本发明涉及计算机领域，尤其涉及一种时频谱生成方法和设备。
背景技术：
由于学术理论的不断产生、交易环境的不断更新、计算机技术的不断进步和持续发展，量化交易策略表现出了种种优点，以及对比其他交易策略的一些优势，从而呈现出了欣欣向荣之势。很多趋势投资者把量化交易视为一种“可以躺着赚钱”的形式，他们认为只要研究出一套经过精密计算的数学系统，交易可以得到量化，盈利可以变得毫无压力。然而，量化交易除了表现出的优势以外，其存在的问题和面临的难题也是显而易见的。
量化交易策略，就是采用数量化手段构建而成并进行决策的交易策略。具体解释起来，该定义包括两层含义。首先，在构建交易策略的过程中，数量化的手段应该占主要成分。这里的数量化手段，包括对整个交易流程和交易目标的数量刻画、对量化目标的最优化、对策略结果的数量化评价等方式方法。但是在这一部分中仍然允许有定性的、或者人为主观的成分存在，毕竟策略的研发是一个人为操作的过程。其次，交易策略在构造完毕、用来进行交易决策时，必须具有明确的数量化规则，完全不存在主观判断的成分。这一特性也保证了整个策略能够在完全量化的设置下进行回溯测试，是前一个特征的必要条件。同时满足这两个方面的限定，则能够被称之为量化交易策略。
由于量化交易策略自身的特质，其存在以下几大优点：
(1)可度量性
作为采用数量化手段构建而成并进行决策的交易策略，其在构建过程以及决策过程中，都是可以被精确度量的。对比而言，主观化、定性化的交易策略虽然在复盘等过程中可以得到数量化的交易结果，但是由于缺乏整体性的精确度量，因此局部的定量化结果往往波动较大、在很大程度上不具备稳定的刻画能力。
(2)可验证性
由于未来数据的不可得，实际上交易员在判断一个交易策略时，很大程度上都依赖于策略在历史数据上的测试结果。在策略构建和策略表述数量化的基础上，多次重复历史回溯测试均能够得到一致的结果。如果测试结果是正向的，至少可以说明该量化交易策略在历史检验上具有盈利能力。
(3)客观性
由于构建交易策略的过程中数量化手段占主导地位，交易决策更是具有明确的数量化规则，因此量化交易策略可以在很大程度上规避策略开发者的主观臆断，在构建的过程中始终获得客观的对待。
(4)独立性
量化交易策略不需要交易员的主观判断也可以完整的指导整个交易流程。虽然量化交易策略不可能帮助我们完全的规避主观交易策略存在的问题，但是数量化的框架和规则确实可以尽量减小这些不安定因素所带来的损害。
(5)一致性
量化交易策略保证交易策略在执行过程中，使用相同的交易规则，其中包括买入点、卖出点、交易仓位大小的确定等等。同时量化交易策略可以做到历史验证过程和实际交易行为的一致性，因为不论是真实交易决策，还是历史回溯测试，所参照的交易规则都是由数量化表达精确定义了的。这种整体上的一致性，是绝大部分主观交易策略都无法保证的。
(6)可移植性
除非使用特定的量化因素，一般而言量化交易策略是比较容易在一个市场或者资产上证实有效后，移植到其他的市场或资产上使用的。量化交易策略所使用的数据的可得性越强，其移植能力也就越强。
传统量化策略都要根据数理统计原理建立模型，既然是“模型”就是一个理论上的东西，是基于大量的假设、简化、妥协、历史经验而得到的，但我们知道，现实世界不会那么理想化，历史不可能简单重复，模型失效在所难免。
传统量化交易策略还有一个非常重大的缺点，就在于量化这个特性本身。诚然这一特征为量化交易策略带来了多种优势，但是由于这一特点，使得量化交易策略在对待无法量化的因素时，只能采取舍弃这样较为无奈的处理办法。因此，量化交易策略损失掉了很多其实有可能带来盈利的信息，也使得策略在处理信息时所覆盖到的范围变得狭窄。当然，随着科学技术的发展，一些之前无法被量化的因素开始进入量化交易策略的研究范围之内，例如针对网络信息刻画出的投资者情绪等等。但是，即使科技手段会让量化交易策略能够处理的信息范围更广更深，对比起主观交易策略而言，这样的缺陷始终是量化交易策略无法彻底摆脱的。这种来源于自身特性的缺点，只能改善而无法根治。
