基于股票动态趋势的股票买卖点构建方法
【专利摘要】本发明公开了一种基于股票动态趋势的股票买卖点构建方法，涉及专门适用于股票的买卖方法技术领域。所述方法首先根据股票价格序列的过程特性，建立含有系统自适应参数的股票价格序列变化模型；其次，根据建立的股票价格序列变化模型，利用股票价格观测数据值计算股票价格当前估计值；然后根据股票价格估计值计算股票价格序列的速度和加速度，构建股票买入卖出点；最后，根据股票价格加速度估计值修正系统自适应参数，利用修正的系统自适应参数更新股票价格序列的变化模型，利用更新的股票价格序列变化模型进行下一次估计。所述方法可更准确、更及时地表达股票趋势的变化模型，给出股票的买卖点。
【专利说明】
基于股票动态趋势的股票买卖点构建方法
技术领域
[0001] 本发明设及专口适用于股票的买卖方法技术领域，尤其设及一种基于股票动态趋 势的股票买卖点构建方法。
【背景技术】
[0002] 证券分析方法包括技术分析和基本面分析方法，技术分析的理论基础基于=项市 场假设:一、市场行为涵盖一切信息;二、价格沿趋势移动;=、历史会重演。从运=个基本假 设出发，产生了不同流派的技术分析研究方法和理论体系。技术分析方法可分为5类:指标 类、切线类、形态类、K线类、波浪类。使用最多的技术分析方法是技术指标。技术指标通过考 虑市场行为的多个方面建立一个数学模型，并给出完整的数学计算公式，从而得到一个体 现证券市场的某个方面内在实质的数据，即所谓技术指标值。指标值的具体数值和相互间 关系直接反映证券市场所处状态，为操作行为提供指导方向。
[0003] 目前证券市场上的经典技术指标主要有相对强弱指标(RSI)、随机指标化D)、平滑 异同移动平均线(MACD)、能量潮(OBV)等，人们通常使用运些经典指标构建策略模型，得到 的往往是同质模型，容易产生竞争交易导致额外风险。并且经典指标，比如均线在表达股票 的波动时会更慢、更滞后一些。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种基于股票动态趋势的股票买卖点构建方 法，所述方法能够利用Kalman滤波器对股票价格序列的速度、加速度变化特性进行实时建 模跟踪股票的动态趋势，更准确、更及时地表达股票趋势的变化模型，给出股票的买卖点。
[0005] 为解决上述技术问题，本发明所采取的技术方案是：一种基于股票动态趋势的股 票买卖点构建方法，其特征在于包括如下步骤：
[0006] 1)建立估计股票序列系统模型，包括具有系统自适应参数的股票价格序列变化模 型及股票主趋势提取模型；
[0007] 2)根据建立的股票价格序列变化模型及股票主趋势提取模型对股票价格序列状 态进行预测，得到股票价格序列的预测值，根据股票价格序列的预测值和股票价格数据观 测值对股票价格序列状态进行更新，得到股票价格估计值；
[000引3)根据股票价格估计值得到股票价格序列的速度和加速度，构建股票买入卖出 占 .
