⑴ 聚類分析在股票板塊中的應用 急需此題論文！！
請先看看下面這教程，看能否找到你要的答案，不明再問我。。
www.fjmu.e.cn
⑵ 大數據、雲計算、人工智慧之間有什麼樣的關系
雲計算、大數據、人工智慧這三者的發展不能分開來講，三者是有著緊密聯系的，互相聯系，互相依託的，脫離了誰都不能更好的發展，讓我們具體來看一下！
一、大數據
大數據指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》中大數據指不用隨機分析法(抽樣調查)這樣捷徑，而採用所有數據進行分析處理。大數據的5V特點(IBM提出)：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性)。
數據每天都在產生，各行各業都有，數據量也是相當之大，但如何整合數據，清洗數據，然後實現數據價值，這才是當今大數據行業的研究重點。大數據最後要實現的是數據超融合，應用到應用場景，大數據的價值才會體現出來。
人工智慧就是大數據應用的體現。
二、雲計算
雲計算(cloud computing)是基於互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態易擴展且經常是虛擬化的資源。雲是網路、互聯網的一種比喻說法。過去在圖中往往用雲來表示電信網，後來也用來表示互聯網和底層基礎設施的抽象。因此，雲計算甚至可以讓你體驗每秒10萬億次的運算能力，擁有這么強大的計算能力可以模擬核爆炸、預測氣候變化和市場發展趨勢。用戶通過電腦、筆記本、手機等方式接入數據中心，按自己的需求進行運算。
對雲計算的定義有多種說法。對於到底什麼是雲計算，至少可以找到100種解釋。現階段廣為接受的是美國國家標准與技術研究院(NIST)定義：雲計算是一種按使用量付費的模式，這種模式提供可用的、便捷的、按需的網路訪問， 進入可配置的計算資源共享池(資源包括網路，伺服器，存儲，應用軟體，服務)，這些資源能夠被快速提供，只需投入很少的管理工作，或與服務供應商進行很少的交互。
說白了，雲計算計算的是什麼？雲存儲存儲的是什麼？還是大數據！所以離開大數據談雲計算，離開雲計算談大數據，這都是不科學的。
三、人工智慧
人工智慧(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種復雜工作的理解是不同的。
人工智慧其實就是大數據、雲計算的應用場景。
現在已經比較火熱的VR，沉浸式體驗，就是依賴與大數據與雲計算，讓用戶能夠由更加真切的體驗，並且VR技術是可以使用到各行各業的。
人工智慧不同於傳統的機器人，傳統機器人只是代替人類做一些已經輸入好的指令工作，而人工智慧則包含了機器學習，從被動到主動，從模式化實行指令，到自主判斷根據情況實行不同的指令，這就是區別。
大數據的概念在前幾年已經炒得火熱，但是也就是近兩年才開始慢慢落地，依賴於雲計算的發展，以及人們對人工智慧的預期。
⑶ 量化投資—策略與技術的作品目錄
《量化投資—策略與技術》
策略篇
第 1章 量化投資概念
1.1 什麼是量化投資 2
1.1.1 量化投資定義 2
1.1.2 量化投資理解誤區 3
1.2 量化投資與傳統投資比較 6
1.2.1 傳統投資策略的缺點 6
1.2.2 量化投資策略的優勢 7
1.2.3 量化投資與傳統投資策略的比較 8
1.3 量化投資歷史 10
1.3.1 量化投資理論發展 10
1.3.2 海外量化基金的發展 12
1.3.3 量化投資在中國 15
1.4 量化投資主要內容 16
1.5 量化投資主要方法 21
.第 2章 量化選股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 實證案例：多因子選股模型 30
2.2 風格輪動 35
2.2.1 基本概念 35
2.2.2 盈利預期生命周期模型 38
2.2.3 策略模型 40
2.2.4 實證案例：中信標普風格 41
2.2.5 實證案例：大小盤風格 44
2.3 行業輪動 47
2.3.1 基本概念 47
2.3.2 m2行業輪動策略 50
2.3.3 市場情緒輪動策略 52
2.4 資金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 實證案例：資金流選股策略 60
2.5 動量反轉 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 實證案例：動量選股策略和反轉選股策略 70
