股票分类预测中决策树与神经网络算法的应用.pdf

简介：
本文探讨了在股票市场分类预测中应用决策树和神经网络算法的效果，分析两种方法的优势及局限性，并提供了实证研究数据支持。 本段落选取了2012年A股市场上共200家上市公司作为研究样本，其中包括50家综合绩效最佳的公司、50家表现最差的公司以及随机选择的100家中等水平的股票（其中上证交易所和深圳证券交易所各占一半）。我们以公司的整体业绩等级为输出变量，并选取了七大类别的共14个有代表性的财务指标作为输入变量。利用SPSS Clementine软件，分别使用C5.0决策树、BP神经网络以及RBF神经网络这三种分类算法来建立预测模型。 在构建这些模型时，我们随机选择了样本集中80%的数据用于训练模型；其余20%的数据则被用作测试集以评估模型的有效性。经过比较分析之后发现，C5.0决策树算法对于测试数据的预测准确率最高，因此它更具有参考价值。 此外，在研究中还探讨了三种分类方法所确定的重要变量，并得出每股收益增长率对上市公司综合经营绩效的影响最大；而现金流动负债比率和流动比率也显著影响着公司的整体表现。最后，通过上述模型的应用来分析上市公司的财务状况，找出优秀公司共有的特征指标，以帮助投资者做出更加明智的投资决策。