[0009] 4)根据股票价格序列的加速度估计值对系统自适应参数进行修正，进而更新所述 的建立估计股票序列系统模型中的股票价格序列变化模型；
[0010] 5)重复W上步骤1)-4)，直至所有数据全部执行完毕，则结束。
[0011] 进一步的技术方案在于:在所述的步骤1)之前还包括股票价格序列变化状态和系 统自适应参数初始化的步骤。
[0012] 进一步的技术方案在于:所述股票价格序列变化状态和系统自适应参数初始化的 具体方法如下：
[0013] 设置股票价格序列变化状态初值刮010) = Xo;
[0014] 系统自适应参数初值a = a〇和。，其中a为频率A请加速度方差；
[0015] 自相关函数初值r〇(0)和r〇(l)的初值取为HJ(O)=O, HJ(I)=O;
[0016] 系统加速度分量初值；(W =;(,。
[0017] 进一步的技术方案在于:所述的步骤1)中建立具有系统自适应参数的变化模型的 具体方法包括：
[0018] 1.1利用下式描述股票价格序列的变化特征
[0019] X 化+1) =巫化+l，k)x 化)+W 化）
[0020] 其中X = 毛却'为3维状态列向量，X，电度分别是位移、速度和加速度，X化+1)为k+ 1时刻股票价格序列的状态向量，k为采样时刻；O化+1，1〇为状态转移矩阵;X化)为k时刻股 票价格序列的状态向量;W化)为过程噪声，其均值为0,方差为Q化）；所述O化+1，1〇及Q化） 中含有股票价格序列频率a和股票价格序列加速度方差扣；
[0021 ] 1.2利用下式建立股票主趋势提取模型
[0022] y(k)=H(k)x(k)+v化）
[0023] 其中k为采样时刻，y化)为股票价格序列在k时刻的股票价格观测值，H化)为测量 矩阵，x(k)为k时刻股票价格序列的状态向量;v(k)为白噪声，其方差为R，且与过程噪声W 化)相互独立;H化)的取值方法为:H化）=[1 0 0]。
[0024] 进一步的技术方案在于:所述步骤2)中根据建立的具有系统自适应参数的变化模 型对股票价格序列状态进行预测，得到股票价格序列的预测值的具体方法如下：
[0025] 2.1根据建立的具有系统自适应参数的变化模型和初始值完成股票价格序列状 态的一步预测，预测方程式如下：
[0026]
[0027] 其中i(W A-U表示k-1时刻预测股票价格序列在k时刻的状态，k为采样时刻，I表 示条件操作符化，k-1)为状态转移矩阵;如表示股票价格序列k-1时刻股票价 格序列的估计值；
[0028] 2.2按照下式完成股票价格序列状态协方差的一步预测：
[0029] P(k|k-1) =巫化，k-l)P 化-1 Ik-I)巫 T(k，k-1)+Q 化-1)
[0030] 其中P化Ik-I)表示k-1时刻预测股票价格序列在k时刻的状态协方差，k为采样时 刻，I表示条件操作符;P化-Ilk-I)表示k-1时刻股票价格序列的状态协方差的估计值；O 化，k-l)为状态转移矩阵;9化-1)为过程噪声协方差。
[0031] 进一步的技术方案在于:所述步骤2)中根据股票价格序列的预测值和股票价格数 据观测值对股票价格序列状态进行更新，得到股票价格估计值的具体方法如下：
[0032] 3.1根据股票价格序列状态协方差预测值、测量矩阵及测量噪声方差按照下式计 算滤波器增益
[0033] K(k)=P(k Ik-DHT化）[H(k)P(k Ik-DHT化)+R]t
[0034] 其中，K化)为滤波器增益，k为采样时刻，P化Ik-1)表示k-1时刻预测股票价格序列 在k时刻的状态协方差，H( k)为k时刻的测量矩阵，R为白噪声的方差，护(k)为k时刻的测量 矩阵的转置；
[0035] 3.2利用股票价格序列预测值和股票价格数据观测值计算股票价格序列
[0036] 当前估计值
[0037] 其中，i(A'| A勺表示k时刻股票价格序列的估计值，封A I&-1)表示k-1时刻时预测股 票价格序列在k时刻的状态，k为采样时刻，K化)为k时刻滤波器增益，y化)为股票价格接收 数据在k时刻的股票价格序列观测值，H化)为k时刻的测量矩阵；
[0038] 3.3按照下式计算股票价格序列状态协方差估计值，
[0039] P(k|k) = [I-mi0lKk)]P(k|k-l)
[0040] 其中I是3维单位矩阵，P化I k)表示k时刻的股票价格序列状态协方差的估计值，k 为采样时刻，K化)为k时刻滤波器增益，H化)为k时刻的测量矩阵，P化Ik-I)表示k-1时刻预 测股票价格序列在k时刻的状态协方差。