2.6 一致預期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 實證案例：一致預期模型案例 78
2.7 趨勢追蹤 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 實證案例：趨勢追蹤選股模型 92
2.8 籌碼選股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 實證案例：籌碼選股模型 99
2.9 業績評價 104
2.9.1 收益率指標 104
2.9.2 風險度指標 105
第 3章 量化擇時 111
3.1 趨勢追蹤 112
3.1.1 基本概念 112
3.1.2 傳統趨勢指標 113
3.1.3 自適應均線 121
3.2 市場情緒 125
3.2.1 基本概念 126
3.2.2 情緒指數 128
3.2.3 實證案例：情緒指標擇時策略 129
3.3 有效資金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 實證案例：有效資金擇時模型 137
3.4 牛熊線 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 實證案例：牛熊線擇時模型 144
3.5 husrt指數 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 實證案例 149
3.6 支持向量機 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 實證案例：svm擇時模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 實證案例：swarch模型 164
3.8 異常指標 168
3.8.1 市場雜訊 168
3.8.2 行業集中度 170
3.8.3 興登堡凶兆 172
第 4章 股指期貨套利 180
4.1 基本概念 181
4.1.1 套利介紹 181
4.1.2 套利策略 183
4.2 期現套利 185
4.2.1 定價模型 185
4.2.2 現貨指數復制 186
4.2.3 正向套利案例 190
4.2.4 結算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 無套利區間 196
4.3.3 跨期套利觸發和終止 197
4.3.4 實證案例：跨期套利策略 199
4.3.5 主要套利機會 200
4.4 沖擊成本 203
4.4.1 主要指標 204
4.4.2 實證案例：沖擊成本 205
4.5 保證金管理 208
4.5.1 var方法 208
4.5.2 var計算方法 209
4.5.3 實證案例 211
第 5章 商品期貨套利 214
5.1 基本概念 215
5.1.1 套利的條件 216
5.1.2 套利基本模式 217
5.1.3 套利准備工作 219
5.1.4 常見套利組合 221
5.2 期現套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值稅風險 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 實證案例：pvc跨期套利策略 233
5.4 跨市場套利 234
5.4.1 套利策略 234
5.4.2 實證案例：倫銅—滬銅跨市場套利 235
5.5 跨品種套利 236
5.5.1 套利策略 237
5.5.2 實證案例 238
5.6 非常狀態處理 240
第 6章 統計套利 242
6.1 基本概念 243
6.1.1 統計套利定義 243
6.1.2 配對交易 244
6.2 配對交易 247
6.2.1 協整策略 247
6.2.2 主成分策略 254
6.2.3 績效評估 256
6.2.4 實證案例：配對交易 258
6.3 股指套利 261
6.3.1 行業指數套利 261
6.3.2 國家指數套利 263
6.3.3 洲域指數套利 264
6.3.4 全球指數套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可轉債—融券套利 268
6.4.3 股指期貨—融券套利 269
6.4.4 封閉式基金—融券套利 271
6.5 外匯套利 272
6.5.1 利差套利 273
6.5.2 貨幣對套利 275
第 7章 期權套利 277
