基于MNN-Voting模型的股票市场风险监测方法与流程

基于mnn-voting模型的股票市场风险监测方法
[0001]
技术领域：本发明涉及股票交易技术领域，具体涉及一种基于mnn-voting模型的股票市场动态止损风险监测方法。
[0002]


背景技术：
：自股票市场产生以来，投资者对市场的行情趋势展开了深入的研究，旨在发现股票价格变化背后潜在的规则，以找出合适的交易时间获得投资收益，这一系列研究产生了技术分析理论。
[0003]
现有的技术分析理论已经发展出了一套成熟的指标及其应用规则，通过数学公式计算或画线工具获得一些指标，随后根据指标的值进行市场分析与趋势判断。
[0004]
对于现有技术，例如macd指标的应用，首先通过公式计算macd、dif与dea的值后，再根据如下规则进行行情分析：dif与dea均为正值时，属多头市场，dif向上突破dea，可作买入信号；dif与dea均为负值时，属空头市场，dif向下跌破dea，可作卖出信号。
[0005]
这种技术分析的缺陷与不足在于，其一，其考虑范围较窄，预测精度不够高，例如对于上述的macd指标，在计算中仅仅考虑了市场上某一支指数的价格因素，评价要素单一，不够全面；其二，技术分析存在一定的盲区，例如对于牛市末期反转行情，其第一波下跌行情往往是惯性下跌，而许多技术指标会出现超跌反弹信号，这样的误判信号正是技术盲区；其三，技术分析也存在一定的误区，或是滞后现象，容易误判，导致分析的结果有时是错误的，而对于这种错误，也缺乏误判后及时发现改正的能力。
[0006]