[0041] 进一步的技术方案在于:所述步骤3)中根据股票价格估计值获得股票价格序列的 速度和加速度，构建股票买入卖出点的具体方法如下：
[0042] 步骤4.1:利用步骤3.2中得到的k时刻股票价格序列的估计值如A'I A'），获得股票价 格序列的速度如A' I巧、加速度為雌);
[0043] 步骤4.2:根据获得的股票价格序列的速度主炸i片、加速度对*|&)构建股票买卖点；
[0044] 当 买入股票；
[0045] 当 ，卖出股票。
[0046] 进一步的技术方案在于:所述步骤4)中根据股票价格估计值计算股票价格序列加 速度均值及加速度估计值，用其对系统自适应参数进行修正，具体方法如下：
[0047] 步骤6. 1 :按照下式获取系统k-1时刻和k时刻的加速度估计值 a(/<),
[004引其中游I-1|左-1)为k-1时刻状态估计去掉-1)的第；行值，！糾灰)为k时刻状 态估计刮Al A)的第=行值。
[0049]进一步的技术方案在于:根据采样时刻k值的大小，选择修正系统自适应参数a和 巧的方法如下:若k小于等于4进入步骤7.1，若k大于4进入步骤7.2，
[0化0] 7.1当采样时刻k小于等于4时，按下式计算系统自适应参数a和式，
[0051 ] a = a〇,其中Qq为系统自适应参数a的初值，
[0化2]
[0化3]
[0054] 如果或/〇 = 0则式取(0，10 ]之间的任意数，
[0055] 其中，<5化)为k时刻股票价格加速度估计值，为圆周率，取为3.14，aM为正的常数， 取为3，a-M为与aM绝对值相等的负常数，取为-3;
[0化7]
[0化6] 7.2当采样时刻k大于4时，按下式计算系统自适应参数a和爸，
[0化引 [0化9]
[0060]
[0061] 其中rk(l)为k时刻股票价格序列加速度向前一步相关函数，rk-i(l)为k-1时刻股 票价格序列加速度向前一步相关函数，為&-1)和新巧分别为k-1时刻和k时刻股票价格加速 度估计值;rk(0)为k时刻股票价格序列加速度自相关函数，rk-i(O)为k-1时刻股票价格序列 加速度自关函数;a为一个系统自适应参数，T为采样间隔;楚为另一个系统自适应参数。
[0062] 进一步的技术方案在于:所述状态初始值XO为3维全0列向量，维数为系统模型中 状态向量的维数;所述系统自适应参数的初始值Cto和《二取任意正数。
[0063] 采用上述技术方案所产生的有益效果在于:所述方法针对股票价格序列的速度、 加速度统计特性，建立含有系统自适应参数的股票价格序列变化模型，利用加速度估计值 在线地实时修正系统自适应参数，保证了股票价格序列变化模型的实时准确性，根据速度 和加速度特性构建股票的买卖点;将具有自适应参数的股票价格序列变化模型与卡尔曼滤 波器相结合，利用卡尔曼滤波器实时修正加速度估计值，利用加速度估计值在线地实时修 正系统自适应参数，进而实时更新股票价格序列变化模型，保证了股票价格序列变化模型 与实际股票价格序列运动的实时逼近，克服了应用现有股票买卖点方法比如均线在表达股 票的波动时会更慢、更滞后的缺点，适用基于股票动态趋势的股票买卖点构建。
【附图说明】
[0064] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0065] 图1是本发明所述方法的流程图。
【具体实施方式】
[0066] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0067] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是本发明还可W 采用其他不同于在此描述的其它方式来实施，本领域技术人员可W在不违背本发明内涵的 情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0068] 总体的，如图1所述，本发明公开了一种基于股票动态趋势的股票买卖点构建方 法，包括如下步骤：
[0069] 1)股票价格序列变化状态和系统自适应参数的初始化；
[0070] 2)建立估计股票序列系统模型，包括具有系统自适应参数的股票价格序列变化模 型及股票主趋势提取模型；
[0071] 3)根据建立的股票价格序列变化模型及股票主趋势提取模型对股票价格序列状 态进行预测，得到股票价格序列的预测值，根据股票价格序列的预测值和股票价格数据观 测值对股票价格序列状态进行更新，得到股票价格估计值；
[0072] 4)根据股票价格估计值得到股票价格序列的速度和加速度，构建股票买入卖出 占 .
