公司举办编程大赛，想到最近股票跌宕起伏，然后无心睡眠，所以跟我叔叔聊聊股市，叔叔操盘经常是选择A股票后，会购买B这只股票，但是A跟B之间单单从业务角度和股权分配都没有任何关系，至少从表面上是这么让人觉得。后来遵从他的劝解，我选择A\B两股，但是万万没想到的是跌得我想死，漫漫长夜，无心睡眠，起来骗点钱，看了些论文，着手把实现完成，主要使用到动态规划、排序和K-means算法结合下，进行归类那些不靠谱的股票，纪念下我那损失的万把块钱。（确切地说，损失非常严重，悟出一个真理中国股市没有任何依据可言），参考的论文是国外的课题，在附件中请查收（英文）
基于K-Means算法，探索股票趋势的数据可视化
采用欧氏距离 
数据采样
股票号码、每天的股价（统计一周的股价情况）
数据集进行[0,1]规格化
K-Means算法进行聚类算法
输出结果
ID NAME VALUE
股票号码、股票名称、股票增值幅度
SOURCE TARGET VALUE
非K股票 K的股票 关联幅度
| 工作日 | 周一 | 周二 | 周三 | 周四 | 周五 | |
| 股票代码 | ||||||
| 工大高新 | 600701 | 10 | 16 | 23 | 1 | 60 |
| 江苏有线 | 600959 | 22 | 33 | 44 | 6 | 50 |
| 青岛碱业 | 600229 | 33 | 2 | 5 | 7 | 51 |
| 物产中大 | 600704 | 4 | 34 | 33 | 45 | 53 |
| 维科精华 | 600152 | 23 | 41 | 12 | 32 | 53 |
| 信雅达 | 600571 | 45 | 4 | 22 | 23 | 53 |
| 600119 | 4 | 2 | 10 | 4 | 4 | |
| 603703 | 5 | 32 | 11 | 13 | 13 | |
| 600446 | 6 | 33 | 32 | 13 | 50 | |
| 603128 | 23 | 32 | 4 | 33 | 14 | |
| 600833 | 12 | 12 | 6 | 22 | 23 | |
| 恒生电子 | 600570 | 13 | 13 | 8 | 33 | 12 |
| 600647 | 7 | 32 | 23 | 1 | 42 | |
| 601519 | 8 | 14 | 45 | 2 | 9 | |
| 600789 | 12 | 15 | 33 | 13 | 4 | |
| 601106 | 31 | 42 | 12 | 45 | 22 |
其实这几种算法没啥新意，个人感觉比较好玩的是数据的可视化，这里使用到浙大竺可桢学院数据可视化的同学们提供的组件，非常佩服他们。http://datavlab.org/
<!DOCTYPE html>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>k-means股票数据可视化</title>
<script src="../deps/compatible.js"></script>
<script type="text/javascript" src="../deps/d3.min.js"></script>
<script type="text/javascript" src="../deps/d3.layout.min.js"></script>
<script type="text/javascript" src="../deps/d3.geom.min.js"></script>
<script type="text/javascript" src="../deps/d3.csv.js"></script>
<script src="../deps/raphael.min.js"></script>
<!-- force -->
<script type="text/javascript" src="../deps/seajs/sea.js"></script>
<script type="text/javascript">
var dir = window.location.href.replace(/\\/g,'/').replace(/\/[^\/]*$/, '');
seajs.config({
alias: {
'datav': dir + '/../datav.js',
'force': dir + '/../libs/force.js'
}
});
</script>
<STYLE type="text/css">
#chart {
border-top: 1px dashed #F00;
border-bottom: 1px dashed #F00;
padding-left: 20px;
}
.textArea {
border: 2px solid black;
color: black;
font-family: monospace;
height: 3in;
overflow: auto;
padding: 0.5em;
width: 750px;
}
</STYLE>
</head>
<body>
<div class="body">
<h1 id="forcedirected_graph">基于K-Means股票关联的数据可视化</h1>
<div class="gallery" id="chart"></div>
</div>
<script type="text/javascript">
seajs.use(["force", "datav"], function (Force, DataV) {
// DataV.changeTheme("datav");
var net = new Force("chart", {
width: 800,
height: 600,
tag: true
});
DataV.csv("test3.csv", function (source) {
net.setSource(source);
net.render();
});
});
</script>
</body>
</html>
相关推荐
K-Means算法是机器学习领域中广泛应用的一种无监督学习方法，主要用于数据的聚类分析。这个算法的主要目标是将数据集分割成K个不同的类别（或簇），使得每个簇内的数据点彼此相似，而不同簇之间的数据点差异较大。...