同时，由于量化交易策略在构建过程中采用的是数量化的方法，需要一定数量的数据样本进行研究，而相应的数据都是随着时间逐渐产生的，因此当量化交易策略的构造形式没有本质上的改变时，从数据中抽取的数量化特征也只会随着时间逐渐变化，策略所形成的交易也只能缓慢的变化。当市场情形发生重大转变时，这种缓慢变化的特性会导致量化交易策略无法适应转折期的市场，在短时间内造成较大的损失。相比较而言，一部分定性的交易策略由于主要基于逻辑上的思路来进行交易，因此当市场情形发生改变时，能够基于主观逻辑迅速进行本质上的策略调整。转向缓慢这一特点也是量化交易策略一个较难改善的缺陷。
技术实现要素：
本发明的一个目的是提供一种时频谱生成方法和设备，能够解决传统证券量化交易策略不精确的问题。
根据本发明的一个方面，提供了一种时频谱生成方法，该方法包括：
获取证券行情数据；
通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
利用所述中高频信息得到时频谱，其中，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
进一步的，上述方法中，通过希尔伯特变换，对所述分离后的低频信息求取瞬时频率。
进一步的，上述方法中，通过希尔伯特变换，对所述分离后的低频信息求取瞬时频率，包括：
对低频信息进行希尔伯特变换：zn＝hn*yn
其中
yn为经过低通滤波后的证券行情数据的低频信息；
构造证券行情数据复数信号sn＝yn+izn，在任意一个时刻，读出相应瞬时相位为
根据瞬时相位求取瞬时频率μn＝θn-θn-1。
进一步的，上述方法中，所述低通滤波器的递推公式如下：
其中，
f0为滤波频率，xn为一递推中间值，fn为离散的证券行情数据，其初值f0为数据起始值，yn为经过低通滤波后的证券行情数据的低频信息，xn和yn的初值均为0。
进一步的，上述方法中，利用所述中高频信息得到时频谱，包括：
采用递推小波算法，根据所述中高频信息得到动态时频谱。
进一步的，上述方法中，采用递推小波算法，根据所述中高频信息得到动态时频谱，包括：
根据中高频信息，确定可用于生成时频谱的复数小波，其函数表达式为
由时频谱的复数小波函数
其中，wf为小波系数，f为时频谱的频率分析范围，τ＝-5，-4，-3，-2，-1，0，1，2，3，4，5，s为尺度变量；
根据序列的z变换及其时域卷积性质，证券行情数据fn、母小波序列
其中，
令
进行z变换，得到：
其中，
将
则
对公式(6)进行z逆变换得递推公式：
根据公式(7)的wf(s，n)分别计算w(s，n-1)、w(s，n-2)、w(s，n-3)、w(s，n-4)，向右单项递推计算出所有小波系数序列wf(s，n)；
根据所述所有小波系数wf(s，n)得到所述动态时频谱。
进一步的，上述方法中，采用递推小波算法，根据所述中高频信息得到动态时频谱之后，还包括：
对所述动态时频谱进行差分处理，以得到高精度的动态时频谱。
进一步的，上述方法中，对所述动态时频谱进行差分处理，以得到高精度的动态时频谱，包括：
对所述动态时频谱分别采用差分步长为1-50，进行50次差分求和处理，以得到高精度的动态时频谱。
进一步的，上述方法中，利用所述中高频信息得到时频谱包括：
利用所述中高频信息，得到时频谱的正频率；
利用所述中高频信息附近残余的低频信息，得到时频谱的负频率。
根据本发明的另一方面，还提供了一种时频谱生成设备，该设备包括：
获取装置，用于获取证券行情数据；
分离装置，通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