[0073] 5)根据股票价格序列的加速度估计值对系统自适应参数进行修正，进而更新所述 的建立估计股票序列系统模型中的股票价格序列变化模型；
[0074] 6)重复W上步骤2)-5)，直至所有数据全部执行完毕，则结束。
[0075] 步骤1)中，所述股票价格序列变化状态和系统自适应参数初始化的具体方法如 下：
[0076] 1.1设置状态初值刮()!〇) = A。，
[0077] I.2系统自适应参数初值a = a〇和。，其中a为频率，为加速度方差，
[0078] 1.3自相关函数初值r〇(0)和r〇(l)的初值取为HJ(O)=O,HJ(I)=O,
[0079] 1.4系统加速度分量初值a(〇)=.幻。。
[0080] 所述状态初始值XO为3维全0列向量，维数为系统模型中状态向量的维数;所述系 统自适应参数的初始值Cto和3二取任意正数。
[0081] 所述的步骤2)中建立具有系统自适应参数的变化模型的具体方法包括：
[0082] 2.1利用下式描述股票价格序列的变化特征
[0083] X 化+1)=巫化+1 ,k)x 化）+W 化）
[0084] 其中X = Lw i?，巧'为3维状态列向量，X，来，戈分别是位移、速度和加速度，X化+1)为k+ 1时刻股票价格序列的状态向量，k为采样时刻；O化+1，1〇为状态转移矩阵;X化)为k时刻股 票价格序列的状态向量;W化)为过程噪声，其均值为0,方差为Q化）；所述O化+1，1〇及Q化） 中含有股票价格序列频率a和股票价格序列加速度方差巧；
[00化]2.2利用下式建立股票主趋势提取模型 [00 化]y(k)=H(k)x(k)+v化）
[0087] 其中k为采样时刻，y化)为股票价格序列在k时刻的股票价格观测值，H化)为测量 矩阵，x(k)为k时刻股票价格序列的状态向量;v(k)为白噪声，其方差为R，且与过程噪声W 化)相互独立。R的取值方法为:先取前50-200个股票数据点进行平均得到M，则R=mM，其中 m的取值为10%~20% dH化)的取值方法为:H化）=[1 0 0]。
[0088] 所述步骤3)中根据建立的具有系统自适应参数的变化模型对股票价格序列状态 进行预测，得到股票价格序列的预测值的具体方法如下：
[0089] 3.1根据建立的具有系统自适应参数的变化模型和初始值完成股票价格序列状 态的一步预测，预测方程式如下：
[0090]
[0091] 其中i巧I A-l)隶示k-1时刻预测股票价格序列在k时刻的状态，k为采样时刻，I表 示条件操作符；O (k，k-l)为状态转移矩阵;-IIA-I樣示股票价格序列k-1时刻股票价 格序列的估计值；
[0092] 3.2按照下式完成股票价格序列状态协方差的一步预测：
[0093] P 化 Ik-I) =巫化，k-l)P 化-1 Ik-I)巫 T 化，k-l)+Q 化-1)
[0094] 其中P化Ik-I)表示k-1时刻预测股票价格序列在k时刻的状态协方差，k为采样时 刻，I表示条件操作符;P化-1 Ik-I)表示k-1时刻股票价格序列的状态协方差的估计值；O 化，k-1)为状态转移矩阵;Q化-1)为过程噪声协方差。
[00%]所述步骤2)中根据股票价格序列的预测值和股票价格数据观测值对股票价格序 列状态进行更新，得到股票价格估计值的具体方法如下：
[0096] 3.3根据股票价格序列状态协方差预测值、测量矩阵及测量噪声方差按照下式计 算滤波器增益
[0097] K(k)=P(k Ik-DHT化）[H(k)P(k Ik-DHT化)+R]t
[0098] 其中，K化)为滤波器增益，k为采样时刻，P化Ik-1)表示k-1时刻预测股票价格序列 在k时刻的状态协方差，H(k)为k时刻的测量矩阵，R为白噪声的方差，护化)为k时刻的测量 矩阵的转置；
[0099] 3.4利用股票价格序列预测值和股票价格数据观测值计算股票价格序列