基于 K-means 算法的校园微博热点话题发现系统 一、研究目的 微博由其 “短平快 ” 的信息能力和快速传播能力 ，已广泛流行于高校学生的常生活中。但微博上的负面舆情信息给社会 、学校和个人带来巨大的危害 。由于...
总之，基于K-means算法的遥感图像分类在Matlab中的实现涉及数据预处理、K-means算法的调用以及结果可视化等多个环节。通过理解K-means的工作原理并熟练运用Matlab的工具，我们可以有效地对遥感图像进行自动化分类，...
Java K-Means 可视化程序是一种基于Java编程语言实现的数据分析工具，主要用于执行聚类算法中的K-Means方法，并将结果以图形化的形式展示出来。K-Means是一种广泛应用的无监督学习算法，用于将数据集分成不同的簇...
K-Means算法是机器学习领域中一种广泛应用的无监督聚类方法，它主要用于将数据集中的样本点划分到不同的类别或簇中。在模式识别中，K-Means算法常用于对未知分类的数据进行自动分组，以便于后续分析和理解。Matlab...
Python作为一门强大的编程语言，因其简洁的语法和丰富的科学计算库，成为实现K-Means算法的理想选择。 在Python中，我们通常使用`scikit-learn`库来实现K-Means算法。`scikit-learn`是Python中最重要的机器学习库之...
总之，这个Java实现的K-Means算法提供了数据挖掘中的聚类分析能力，结合可视化功能，使得用户能够更加直观地理解和应用这一经典算法。对于学习数据挖掘和机器学习的开发者来说，这是一个很好的实践项目，可以帮助...
在这个项目中，提供的Python代码可能是使用pandas库进行数据预处理，numpy进行数学计算，matplotlib和seaborn用于数据可视化，以及sklearn库中的KMeans类实现K-means算法。如果你不想更改代码中的文件路径，可以直接...
在Matlab中实现和调试k-means算法，可以利用其强大的数学计算和可视化功能，便于快速验证算法效果和优化参数。此外，对于三维数据，通过可视化结果，我们可以直观地看到不同类别的分布情况，这对于理解数据的内在...
为了可视化结果，可以将同一簇内的数字图像放在一起展示，或者绘制二维散点图，用不同颜色表示不同的簇。 最后，评估模型性能的一个常见方法是对测试集进行预测，并计算准确率。在K-Means中，由于它是一种无监督...
标题“基于 K-means 聚类算法的图像区域分割”揭示了这是一个关于利用K-means算法处理图像处理问题的项目。K-means聚类是一种常见的无监督学习方法，用于将数据集划分为K个互不重叠的类别，每个类别由其内部数据点的...
任务的目标是通过K-Means算法自动将数据集划分为不同的簇，并评估算法的性能。 #### 二、设计要求 - **输入**: 聚类个数\( k \)，以及包含\( n \)个数据对象的数据集。 - **输出**: 满足方差最小标准的\( k \)个...
K-means算法是一种广泛应用的数据挖掘技术，主要用于无监督学习中的聚类分析。它通过将数据集中的样本点分配到最近的聚类中心，不断迭代优化聚类结果，最终形成K个簇。在这个过程中，K值是预先设定的，代表希望得到...
MATLAB是一种非常适合于科学计算、数据分析和可视化编程的语言，下面我们将通过MATLAB代码来进一步理解K-means算法的具体实现： ##### 1. 一维样本分类 代码示例中，我们看到首先定义了一个样本集`samp`，然后通过...
在压缩包文件"Cluster"中，可能包含着实现这两种算法的代码示例、数据集以及聚类结果的可视化文件。通过对这些文件的分析，可以深入了解ISODATA和K-means的具体实现过程，以及如何评估和比较这两种算法的性能。例如...
在Matlab环境中实现K-means算法，可以高效地处理大量数据，并进行可视化分析。 1. **K-means算法的基本步骤**： - 初始化：选择K个初始质心（cluster centers），通常随机选取数据集中的一部分样本点。 - 分配：...
2. **准确性**：通过可视化聚类结果并对比实际类别（如果有），看哪种算法更能捕捉数据的内在结构。 3. **鲁棒性**：改变初始设置，如k-means的初始中心，或者DP-means的参数，查看算法的稳定性。 4. **适用性**：...
首先，K-Means算法的基本思想是通过迭代寻找最优的K个聚类中心，使得每个数据点到其所属簇中心的距离最小。这个过程包括两个主要步骤：初始化聚类中心和重新分配数据点。 1. 初始化聚类中心：通常选择数据集中的K个...
最后，将预处理后的文本数据输入到我们实现的K-means算法中，观察聚类结果，可能需要通过可视化工具（如matplotlib或Gephi）展示类别分布。 通过这个实验，我们可以学习到如何将机器学习算法应用于实际文本数据，...