基于相关网络的股票关系演化研究
摘要：股票间的相关性分析对于风险管理、投资决策具有重要作用。针对股票市场中股票间的相关性研究，选取收益率指标作为研究对象，利用时间序列与网络阈值等相关知识，计算股票间相关系数矩阵，建立相关系数模型、股票网络等。同时，从所建立的网络出发，对市场内所有股票进行分类，通过抽取市场样本股对市场板块进行划分，并与中国现实中的板块进行比较，找出异同的原因。
关键词：股票； 关键词2：复杂网络； 关键词3：相关系数；关键词4：最佳阈值
一、文献综述
- 研究背景及意义
1.1复杂网络在股票研究领域的价值和意义
当今世界经济逐步向全球化、一体化的进程迈进，世界经济因为遍布各地的跨国公司和国际贸易的增多而紧密联系在一起，一种商品的原料采购、生产、储藏、销售等环节可能在不同的国家或地区发生。各国资金与商品的大幅流动使得各国金融市场紧密的联系在一起，各国经济相互依赖。各国间密切的经济联系，使世界经济形成了一个整体，各个国家的经济可以看作节点，各国经济间的联系可以看做网络中的边，由此构成了一个复杂的网络。2007年，发生在美国的次贷危机蔓延，波及至周边国家，进而引发全球性的金融危机，导致全球经济普遍停滞不前甚至倒退，全球股市普遍暴跌，并严重影响了实体经济的发展。各国经济金融间的紧密联系，受到了大家的普遍认可。在金融危机爆发余震未消的今天，股票市场作为经济发展的晴雨表，采用复杂网络理论来研究股票市场，为分析研究金融危机的后续影响提供了一个新方法、新视角，也为投资者投资股票提供了新的决策分析方法。
1.2 国内外在该领域的探索
股票网络是目前最受关注的复杂网络之一，许多国内外学者也纷纷在这方面做出很多有力的研究。股票价格行为数据挖掘激发了计算机科学、机器学习及其他领域研究的广泛关注。然而，由于股票价格本身的不确定性和股市的复杂性，急需从不同角度将各方面知识综合利用。本文提出了股票价格充分融合网络共识的策略，构建了基于网络共识的股票价格行为数据挖掘平台。从交易系统实时采集股票交易价格数据，同时从网络智能获取当前的讨论热点线索一并存储到平台数据库。围绕融合两方面数据进行股票价格行为数据挖掘，完成了体系架构、数据结构和分析支持组件的设计，实现了股票价格行为数据挖掘原型系统。
