简介:通过《团体图形镶嵌测验》从201名大学生中筛选出48名具有典型场独立与场依存特征的大学生为被试,采用Eyelink2000型眼动仪,研究探讨不同认知风格者注视罗夏墨迹图时的眼动规律及其反应特点.结果显示:(1)在自由反应阶段,场依存者眼跳次数少,平均眼跳距离大,而反应时和注视次数都较少;场独立者反之.且图片颜色对被试反应有显著影响.彩色图片眼跳次数多,平均眼跳距离小,而反应时和注视次数都较多;非彩色图片反之.(2)在提问阶段,场认知风格在该阶段主效应显著,且一般眼动指标的规律与自由反应阶段的一致.有色彩反应(C)的反应时、注视次数和眼跳次数均显著大于没有色彩反应(UC)的.(3)反应规律:不同认知风格被试的运动反应次数差异显著,场独立者多于场依存者.
简介:摘要金融市场行业板块复杂多变的轮动现象,最终都表现为行业股价的周期现象,而我们通过从交易大数据中挖掘大概率的关联规则能够更加准确的辨析股市的轮动变化,帮助我们在未来的股市预测和决策中提供重要依据。本文运动多种数学模型和优化算法对命题进行剖析解决.问题中的市场板块划分问题是挖掘板块联动问题的重要前提,而不同角度的板块划分对不同的市场变化、行业轮换有较为适合的对应分析方法。长期稳定板块划分,我们通过使用Origin分析方法抓取符合条件的研究数据,然后根据各产业的增长率划分市场板块。板块内部分化度分析,我们抓取特高增长和高增长模块,对各部分进行Origin仿真,验证了增长率越高,市场分化程度越高,市场走势越紊乱,增长率越低,市场分化程度越低,市场走势越平稳的分化度变化规律。不同时间尺度的板块分析,我们应用机器学习--无监督学习之K-means聚类方法,演示出了板块在时间上的分合与演化。
简介:摘要金融市场行业板块复杂多变的轮动现象,最终都表现为行业股价的周期现象,而我们通过从交易大数据中挖掘大概率的关联规则能够更加准确的辨析股市的轮动变化,帮助我们在未来的股市预测和决策中提供重要依据。本文运动多种数学模型和优化算法对命题进行剖析解决.问题中的市场板块划分问题是挖掘板块联动问题的重要前提,而不同角度的板块划分对不同的市场变化、行业轮换有较为适合的对应分析方法。长期稳定板块划分,我们通过使用Origin分析方法抓取符合条件的研究数据,然后根据各产业的增长率划分市场板块。板块内部分化度分析,我们抓取特高增长和高增长模块,对各部分进行Origin仿真,验证了增长率越高,市场分化程度越高,市场走势越紊乱,增长率越低,市场分化程度越低,市场走势越平稳的分化度变化规律。不同时间尺度的板块分析,我们应用机器学习--无监督学习之K-means聚类方法,演示出了板块在时间上的分合与演化。