时频谱装置，用于利用所述中高频信息得到时频谱，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
根据本发明的另一方面，还提供了一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取证券行情数据；
通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
利用所述中高频信息得到时频谱，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
获取证券行情数据；
通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
利用所述中高频信息得到时频谱，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
与现有技术相比，本发明通过递推低通滤波器，分离出低频信息后，在时频谱中，频率局限在中高频有限范围内，解决了数据的低频化问题，可以得到生成时频谱所需的中高频信息。采用递推小波算法建立时频谱，解决证券行情数据即时性问题。另外通过对所述动态时频谱进行差分处理，克服因海森堡不确定性因素所造成的时频谱精度不高的问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出本发明一实施例的证券行情数据高精度动态时频谱图；
图2示出本发明一实施例的方大炭素(股票代码600516)高精度动态时频谱主频拾取图；
图3示出根据本发明一实施例的38个股票标的池实时交易记录图；
图4示出本发明一实施例的38个股票标的池自动化交易资金曲线及其指数曲线图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
传统量化交易策略在单个时间维度上进行模型建立，存在历史没法重演的理论统计误差，使得模型样本内的参数无法外推到样本外。为了避免这类误差，需从证券行情数据的本质出发对其进行研究。众所周知，无论是价值投资还是短期的投机行为，都必须是低点买进高点卖出，否则就是失败的交易。证券行情数据，从本质来说，是一种时变非平稳信号，具有波动特性，其未来的行情高低点是由频率参数决定的，如果搞清楚了随时间变化的主频信息，也就把握住了行情的高低点。而主频信息与历史无关，不存在历史可以重演的假设，因此是对传统量化交易的突破和颠覆。在针对非平稳信号的处理中，时频分析是一个重要领域，其主要研究对象就是非平稳信号。通过建立高精度动态时频谱，可以实现对证券数据的动态外推分析。
时频分析的任务是描述信号的频谱如何在时间上变化，研究并了解时变频谱在数学和物理之间的对应关系，构造合适的时频分布并进行恰当的处理，达到不同信号处理的目的。因此，寻找合适的、性能优良的时频分布成为非平稳信号分析与处理的一个重要研究内容。目前，研究非平稳信号常用的方法有短时傅立叶变换、维格纳-威尔分布、科恩类等，不同分析方法具有不同的特点。短时傅立叶变换建立起来的频谱图是最简单、最直观的一种时频分布，但是在分析非平稳信号时，时频分辨率不能自适应改变。对于维格纳一威尔分布和科恩类，虽然具有良好的时频特性，可以准确估计信号瞬时频率、瞬时带宽等时频参数，但由于存在交叉干扰项，影响它们的实际应用范围。小波分析是傅立叶分析发展史上具有里程碑意义的进展。近年来，随着小波理论的发展和应用，小波分析的数学理论和方法越来越引起人们的广泛重视。小波分析优于傅立叶变换的地方是它在时域和频域上同时具有良好的局部化特性。由于它对高频成分采用逐渐精细的时域取样步长，从而可以聚焦到对象的任意细节，所以它被人们誉为数学显微镜。
根据信号在任意时刻的取值是否能精确确定，信号可分为确定信号和随机信号。对于随机信号，信号的统计量起着极其重要的作用。最常用的统计量有一阶统计量，如平均值(均值)；二阶统计量，如相关函数、功率谱密度等，此外还有三阶、四阶等高阶矩、高阶累积量和高阶谱等高阶统计量。
