股票分析和预测对上市公司和投资者都具有重大的现实意义。技术分析利用基于对股票交易历史数据计算的规则来预测股票价格的未来变动趋势。一个技术指标也就是规定了一个技术交易规则,早期针对技术指标分析的研究通常只关注一个或几个交易规则中的若干参数来帮助决策,近期的理论与研究表明,采用技术规则的组合投资往往能获得比单独地采用每一个交易规则获得更高的超额收益。投资组合选择是现代金融决策理论的基石,目前对分散风险理论的研究大多集中在多种资产的投资组合上,有关投资组合问题的研究成果均是停留在单周期投资,并没有根据市场变化调整投资周期。尽管对单期投资组合以及多期投资组合问题的研究已经取得了一定的成效,然而有关多周期(长、中、短周期)投资组合优化问题的研究刚刚起步,尚处于探索阶段。鉴于以上事实,本研究将技术规则全集扩大到多种不同时间参数下的技术指标交易规则,加入各种规则组合的复杂交易策略,以技术分析和数据挖掘相关技术为基础构建基于双聚类技术的交易规则挖掘模型。并从另一角度剖析风险分散理论,研究多周期投资组合问题,量化多周期投资组合过程中各个周期投资的资金配置比例。本文对基于双聚类的多周期投资交易规则挖掘问题进行研究,具体研究工作如下:(1)对股票分析研究内容和股票分析技术进行了系统详细的概述。(2)以技术分析和数据挖掘技术为基础构建基于双聚类技术的交易规则挖掘算法和模型。(3)运用嵌套的粒子群算法优化模型参数和多周期投资组合的资金配置。(4)通过比较本文算法(BIC-NPSO)和其他四个算法以及传统的买卖持有策略(Buy-and-Hold,BAH)运用于相同资产对象的时候所获得的期望收益率均值,本文算法的有效性和优越性被不同真实股票数据所证实。本文主要创新点在于:(1)首次将双聚类算法应用到金融交易系统设计中,通过设计高效的列一致双聚类挖掘算法找到金融价格变动过程中技术指标联动的局部一致性模式,获得交易信号,利用KNN分类算法对交易信号进行分类,进而得到性能改善的智能交易系统,并通过实证研究得到了算法和模型有效性的有力证据。(2)探讨并研究了多周期投资组合的问题。传统的大多数投资组合优化模型都是研究对投资组合选择进行优化的问题。一般都是基于单期投资或连续多期投资,并没有考虑随市场变化调整投资策略的问题,而有关多周期(长、中、短周期)投资组合优化问题的研究刚刚起步,尚处于探索阶段。本文从另一角度剖析风险分散理论,研究多周期投资组合问题,量化多周期投资组合过程中各个周期投资的资金配置比例,以根据股价的变动调整投资时机,达到避免高风险同时获取高收益的目的。(3)提出一个两层嵌套的粒子群优化算法。本文研究运用两层嵌套的粒子群优化算法,基于收益率最大化目标函数,同时优化模型中参数和多周期投资组合的资金配置,即外层粒子群算法优化改进双聚类算法中的两个阈值参数,内层粒子群算法优化多周期(长、中、短周期)投资组合的资金配置比例。(4)本文构建的模型是一个扩展性良好的框架。本文构建的模型具有很好的拓展性,易扩展至更多种类的技术指标、不同的指标参数以及不同周期投资长度,这使得本文的模型对于广大投资者来说非常具有灵活性和通用性。