘。统计本包括预言算法（回归）、抽样、基于经验的设计等
4)数据挖掘和决策支持系统
· 数据仓库
· OLAP（联机分析处理）、Data Mart（数据集市）、多维数据库
· 决策支持工具融合
将数据仓库、OLAP，数据挖掘融合在一起，构成企业决策分析环境。
4. 数据挖掘的社会背景
数据挖掘与个人预言：数据挖掘号称能通过历史数据的分析，预测客户的行为，而事实上
，客户自己可能都不明确自己下一步要作什么。所以，数据挖掘的结果，没有人们想象中
神秘，它不可能是完全正确的。
客户的行为是与社会环境相关连的，所以数据挖掘本身也受社会背景的影响。比如说，在
美国对银行信用卡客户信用评级的模型运行得非常成功，但是，它可能不适合中国