时频分析是非平稳信号分析最基本的内容，其基本任务就是建立一个以时间t和频率ω为变量的二维联合分布函数p(t.ω)，简称时频分布。利用该分布函数p{t.ω)，可以求某一确定的频率和时间范围的能量分布，计算在某一特定时间的频率的密度，计算该分布的整体和局部各阶矩，如平均条件频率及其局部扩展等，利用这种时频分布来讨论非平稳信号时频变特性，如瞬时频率、瞬时带宽、群延迟等。
长期以来，在各种信号和数据处理方面，特别是在频谱分析中，傅立叶变换是最基本的工具之一。经过一个世纪的发展，经典傅立叶变换已经成为信号处理领域最强有力的分析方法和工具，这主要是由它的正交性和鲜明的物理意义以及快速简洁的计算方法所决定的。
从傅立叶变换的定义
公式中f(ω)为f(t)(股票曲线)的像函数，f(t)为f(ω)的像原函数，t表示时间变量，ω表示频率变量。
可以看出，傅立叶变换将一般的函数(或信号)表示为具有不同频率的谐波函数的线性叠加，从而将原来的函数(在时域或空域内)的研究转化为对这个叠加的权系数研究，也就是说，对傅立叶变换(在频域内)的研究。简言之，对于任何一条不规则曲线，比如股票曲线，通过傅立叶变换都可以分解成一系列不同振幅不同频率的正弦波规则曲线，其中振幅最大的这条正弦曲线为主周期曲线。对于证券数据而言，如果主周期曲线获得了，那么行情的高低点也就知道了。
虽然傅立叶变换有很大的优越性，但它在处理非平稳信号方面存在天生缺陷。它只能获取一段信号总体上包含哪些频率成分，但对各成分出现的时刻并无所知。也即用傅立叶变换只能获得信号f(t)在(∞.|∞)时间范围内的频谱，而难以了解信号在某时间范围内的性质，即它对频率的分辨率是无穷的，而对时间的分辨则为零，不能同时对时间和频率具有较好的分辨率，这是因为傅立叶变换是对变量t求积分，去掉了非平稳信号中的时变信号，它只适宜于确定性的平稳信号，而对时变非平稳信号则难以充分刻画，同时傅立叶变换对时域的分辨率在任一区间上也是不变的，因而不足以在任意小的范围内描述或确定信号f(t)。
然而，针对证券数据，我们关心的恰恰是信号在局部范围内的特性。如在实盘外推中，关心信号主频突变的位置，并希望知道信号在突变时刻所对应的频率成分。显然，在这种情况下，傅立叶变换并不能满足需求，傅立叶变换把无限长的三角函数作为基函数，其积分作用平滑了非平稳过程的突变成分，不能反映局部区域上的特征，因此不能用于局部分析。
对于类似证券数据等的突变信号和非平稳信号，需寻求新的分析方法，使其既能保持傅立叶变换的优点，又能弥补它的不足。小波变换便是在这种背景下迅速发展起来的一种新理论。
“小波”，顾名思义，就是小的波形。所谓小，是指它具有衰减性，而称之为“波”，则是它的波动性，即其振幅呈正负相间的振荡形式。小波变换的基本思想来源于函数的伸缩与平移。它是由一个满足条件
的函数ψ(t)，通过平移和伸缩而产生的函数族
其中，ψ(t)为基小波，a为伸缩因子(也称为尺度因子)，b为平移因子。
小波变换通过小波基函数的伸缩与平移来构成一系列分辨率不同的正交投影空间及其对应的基，然后用这组基去表示或逼近某一信号或函数。小波变换有两个变量，尺度因子a和平移因子b，尺度因子a控制小波函数的伸缩，平移因子b控制小波函数的平移。尺度对应于频率(反比)，平移量对应于时间。
不同于傅立叶变换中的无限长的三角函数基，小波变换的基为有限长的会衰减的小波基，这样不仅能够获取频率，还可以定位到时间。即，运用小波变换不仅可以知道信号包含哪些频率成分，而且可以知道这些频率成分在时域上存在的具体位置。在证券行情数据处理中，信号在每个时域上的位置包含哪些频率成分正是我们所需要的。
从理论上讲，通过小波变换可以建立时频谱。然而在实际处理中，由于证券数据的时变非平稳性，其时频分析存在很大的技术难点，证券数据时频分析存在的技术难点主要表现为以下几个方面：
