一种股票历史趋势关键点的筛选方法及趋势预测方法与流程

本发明属于金融大数据
技术领域：
，具体涉及一种股票历史趋势关键点的筛选方法及趋势预测方法。
背景技术：
：随着经济的发展，股票市场海量数据不断涌现，需要寻求一种有效且高效率的方式对其进行分析处理。随着数据挖掘技术的提出和应用，为股票趋势预测提供了新的建模方法，其中具有代表性的数据挖掘方法为神经网络，神经网络作为一种进行信息处理的数学模型，能够根据数据的特征建立相应的模型，并且具有良好的数据处理能力。因此，在预测领域取得了很好的发展。但是，影响股票趋势的因素很多，作用原理不尽相同，传统单一的技术分析方法难以包含所有影响股票趋势的信息，另外，影响股票涨跌趋势的因素是相关的、错综复杂的。因此通过多种技术方法的结合，达到取长补短的效果尤为重要。技术实现要素：针对上述现有技术存在的问题，本发明提供了一种股票历史趋势关键点的筛选方法及趋势预测方法，具体通过如下技术方案予以实现：一种股票历史趋势关键点的筛选方法，本方法基于滑动窗口技术筛选关键点，所述关键点包括上涨关键点、平稳关键点及下跌关键点；上涨关键点的筛选：计算滑动窗口大小为m，时间序列为n的待预测股票的总涨幅量rinsm，其中，m＝m1,m2,...,mσ,...，σ为大于等于1的整数，m取正整数，n＝n1,n2,...,ni,...,nδ，ni代表n中第i个时间点，δ为大于等于1的整数，其中，代表ni时的收盘价,代表ni+m1时的收盘价，"＞0"表示满足计算平均涨幅量raveins：rcountsm表示的个数；计算最佳滑动窗口大小mσ：重复上述步骤，依次计算m2,...,mσ,...分别对应的平均涨幅，取最大平均涨幅对应的滑动窗口大小mσ作为最佳滑动窗口大小；提取上涨关键点rt：其中，"＞raveins"表示取值大于ravei值，rt＝t1,t2,...,tφ，tφ表示rt中共有φ个时间矢量，φ为大于等于1的整数；下跌关键点的筛选：计算滑动窗口大小为mσ，时间序列为n的待预测股票的总跌幅量其中，,代表ni+mσ时的收盘价，"＜0"表示满足计算待预测股票平均跌幅量faveins，表示的个数；提取下跌关键点ft:其中，"＜faveins"表示取值小于faveins值，表示ft中共有个时间矢量，为大于等于1的整数；平稳关键点的筛选：提取平稳关键点st：其中，st＝γ1,γ2,...,γυ，γυ表示st中共有υ个时间矢量，υ为大于等于1的整数，"＞faveins&&＜raveins"表示值满足涨幅小于平均涨幅量且跌幅大于平均跌幅量，取5≤m≤10。本发明还提供一种股票趋势预测方法，本方法基于技术指标理论形成待预测股票趋势关键点的特征集合，并对待预测股票趋势关键点的特征集合进行分类预期，包括以下步骤：按上述方法提取待预测股票的上涨关键点rt、平稳关键点st、下跌关键点ft；采用技术指标理论分别筛选上涨关键点rt、平稳关键点st及下跌关键点ft对应的技术特征，得到上涨关键点技术指标特征集合、平稳关键点技术指标特征集合及下跌关键点技术指标特征集合；根据上涨关键点技术指标特征集合、平稳关键点技术指标特征集合及下跌关键点技术指标特征集合对待预测股票进行分类预测。采用pca-elm算法进行分类预测。与现有技术相比，本发明具有以下技术效果：1.本发明的方法是对同一股票样本集经过滑动窗口筛选出趋势关键点后，利用关键点下的多维技术指标表示趋势特征，可提高股票趋势预测准确率10％，预测时间更短。2.本发明的方法由于是将股票平稳时期的变化单独作为一类，所以避免了其对上涨或下跌趋势特征表示的影响。附图说明图1是武钢股份个股1999/8/3到2016/10/18的股票数据，(a)为开盘价及收盘价数据，(b)为最高价及最低价数据，(c)为成交量及成交额数据；图2是股票时间序列最佳滑动窗口大小图；图3是四种算法下武钢股份预测准确率曲线图,(a)为训练数据预测准确率，(b)为测试数据预测准确率；图4是四种算法下武钢股份预测时间曲线图。下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。具体实施方式实施例1本实施例提供一种股票历史趋势关键点的筛选方法，以武钢股份个股1999/8/3到2016/10/18数据作为实验数据集(如图1)，根据收益率选取上涨、下跌和平稳状态的关键点，包括以下步骤：按照如下公式进行股票历史趋势关键点的筛选：1.1上涨关键点：总涨幅量rinsm的计算：其中，m分别取值为m1＝5，m2＝6，m3＝7，m4＝8，m5＝9，m6＝10，n为1999/8/3到2016/10/18，n＝n1,n2,...,ni,...,nδ，δ＝4000，表明n中共有4000个时间点，n1为1999/8/3，n2为1999/8/4…，nδ为2016/10/18,经计算：得到m1＝5时的总涨幅量为rins5＝111.4142；得到m2＝6时的总涨幅量为rins6＝123.3046；得到m3＝7时的总涨幅量为rins7＝133.5427；得到m4＝8时的总涨幅量为rins8＝143.1859；得到m5＝9时的总涨幅量为rins9＝153.3876；得到m6＝10时的总涨幅量为rins10＝162.8488；经计算对应的平均涨幅分别为：m1＝5时rcounts5为1914，则raveins＝0.0582；m2＝6时rcounts6为1929，则raveins＝0.0639；m3＝7时rcounts7为1931，则raveins＝0.0692；m4＝8时rcounts8为1916，则raveins＝0.0747；m5＝9时rcounts9为1927，则raveins＝0.0796；m6＝10时rcounts10为1917，则raveins＝0.0849。