[0100] 当前估计值左(灰！足）=去(/(!/(-1)十斬/()[少(/0-巧(,'()去(/(|/(-轴
[0101] 其中，爾刮巧表示k时刻股票价格序列的估计值，；(AIA-I)表示k-1时刻时预测股 票价格序列在k时刻的状态，k为采样时刻，K化)为k时刻滤波器增益，y化)为股票价格接收 数据在k时刻的股票价格序列观测值，H化)为k时刻的测量矩阵；
[0102] 3.5按照下式计算股票价格序列状态协方差估计值，
[0103] P(k|k) = [I-mi0lKk)]P(k|k-l)
[0104] 其中I是3维单位矩阵，P化I k)表示k时刻的股票价格序列状态协方差的估计值，k 为采样时刻，K化)为k时刻滤波器增益，H化)为k时刻的测量矩阵，P化Ik-I)表示k-1时刻预 测股票价格序列在k时刻的状态协方差。
[0105] 所述步骤4)中根据股票价格估计值获得股票价格序列的速度和加速度，构建股票 买入卖出点的具体方法如下：
[0106] 步骤4.1:利用步骤3.4中得到的k时刻股票价格序列的估计值获得股票价 格序列的速度如A-1 Af)、加速度對句A');
[0107] 步骤4.2:根据获得的股票价格序列的速度：^(^ A-)、加速度1帮阳构建股票买卖点；
[010引至 买入股票；
[0109] 至 卖出股票。
[0110] 所述步骤5)中根据股票价格估计值计算股票价格序列加速度均值及加速度估计 值，用其对系统自适应参数进行修正，具体方法如下：
[0111] 步骤6. 1 :按照下式获取系统k-1时刻和k时刻的加速度估计值满4-1)、 Mk)，
[0112] 其中.-I |皮-1)为k-1时刻状态估计鮮A -11 A -1)的第S行值J脚I)为k时刻状 态估计却& 10的第=行值。
[0113] 根据采样时刻k值的大小，选择修正系统自适应参数a和巧的方法如下:若k小于等 于4进入步骤7.1，若k大于4进入步骤7.2，
[0114] 7.1当采样时刻k小于等于4时，按下式计算系统自适应参数a和巧，
[011引a = a0,其中Qq为系统自适应参数a的初值，
[0116]
[0117]
[011引如果<;(/0 = 0则為取(0，10]之间的任意数，
[0119] 其中，叫.幻乂化时刻股票价格加速度估计值，为圆周率，取为3.14，aM为正的常数， 取为3，a-M为与aM绝对值相等的负常数，取为-3;
[0120] 7.2当采样时亥化大于4时，按下式计算系统自适应参数a和《，
[0121]
[0122]
[0123]
[0124]
[0125] 其中rk(l)为k时刻股票价格序列加速度向前一步相关函数，rk-i(l)为k-1时刻股 票价格序列加速度向前一步相关函数，U和分别为k-1时刻和k时刻股票价格加速 度估计值;rk(0)为k时刻股票价格序列加速度自相关函数，rk-i(O)为k-1时刻股票价格序列 加速度自关函数;a为一个系统自适应参数，T为采样间隔;巧为另一个系统自适应参数。
[0126] 所述方法针对股票价格序列的速度、加速度统计特性，建立含有系统自适应参数 的股票价格序列变化模型，利用加速度估计值在线地实时修正系统自适应参数，保证了股 票价格序列变化模型的实时准确性，根据速度和加速度特性构建股票的买卖点；将具有自 适应参数的股票价格序列变化模型与卡尔曼滤波器相结合，利用卡尔曼滤波器实时修正加 速度估计值，利用加速度估计值在线地实时修正系统自适应参数，进而实时更新股票价格 序列变化模型，保证了股票价格序列变化模型与实际股票价格序列运动的实时逼近，克服 了应用现有股票买卖点方法比如均线在表达股票的波动时会更慢、更滞后的缺点，适用基 于股票动态趋势的股票买卖点构建。
【主权项】