7.1 基本概念 278
7.1.1 期權介紹 278
7.1.2 期權交易 279
7.1.3 牛熊證 280
7.2 股票/期權套利 283
7.2.1 股票—股票期權套利 283
7.2.2 股票—指數期權套利 284
7.3 轉換套利 285
7.3.1 轉換套利 285
7.3.2 反向轉換套利 287
7.4 跨式套利 288
7.4.1 買入跨式套利 289
7.4.2 賣出跨式套利 291
7.5 寬跨式套利 293
7.5.1 買入寬跨式套利 293
7.5.2 賣出寬跨式套利 294
7.6 蝶式套利 296
7.6.1 買入蝶式套利 296
7.6.2 賣出蝶式套利 298
7.7 飛鷹式套利 299
7.7.1 買入飛鷹式套利 300
7.7.2 賣出飛鷹式套利 301
第 8章 演算法交易 304
8.1 基本概念 305
8.1.1 演算法交易定義 305
8.1.2 演算法交易分類 306
8.1.3 演算法交易設計 308
8.2 被動交易演算法 309
8.2.1 沖擊成本 310
8.2.2 等待風險 312
8.2.3 常用被動型交易策略 314
8.3 vwap演算法 316
8.3.1 標准vwap演算法 316
8.3.2 改進型vwap演算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 並購套利策略 324
9.1.2 定向增發套利 325
9.1.3 套利重倉停牌股票的投資組合 326
9.1.4 封閉式投資組合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 無風險套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 實證案例：lof 套利 337
9.4 高頻交易 341
9.4.1 流動性回扣交易 341
9.4.2 獵物演算法交易 342
9.4.3 自動做市商策略 343
9.4.4 程序化交易 343
理論篇
第 10章 人工智慧 346
10.1 主要內容 347
10.1.1 機器學習 347
10.1.2 自動推理 350
10.1.3 專家系統 353
10.1.4 模式識別 356
10.1.5 人工神經網路 358
10.1.6 遺傳演算法 362
10.2 人工智慧在量化投資中的應用 366
10.2.1 模式識別短線擇時 366
10.2.2 rbf神經網路股價預測 370
10.2.3 基於遺傳演算法的新股預測 375
第 11章 數據挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要內容 385
11.2.1 分類與預測 385
11.2.2 關聯規則 391
11.2.3 聚類分析 397
11.3 數據挖掘在量化投資中的應用 400
11.3.1 基於som 網路的股票聚類分析方法 400
11.3.2 基於關聯規則的板塊輪動 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波變換主要內容 409
12.2.1 連續小波變換 409
12.2.2 連續小波變換的離散化 410
12.2.3 多分辨分析與mallat演算法 411
12.3小波分析在量化投資中的應用 414
12.3.1 k線小波去噪 414
12.3.2 金融時序數據預測 420
第 13章 支持向量機 429
13.1 基本概念 430
13.1.1 線性svm 430
13.1.2 非線性svm 433
13.1.3 svm分類器參數選擇 435
13.1.4 svm分類器從二類到多類的推廣 436
13.2 模糊支持向量機 437
13.2.1 增加模糊後處理的svm 437
13.2.2 引入模糊因子的svm訓練演算法 439
13.3 svm在量化投資中的應用 440
13.3.1 復雜金融時序數據預測 440
13.3.2 趨勢拐點預測 445
第 14章 分形理論 452
14.1 基本概念 453
14.1.1 分形定義 453
14.1.2 幾種典型的分形 454
14.1.3 分形理論的應用 456
14.2 主要內容 457
14.2.1 分形維數 457
14.2.2 l系統 458
14.2.3 ifs系統 460
14.3 分形理論在量化投資中的應用 461
14.3.1 大趨勢預測 461
14.3.2 匯率預測 466
第 15章 隨機過程 473