最大平均涨幅为0.0849，因此本实施例取最大平均涨幅0.0849对应的滑动窗口大小m6＝10作为最佳滑动窗口大小，σ为6，如图2所示。则在最佳滑动窗口大小下，上涨关键点为：得到的rt中共有688个时间矢量，φ为688，即688个上涨关键点，分别为730335,730336,730358,…,736182,736202，见表1(注：为方便统计，本实施例将0000/1/1定义为1，表示0000/1/1这天为第1天，依次类推，例如，本发明的730335为1999/8/3，表示1999/8/3为第730335天。)。表1武钢股份上涨关键点1.2下跌关键点：总跌幅量finsm的计算：经计算，总跌幅量为181.6591，待预测股票平均跌幅量faveins为0.1505，按照上涨关键点中确定的滑动窗口大小筛选下跌关键点，得到的ft中共有690个时间矢量，为690，即690个下跌关键点，分别为730338,730342,730372,…,736252，736253，见表2。表2武钢股份下跌关键点1.3平稳关键点：根据涨幅小于平均涨幅量且跌幅大于平均跌幅量筛选平稳关键点：得到的st中共有847个时间矢量，υ为2622，即2622个平稳关键点，见表3。表3武钢股份平稳关键点实施例2本实施例提供一种股票趋势预测方法，对实施例1得到的三种趋势关键点，用技术指标多维矩阵表示武钢股份各趋势的特征，其中选取的技术指标有：成交量、arbr(2个：ar、br)、bias(3个：bias6、bias12、bias24)、boll(3个：boll1、boll2、boll3)、dma(2个：dma、ama)、dpo、ema、kdj(3个：k、d、j)、ma(2个：ma5、ma10)、macd(3个：dif、dea、macd)、psy、wvad共23个，此步骤为常规操作，以下举例说明，在趋势特征表示过称中，用技术指标多维矩阵表示股票趋势转变信号，强化指标特征对股票趋势影响的权重。1、上涨趋势特征公式定义pr表示股票上涨趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势上涨样本数，其中x＝688。τ表示多维矩阵跨度大小，t1表示股票上涨趋势转折点时间。具体的结果如表4所示，横排表示23个技术特征指标，纵列表示688个上涨关键点。表4上涨关键点技术指标特征集合表123………222310.1388890.313179-0.99012………0.161587-0.9473620.1428570.346873-0.99077………0.11348-0.9481930.1142860.294019-0.99856………0.06467-0.9526640.4285710.218042-1.0031………0.047492-0.957350.2571430.179063-1.00375………0.036913-0.95883………………………………………………………………………6870.146341-0.5823-0.98557………0.040672-0.945246880.153846-0.62107-0.98493………0.005217-0.945392、下跌趋势特征公式定义pf表示股票下跌趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势下跌样本数，其中x＝690。τ表示多维矩阵跨度大小，t-1表示股票下跌趋势转折点时间。具体的结果如表5。表5下跌关键点技术指标特征集合表3、平稳趋势特征公式定义ps表示股票平稳趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势平稳样本数，其中x＝847。τ表示多维矩阵跨度大小，t0表示股票平稳转折点时间。具体的结果如表6。表6平稳关键点技术指标特征集合表采用这三类技术指标特征集合，利用pca-elm分类方法建立分类模型，选取每种趋势前600个时间点作为训练数据，后50个作为测试数据进行分类，同时分别采用四种算法从准确率和预测时间进行对比，如图3、4所示。结果表明，本发明的整个方案在分类准确率和预测时间上都表现良好，相关理论可为股票投资者提供有效的决策支持。当前第1页12