C5.0决策树与神经网络在股票预测中的比较研究

"这篇硕士论文探讨了决策树和神经网络算法在股票分类预测中的应用，选择了2012年A股市场的200家上市公司作为研究样本，通过C5.0决策树、BP神经网络和RBF神经网络构建分类预测模型，并比较了不同算法的预测准确率。结果显示，C5.0决策树算法在测试集上的预测准确率最高。研究还发现每股收益增长率、现金流动负债比和流动比率是影响上市公司综合经营绩效的关键因素。这些模型和分析有助于投资者做出更明智的股票投资决策。" 这篇硕士论文深入研究了股票市场的预测方法，特别是决策树和神经网络算法在股票分类预测中的效用。作者选取了2012年中国A股市场200家上市公司的数据，这些公司被分为综合绩效最优、最差和一般三类，以评估不同算法在处理各种绩效水平公司时的表现。论文中，14个关键的财务指标被选为输入变量，包括但不限于每股收益增长率、现金流动负债比和流动比率，这些指标被认为对公司的经营绩效有显著影响。 论文采用了SPSS Clementine软件，通过C5.0决策树、BP神经网络和RBF神经网络这三种分类算法，构建了预测模型。每个模型的训练集占80%，测试集占20%，以确保模型的建立和有效性检验都是基于未见过的数据。通过对比，C5.0决策树算法在测试集上的预测准确率优于其他两种算法，显示出其在股票分类预测上的优越性。 此外，研究结果表明，每股收益增长率对公司的综合经营绩效影响最大，而现金流动负债比和流动比率也是重要的影响因素。这些发现对于投资者来说具有很高的价值，因为它们揭示了哪些财务指标可能预示着公司的良好表现。通过应用这些分类预测模型，投资者可以识别出优秀上市公司的共同特征，从而在股票投资中做出更为理性的决策。 论文的贡献不仅在于提供了股票预测的新视角，还强调了数据科学方法在复杂金融市场问题中的应用。通过这种方法，可以更好地理解和预测股票市场的动态，为投资者提供更精准的信息支持。同时，这也体现了杭州电子科技大学在统计学领域的研究实力和对实际问题的解决能力。