MMDR算法的优化以及在证券仿真中的应用

设计了一种降低了时间复杂度和空间复杂度的横向拟正则规则双层的MMDR算法,介绍了利用这个优化的算法在股市数据中得到的正则规则进行股票价格预测的方法,以及如何将此算法的运行过程中产生的大量规则应用于证券交易仿真复杂适应系统的“个体”建模中,以解决证券交易仿真系统需要大量互不相同的个体建模的问题。

纵向环正则规则长入与后缩的MMDR算法

利用复杂适应系统为证券系统建模,需要对大量的个体建立模型,如何用简单的方法生成大量模型,是一个值得研究的问题。该文对IF-THEN正则规则(regularity)引入了“正则规则集———符号概率推导链”的概念,证明了环正则规则长入与后缩的构造性定理,给出了环正则规则生枝、剪芽、长入与后缩的操作规则,完成了纵向环正则规则长入与后缩的MMDR(aMachineMethodforDiscoveringRegularities)算法。同时阐述了如何将该算法应用于证券交易访真复杂适应系统的“个体”建模中。