1. 一种基于股票动态趋势的股票买卖点构建方法，其特征在于包括如下步骤： 1) 建立估计股票序列系统模型，包括具有系统自适应参数的股票价格序列变化模型及 股票主趋势提取模型； 2) 根据建立的股票价格序列变化模型及股票主趋势提取模型对股票价格序列状态进 行预测，得到股票价格序列的预测值，根据股票价格序列的预测值和股票价格数据观测值 对股票价格序列状态进行更新，得到股票价格估计值； 3) 根据股票价格估计值得到股票价格序列的速度和加速度，构建股票买入卖出点； 4) 根据股票价格序列的加速度估计值对系统自适应参数进行修正，进而更新所述的建 立估计股票序列系统模型中的股票价格序列变化模型； 5) 重复以上步骤1)_4)，直至所有数据全部执行完毕，则结束。2. 如权利要求1所述的基于股票动态趋势的股票买卖点构建方法，其特征在于:在所述 的步骤1)之前还包括股票价格序列变化状态和系统自适应参数初始化的步骤。3. 如权利要求2所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述股 票价格序列变化状态和系统自适应参数初始化的具体方法如下： 设置股票价格序列变化状态初值i(() I ()) = ; 系统自适应参数初值α = α<^Ρ<^ =(?，其中α为频率，为加速度方差； 自相关函数初值ro (O)和ro (1)的初值取为ro (O) = O，ro (I) = O; 系统加速度分量初值S(O)=二。4. 如权利要求3所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述的 步骤1)中建立具有系统自适应参数的变化模型的具体方法包括： 1.1利用下式描述股票价格序列的变化特征 x(k+l) = ?(k+l,k)x(k)+w(k) 其中X = [X,太对为3维状态列向量，X，分别是位移、速度和加速度，X (k+1)为k+1时刻 股票价格序列的状态向量，k为采样时刻；?(k+l，k)为状态转移矩阵;x(k)为k时刻股票价 格序列的状态向量;w(k)为过程噪声，其均值为0,方差为Q(k);所述Φ (k+l，k)及Q(k)中含 有股票价格序列频率α和股票价格序列加速度方差#; 1.2利用下式建立股票主趋势提取模型 y(k)=H(k)x(k)+v(k) 其中k为采样时刻，y(k)为股票价格序列在k时刻的股票价格观测值，H(k)为测量矩阵， x(k)为k时刻股票价格序列的状态向量;v(k)为白噪声，其方差为R，且与过程噪声w(k)相互 独立;R的取值方法为:先取前50-200个股票数据点进行平均得至幽，则R=mM，其中m的取值 为10%~20%。!1(1〇的取值方法为:H(k) = [l 0 0]。5. 如权利要求4所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述步 骤2)中根据建立的具有系统自适应参数的变化模型对股票价格序列状态进行预测，得到股 票价格序列的预测值的具体方法如下： 2.1根据建立的具有系统自适应参数的变化模型和初始值完成股票价格序列状态的一 步预测，预测方程式如下：其中.i.(到? -1)表不k_l时刻预测股票价格序列在k时刻的状态，k为米样时刻，I表不条 件操作符；〇(k，k-i)为状态转移矩阵;;e(fc-ip-i)表示股票价格序列k-i时刻股票价格序 列的估计值； 2.2按照下式完成股票价格序列状态协方差的一步预测： P(k|k-l) = ?(k,k-l)P(k-l|k-l)?T(k,k-l)+Q(k-l) 其中P(k|k-1)表示k-1时刻预测股票价格序列在k时刻的状态协方差，k为采样时刻， 表示条件操作符;P(k-l|k-l)表示k-Ι时刻股票价格序列的状态协方差的估计值；?(k，k- 1)为状态转移矩阵;Q( k-1)为过程噪声协方差。6. 