(1)证券行情数据的低频化问题
证券行情数据不是环绕某一中心线波动的，所以其频率范围跨度非常的大，没有定数，一个没有边界的东西，就很难直接计算时频谱来获取主频信息；同时证券行情数据包含的频率非常低，根本无法准确求取。
(2)证券行情数据的即时性问题
小波变换的时频窗口最小也是有长度的，而我们需要的是瞬时频率，当然绝对意义的瞬时频率其实是不存在的，单看一个时刻点的一个信号值，当然得不到它的频率，我们只不过是用很短的一段信号的频率作为该时刻的频率；股票是即时性的东西，一旦确定事后就不可以改变的，我们需要的是历史不变化的时频谱
(3)海森堡不确定性原理问题
海森堡测不准原理强调信号的时宽和带宽不可能同时任意的窄，它是非平稳信号分析中非常重要的定理。由于傅立叶变换架起了信号的时域表示与频域表示之间的桥梁，因此，信号的时域特性和频域特性不是相互独立的，而是相互联系的。当信号的持续时间有限时，信号的频率带宽则为无限，反之，当信号的持续时间无限时，信号的频率带宽则为有限。也就是说，信号不可能同时具有有限的持续时间和有限的频率带宽。
小波变换依然没脱离海森堡不确定性原理的束缚。某种尺度下，不能在时间和频率上同时具有很高的精度，由于时频谱的精度不够，无法满足股票自动化运作的要求。
本发明提供一种时频谱生成方法，包括：
步骤s1，获取证券行情数据；
步骤s2，通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
步骤s3，利用所述中高频信息得到时频谱，其中，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
在此，本实施例提供了上述证券行情数据低频化问题的解决方案，对于非平稳信号来说，由于其频率随时间变化，因此求取瞬时频率是很重要的。而证券行情数据的频率范围跨度非常大，包含的频率非常低，很难直接计算时频谱来获取主频信息。若低频信息不分离出来，则时频分析范围不好确定，且时频谱精度较低。因此通过递推低通滤波器，分离出低频信息后，在时频谱中，频率局限在中高频有限范围内，解决了数据的低频化问题，可以得到生成时频谱所需的中高频信息。
股票波动的主频范围，以主周期表示，在0-50周(week)范围内，低于这个范围的频率信息定义为低频信息，小波分析的频率范围为0-50周(week)，此频率范围信息定义为中高频信息。
通过时频谱求取主频，主频的倒数即为周期，周期就有高低点，该高低点即为行情买卖点。如果时频谱足够精确，则买卖是盈利的，所以时频谱的精度要非常高。
根据闭合曲线的形态及位置、所述闭合曲线的频率宽度和所述时频谱上闭合曲线周围的能量值形态及位置，可以来确定股票的走时信息或进行选股。这里所谓的走时，是指确定动态时频谱上时间和频率的对应位置，即某个时刻点上的主频值。确定了主频位置，即可确定证券行情数据的高低点，指导有效交易的产生。在动态时频谱上，可以通过能量的高低来判定主频的位置。
本实施例中根据低频信息形成的多空交易结果，总资金曲线一定是平稳向上的，既解决了低频问题，同时也由于算法的客观性，没有人为影响因素，为追求长期稳定的收益奠定基础。
本发明的时频谱生成方法一实施例中，步骤s2通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离之后，还包括：
步骤s21，通过希尔伯特变换，对所述分离后的低频信息求取瞬时频率。
在此，在证券数据处理中，通过递推低通滤波器，将证券行情数据中的低频和中高频剥离，分离出带宽较窄、频率成分单一的低频信息，这些低频信息适用于通过希尔伯特变换来求取瞬时频率，根据获取的瞬时频率可以形成低频信号的交易指令。由于算法的客观性，没有人为影响因素，为追求长期稳定的收益奠定基础。