15.1 基本概念 473
15.2 主要內容 476
15.2.1 隨機過程的分布函數 476
15.2.2 隨機過程的數字特徵 476
15.2.3 幾種常見的隨機過程 477
15.2.4 平穩隨機過程 479
15.3 灰色馬爾可夫鏈股市預測 480
第 16章 it技術 486
16.1 數據倉庫技術 486
16.1.1 從資料庫到數據倉庫 487
16.1.2 數據倉庫中的數據組織 489
16.1.3 數據倉庫的關鍵技術 491
16.2 編程語言 493
16.2.1 GPU演算法交易 493
16.2.2 MATLAB 語言 497
16.2.3 c#語言 504
第 17章 主要數據與工具 509
17.1 名策多因子分析系統 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易開拓者：期貨自動交易平台 514
17.4 大連交易所套利指令 518
17.5 mt5：外匯自動交易平台 522
第 18章 量化對沖交易系統：D-alpha 528
18.1 系統構架 528
18.2 策略分析流程 530
18.3 核心演算法 532
18.4 驗證結果 534
表目錄
表1 1 不同投資策略對比 7
表2 1 多因子選股模型候選因子 30
表2 2 多因子模型候選因子初步檢驗 31
表2 3 多因子模型中通過檢驗的有效因子 32
表2 4 多因子模型中剔除冗餘後的因子 33
表2 5 多因子模型組合分段收益率 33
表2 6 晨星市場風格判別法 36
表2 7 夏普收益率基礎投資風格鑒別 37
表2 8 中信標普風格指數 41
表2 9 風格動量策略組合月均收益率 43
表2 10 大小盤風格輪動策略月收益率均值 46
表2 11 中國貨幣周期分段（2000—2009年） 49
表2 12 滬深300行業指數統計 50
表2 13 不同貨幣階段不同行業的收益率 51
表2 14 招商資金流模型（cmsmf）計算方法 58
表2 15 招商資金流模型（cmsmf）選股指標定義 59
表2 16 資金流模型策略——滬深300 61
表2 17 資金流模型策略——全市場 62
表2 18 動量組合相對基準的平均年化超額收益（部分） 68
表2 19 反轉組合相對基準的平均年化超額收益(部分) 69
表2 20 動量策略風險收益分析 71
表2 21 反轉策略風險收益分析 73
表2 22 趨勢追蹤技術收益率 93
表2 23 籌碼選股模型中單個指標的收益率情況對比 99
表3 1 ma指標擇時測試最好的20 組參數及其表現 117
表3 2 4個趨勢型指標最優參數下的獨立擇時交易表現比較 120
表3 3 有交易成本情況下不同信號個數下的綜合擇時策略 120
表3 4 自適應均線擇時策略收益率分析 124
表3 5 市場情緒類別 126
表3 6 滬深300指數在不同情緒區域的當月收益率比較 128
表3 7 滬深300指數在不同情緒變化區域的當月收益率比較 129
表3 8 滬深300指數在不同情緒區域的次月收益率比較 130
表3 9 滬深300指數在不同情緒變化區域的次月收益率比較 130
表3 10 情緒指數擇時收益率統計 132
表3 11 svm擇時模型的指標 156
表3 12 svm對滬深300指數預測結果指標匯總 156
表3 13 svm擇時模型在整體市場的表現 156
表3 14 svm擇時模型在單邊上漲市的表現 157
表3 15 svm擇時模型在單邊下跌市的表現 158
表3 16 svm擇時模型在震盪市的表現 159
表3 17 雜訊交易在熊市擇時的收益率 170
表4 1 各種方法在不同股票數量下的跟蹤誤差（年化） 190
表4-2 股指期貨多頭跨期套利過程分析 199
表4 3 不同開倉比例下的不同保證金水平能夠覆蓋的市場波動及其概率 211
表4 4 不同倉單持有期下的保證金覆蓋比例 212
表6 1 融券標的股票中在樣本期內最相關的50 對組合（部分） 248
表6 2 殘差的平穩性、自相關等檢驗 249
表6 3 在不同的閾值下建倉、平倉所能獲得的平均收益 251
表6 4 採用不同的模型在樣本內獲取的收益率及最優閾值 252
表6 5 採用不同的模型、不同的外推方法在樣本外獲取的收益率（%） 253
表6 6 主成分配對交易在樣本內取得的收益率及最優閾值 255
表6 7 主成分配對交易在樣本外的效果 255
表6-8 各種模型下統計套利的結果 256
表6 9 延後開倉+提前平倉策略實證結果 260