如权利要求5所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述步 骤2)中根据股票价格序列的预测值和股票价格数据观测值对股票价格序列状态进行更新， 得到股票价格估计值的具体方法如下： 3.1根据股票价格序列状态协方差预测值、测量矩阵及测量噪声方差按照下式计算滤 波器增益 K(k)=P(k|k-l)HT(k)[H(k)P(k|k-l)HT(k)+R]T 其中，K(k)为滤波器增益，k为采样时刻，P(k I k-1)表示k-1时刻预测股票价格序列在k 时刻的状态协方差，H(k)为k时刻的测量矩阵，R为白噪声的方差，HT(k)为k时刻的测量矩阵 的转置； 3.2利用股票价格序列预测值和股票价格数据观测值计算股票价格序列当前估计值其中，i认μ)表示k时刻股票价格序列的估计值，￡(到1-1)表示k-Ι时刻时预测股票价 格序列在k时刻的状态，k为采样时刻，K(k)为k时刻滤波器增益，y(k)为股票价格接收数据 在k时刻的股票价格序列观测值，H(k)为k时刻的测量矩阵； 3.3按照下式计算股票价格序列状态协方差估计值， P(k|k) = [I-K(k)H(k)]P(k|k-l) 其中I是3维单位矩阵，P(k|k)表示k时刻的股票价格序列状态协方差的估计值，k为采 样时刻，K(k)为k时刻滤波器增益，H(k)为k时刻的测量矩阵，P(k|k-1)表示k-Ι时刻预测股 票价格序列在k时刻的状态协方差。7. 如权利要求6所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述步 骤3)中根据股票价格估计值获得股票价格序列的速度和加速度，构建股票买入卖出点的具 体方法如下： 步骤4.1:利用步骤3.2中得到的k时刻股票价格序列的估计值μ)，获得股票价格序 列的速度I幻、加速度1(却幻； 步骤4.2:根据获得的股票价格序列的速度i(A|幻、加速度氧&時构建股票买卖点； 当；(々一11 a- - I)--1|々一1) < 〇且；(/: I /〇-i(人-μ.) > 〇，买入股票； 当叙灸-1 μ -1)--聯-1) ：> 〇且|(叫幻-) < 〇，卖出股票。8. 如权利要求7所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，所述步 骤4)中根据股票价格估计值计算股票价格序列加速度均值及加速度估计值，用其对系统自 适应参数进行修正，具体方法如下： 步骤6 . 1 :按照下式获取系统k - 1时刻和k时刻的加速度估计值-1)、其中-1)为k-Ι时刻状态估计-11 -1)的第三行值，I幻为k时刻状态估 计対到幻的第三行值。9. 如权利要求8所述的基于股票动态趋势的股票买卖点构建方法，其特征在于，根据采 样时刻k值的大小，选择修正系统自适应参数(^和之的方法如下：若k小于等于4进入步骤 7.1，若k大于4进入步骤7.2， 7.1当采样时刻k小于等于4时，按下式计算系统自适应参数〇和<， α = α〇,其中α〇为系统自适应参数α的初值，如果邮)=O则〇·】取(〇，10]之间的任意数， 其中，)为k时刻股票价格加速度估计值，π为圆周率，取为3.14, aM为正的常数，取为 3，a-M为与aM绝对值相等的负常数，取为_3; 7.2当采样时刻k大于4时，按下式计算系统自适应参数α和<，其中rk(l)为k时刻股票价格序列加速度向前一步相关函数，rk-Kl)为k-Ι时刻股票价格 序列加速度向前一步相关函数，S(I-I)和以幻分别为k-Ι时刻和k时刻股票价格加速度估计 值;rk(0)为k时刻股票价格序列加速度自相关函数，rk-KO)为k-Ι时刻股票价格序列加速度 自关函数;α为一个系统自适应参数，T为采样间隔;if为另一个系统自适应参数。10. 如权利要求3所述的基于股票动态趋势的股票买卖点构建方法，其特征在于:所述 状态初始值XQ为3维全0列向量，维数为系统模型中状态向量的维数;所述系统自适应参数 的初始值α〇和取任意正数。
【文档编号】G06Q40/04GK106022922SQ201610390739
【公开日】2016年10月12日
【申请日】2016年6月3日
【发明人】金学波, 聂春雪
【申请人】北京工商大学