技术实现要素：
：针对上述现有技术的不足，提出了一种基于mnn-voting模型的股票市场动态止损风险监测方法，对市场进行了多维度的分析，结合了macd、新高新低（30）、新高新低（60）等指标，并计算了macd的变化倍率power，与新高新低比率rate，采用回测法计算指标参数，并建立了mnn-voting模型设计分析规则，主要步骤如下：步骤1：从历年的时间角度出发，结合市场新高新低，macd等指标，计算变化倍率，新高新低比率，从而生成新高与新低序列；步骤2：通过新高新低的序列变化，计算出仓位的变化，从而得到初步的仓位情况；步骤3：通过计算以小时频率的macd，并以日为单位取平均，选取能取得最高收益的power范围，同时选取过去一定时间的新高与新低序列，判断是否为稳定上涨或下跌，并根据上涨下跌情况对买入或卖出进行投票赞同或反对，最终选取能取得最高收益的回看序列；步骤4：通过上一年的历史市场交易数据，对每一年都制定了独立的止损线，保持买卖收益率稳定。并通过复合过滤来对市场的当前状态进行定量分析，做出符合趋势预测，同时也符合当前市场实际情况的判断，并用来指导交易。
[0007]
具体的过滤方案如下：1、过滤1：根据过去6个月的回测情况，选取能取得最高收益的新高新低（60）参数，并计算新高新低比率rate=min{新高，新低}/ max{新高，新低}。这里新高（新低）值指的是最近5
分钟的最高价（最低价）是当日的最高价（最低价）的股票数量（针对全市场），60指以每60分钟为界，计算其总和，再对这一序列做均线，参数是指均线的参数n，下同。
[0008]
2、过滤2：根据过去6个月的回测情况，选取能取得最高收益的新高新低（30）参数，生成新高序列与新低序列，当新高线向上穿过新低线时，记position=1，当新高线向下穿过新低线时，记position=0，否则记为nan。
[0009]
3、过滤3：计算小时频率的macd，并以日为单位取平均，记为avg_macd，计算power=后一日avg_macd/前一日avg_macd，根据过去6个月的回测情况，选取能取得最高收益的power范围，删除该范围以外的交易日。对macd一直在上涨的交易日，记m=1，对macd一直在下跌的交易日，记m=0，否则记为nan。
[0010]
4、过滤4：选取过去一定时间的新高与新低序列，判断是否为稳定上涨或下跌，并根据上涨下跌情况对买入或卖出进行投票赞同或反对这里记新高（新低）的上涨为a，新高（新低）的下跌为b，无序的情况则为c，每个交易日都会存在两个态度，例如ab表示新高的上涨与新低的下跌。根据过去6个月的回测情况，选取能取得最高收益的回看序列。
[0011]
5、过滤5：每到新的一年的第一个交易日，都会以上一整年作为交易测试日期，将浮盈止损线从0.051遍历到0.07，间隔0.001，将浮盈止损线从0.04历到0.49，间隔0.001，共计遍历200次。从中选取上一整年测试中利润率最大的遍历中的一组浮盈止损参数和浮亏止损参数，作为新的一整年的止损线参数。
[0012]
上述提到的回测方案，也即模型的整合方案，将得到买入或卖出的指导时间，具体方案如下：6、整合1：针对上述过滤2与3中的position与m，记merge=position*m if position exists or m exists else nan （这里假定1*nan=1,0*nan=0）7、整合2：根据merge的情况与过滤4中的投票，生成最终的指导f。投票规则如下：aa bb cc否决cc 同意ab/ac/cb 同意1 否决0ba/ca/bc 同意0 否决1对于这里的1，代表预测上涨、建议买入的态度；0，代表预测下跌、建议卖出的态度。
[0013]
附图说明：如所示，本附图1是一个基于mnn-voting模型的股票市场动态止损风险监测方法的流程图，该流程图包括如下步骤：步骤1：从历年的时间角度出发，对数据进行处理，结合市场的开盘价、收盘价、最高价、最低价、成交量等等指标，计算变化倍率，新高新低比率，从而生成新高与新低序列；步骤2：计算新高新低，得到季度参数。通过新高新低的序列变化，计算出仓位的变化，从而得到初步的仓位情况；步骤3：在每年的第一个交易日计算前一年的最佳止损参数，并应用于今年的止损；步骤4：通过计算以小时频率的macd，并以日为单位取平均，选取能取得最高收益的power范围，同时选取过去一定时间的新高与新低序列，判断是否为稳定上涨或下跌，并根据上涨下跌情况对买入或卖出进行投票赞同或反对，最终选取能取得最高收益的回看序列。根据季度参数生成初始买卖时间；
步骤5：将初始买卖时间经过止损和复合过滤生成最终的买卖交易时间，并用来指导交易。
具体实施方式
[0014]
下面结合说明书附图对本发明作进一步的详细说明如图1所示，本发明提供了一种基于mnn-voting模型的股票市场动态止损风险监测方法，该方法包括如下步骤：步骤1：从历年的时间角度出发，对数据进行处理，结合市场的开盘价、收盘价、最高价、最低价、成交量等等指标，计算变化倍率，新高新低比率，从而生成新高与新低序列；步骤2：计算新高新低，得到季度参数。通过新高新低的序列变化，计算出仓位的变化，从而得到初步的仓位情况；步骤3：在每年的第一个交易日计算前一年的最佳止损参数，并应用于今年的止损；步骤4：通过计算以小时频率的macd，并以日为单位取平均，选取能取得最高收益的power范围，同时选取过去一定时间的新高与新低序列，判断是否为稳定上涨或下跌，并根据上涨下跌情况对买入或卖出进行投票赞同或反对，最终选取能取得最高收益的回看序列。根据季度参数生成初始买卖时间；步骤5：将初始买卖时间经过止损和复合过滤生成最终的买卖交易时间，并用来指导交易。
[0015]
本发明基于mnn-voting模型对于股票市场风险进行动态止损监测，通过从时间角度出发，对股票市场历史交易数据进行多维度、多周期的刻画，对每一年都制定了独立的止损线，保持买卖收益率稳定。同时通过复合过滤来对市场的当前状态进行定量分析，实现对股票市场风险的监测，做出符合当前市场的趋势预测，并用来指导交易；由于其交易频率设定为日级别，与公募基金的特征匹配，提高了公募基金投资风险收益比。
[0016]
本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。