表6 10 各行業的配對交易結果 261
表7 1 多頭股票-期權套利綜合分析表 283
表7 2 多頭股票—股票期權套利案例損益分析表 284
表7 3 多頭股票-指數期權套利案例損益分析表 285
表7 4 轉換套利分析過程 286
表7 5 買入跨式套利綜合分析表 289
表7 6 買入跨式套利交易細節 289
表7 7 賣出跨式套利綜合分析表 291
表7 8 賣出跨式套利交易細節 292
表7 9 買入寬跨式套利綜合分析表 293
表7 10 賣出寬跨式套利綜合分析表 294
表7 11 買入蝶式套利綜合分析表 296
表7 12 賣出蝶式套利綜合分析表 298
表7 13 買入飛鷹套利分析表 300
表7 14 賣出飛鷹式套利綜合分析表 301
表9 1 主要並購方式 324
表9 2 並購套利流程 325
表9 3 鵬華300 lof兩次正向套利的情況 339
表9 4 鵬華300 lof兩次反向套利的情況 340
表10 1 自動推理中連詞系統 352
表10 2 模式識別短線擇時樣本數據分類 369
表10 3 rbf神經網路股價預測結果 375
表10 4 遺傳演算法新股預測參數設置 379
表10 5 遺傳演算法新股預測結果 380
表11 1 決策樹數據表 389
表11 2 關聯規則案例數據表 392
表11 3 som股票聚類分析結果 403
表11 4 21種股票板塊指數布爾關系表數據片斷 404
表12 1 深發展a日收盤價小波分析方法預測值與實際值比較 427
表12 2 不同分解層數的誤差均方根值 428
表13 1 svm滬深300指數預測誤差情況 445
表13 2 svm指數預測和神經網路預測的比較 445
表13 3 技術反轉點定義與圖型 448
表13 4 svm趨勢拐點預測結果 450
表14 1 持續大漲前後分形各主要參數值 463
表14 2 持續大跌前後分形個主要參數值 465
表14 3 外匯r/ s 分析的各項指標 469
表14 4 v(r/s)曲線回歸檢驗 470
表15 1 灰色馬爾可夫鏈預測深證成指樣本內（2005/1—2006/8） 484
表15 2 灰色馬爾可夫鏈預測深證成指樣本外（2006/9—2006/12） 484
表16-1 vba的12種數據類型 499
表18-1 d-alpha系統在全球市場收益率分析 534
⑷ 股票概念的聚類用什麼模型
所有股票分析軟體都有這個功能，輸入想看概念板塊，如煤炭輸入MT小寫就可以看到了
⑸ 如何用MATLAB對股票數據做聚類分析
直接調kmeans函數。
k = 3;%類別數
idx = kmeans(X, k);%idx就是每個樣本點的標號。
⑹ 波動聚類（volatility clustering）
經典資本市場理論在描述股票市場收益率變化時，所採用的計量模型一般都假定收益率方差保持不變。這一模型符合金融市場中有效市場理論，運用簡便，常用來預測和估算股票價格。但對金融數據的大量實證研究表明，有些假設不甚合理。一些金融時間序列常常會出現某一特徵的值成群出現的現象。如對股票收益率建模，其隨機攪動項往往在較大幅度波動後面伴隨著較大幅度的波動，在較小波動幅度後面緊接著較小幅度的波動，這種性質稱為波動率聚類(volatility clustering)。該現象的出現源於外部沖擊對股價波動的持續性影響，在收益率的分布上則表現為出尖峰厚尾（fattails）的特徵。
⑺ python自學，需要學習那些內容有沒有課程大綱推薦
一般對於python的學習主要可以分為4大階段：
第一階段學習Python核心編程，主要是Python語言基礎、Linux、MySQL，前期學習Python編程語言基礎內容;中期主要涉及OOP基礎知識，學習後應該能自己處理OOP問題，具有初步軟體工程知識並樹立模塊化編程思想，以及了解什麼是資料庫以及相關知識。
第二個階段主要是學習全棧開發，主要是Web編程基礎、Flask框架、Django框架、Tornado框架，這一部分主要是前端網站開發流程，培養方向是前端開發工程師或者是Web全棧開發工程師、Python開發工程師。
第三階段是網路爬蟲，主要包括數據爬取、Scrapy框架項目、分布式爬蟲框架等，培養方向是Python爬蟲工程師
第四階段培訓的是人工智慧，主要是數據分析、機器學習、深度學習，能夠學到人工智慧領域中的圖像識別技術，對行業中流行的數據模型和演算法有所了解，使用主流人工智慧框架進行項目開發，深入理解演算法原理與實現步驟。培養方向是數據分析師、演算法工程師、數據挖掘工程師以及人工智慧工程師。