“股票交易数据拟合与聚类研究”
这篇硕士学位论文主要探讨了在股票交易领域，如何利用数据拟合和聚类分析来理解和揭示股票交易数据中的隐藏模式。作者乔鑫在哈尔滨工业大学攻读管理学硕士学位，导师为李宝家副教授，专业方向为技术经济及管理。
首先，随着中国股票市场的快速发展和规范化，投资者对于股票投资的需求日益增长，对投资决策的科学性和准确性提出了更高要求。为了降低风险并获取高额回报，投资者需要深入理解股票数据的实质。股票交易数据中包含了丰富的信息，因此对这些数据进行深入分析具有重要的实际意义。
传统的股票分析通常依赖于时间序列方法，但这种方法在处理复杂、多变的股票交易数据时存在局限性。鉴于此，论文作者提出了利用函数性数据分析方法来处理股票交易数据。这种新方法能够更好地捕捉数据的内在结构，特别是考虑到股票价格的波动往往具有一定的函数性特征。
论文的主要工作集中在两方面：一是对股票交易数据进行预处理和曲线拟合。预处理是为了消除噪声和异常值，提高数据质量；曲线拟合则是将非结构化的原始数据转化为可比较的函数形式，这有助于揭示数据的潜在规律。二是利用得到的函数系数矩阵进行聚类分析。通过聚类，可以将股票分为不同的群体，从而识别出相似交易行为的股票或具有特定市场特征的股票群组。
聚类分析能够帮助投资者发现市场中的共同趋势，识别股票之间的关联性，这对于制定投资策略、风险管理和资产配置具有重大价值。例如，投资者可能发现某些股票在特定经济环境下表现相似，或者某些股票在特定时间段内有共同的价格动态。这些发现可以作为投资决策的重要依据。
这篇论文通过结合函数拟合和聚类分析，为股票交易数据的研究提供了一种新的视角，对于提高股票投资的科学性和有效性具有理论与实践的双重意义。它展示了在大数据背景下，如何运用现代统计方法和计算工具来挖掘和解读股票市场的复杂信息，为投资者提供更精准的投资指导。