通过低通滤波器后得到的曲线频率比较低，规律性好，频率成分相对单一，带宽比较窄，适用于通过希尔伯特变换求取瞬时频率；而中高频部分，频率成分丰富要通过时频谱分析求取主频。
低频信号对于股票交易非常重要，它是量化交易的基础，在这里，低频信号是根据希尔伯特变换求取的，不存在人为因素，而且根据低频信号形成的交易指令，从长期来说，是稳定且盈利的，这对于体系的稳定性至关重要。这也使其区别于传统的量化交易，传统量化交易的参数是根据人为调整拟合的，存在不稳定性。
本发明的时频谱生成方法一实施例中，步骤s21，通过希尔伯特变换，对所述分离后的低频信息求取瞬时频率，包括：
步骤s211，对低频信息进行希尔伯特变换：zn＝hn*yn
其中，
yn为经过低通滤波后的证券行情数据的低频信息；
步骤s212，构造证券行情数据复数信号sn＝yn+izn，在任意一个时刻，读出瞬时相位为
步骤s213，根据瞬时相位求取瞬时频率μn＝θn-θn-1。
在此，如果没有低频信息，则没法把握长周期信息的波动特性，瞬时频率的倒数即为长周期，求取了瞬时频率，即把握住了长周期的波动规律。
通过希尔伯特变换，使得对复杂信号的瞬时参数的定义及计算成为可能，能够实现真正意义上的瞬时信号的提取。希尔伯特变换只能近似应用于窄带信号，即只适用于带宽较窄的信号。通过低通滤波器后得到的曲线频率较低，规律性好，频率成分相对单一，带宽较窄，适用于通过希尔伯特变换求取瞬时频率。
本发明的时频谱生成方法一实施例中，所述低通滤波器的递推公式如下：xn＝q×fn-q×fn-1+q×xn-1；
其中，
f0为滤波频率，xn为一递推中间值，fn为离散的证券行情数据，其初值f0为数据起始值，yn为经过低通滤波后的证券行情数据的低频信息，xn和yn的初值均为0。
在此，针对时频谱来说，主周期高于50周(week)的信息，不适用于小波分析；而对于量化交易来说，这些低频信息是有用的，是需要求取的。希尔伯特变换只适用于低频信息，而不适应于中高频信息，所以针对低频信息和中高频信息，可以分别采用希尔伯特变换和小波分析来求取，以提高量化交易的精度。
本发明的时频谱生成方法一实施例中，步骤s3，利用所述中高频信息得到时频谱，包括：
步骤s31，采用递推小波算法，根据所述中高频信息得到动态时频谱。
在此，剥离出低频后的证券数据已由非平稳信号转变为平稳信号，此时，本实施例改变传统小波变换方法，采用递推小波算法建立时频谱，解决证券行情数据即时性问题。
小波再小，也有长度(最小范围为-5到+5，共10个点)，因此用传统小波求取时频谱时，谱的历史值会随时间变化而改变。而股票是即时性的东西，交易一旦确定，事后就不可以改变，需要的是历史不变化的时频谱。采用递推小波，可以解决该问题。
本发明的时频谱生成方法一实施例中，步骤s31，采用递推小波算法，根据所述中高频信息得到动态时频谱，包括：
步骤s311，根据中高频信息，确定可用于生成时频谱的复数小波，其函数表达式为
步骤s312，由时频谱的复数小波函数
其中，wf为小波系数，f为时频谱的频率分析范围，τ＝-5，-4，-3，-2，-1，0，1，2，3，4，5，s为尺度变量；
步骤s313，根据序列的z变换及其时域卷积性质，证券行情数据fn、母小波序列
其中，
步骤s314，令
进行z变换，得到：
其中，
步骤s315，将
则
步骤s316，对公式(6)进行z逆变换得递推公式：
步骤s317，根据公式(7)的wf(s，n)分别计算w(s，n-1)、w(s，n-2)、w(s，n-3)、w(s，n-4)，向右单项递推计算出所有小波系数序列wf(s，n)；
在此，根据已有历史行情数据，计算得到小波变换的4个初值w(s，n-1)、w(s，n-2)、w(s，n-3)、w(s，n-4)，以后只需向右单项递推便可计算出所有小波系数序列；
步骤s318，根据所述所有小波系数wf(s，n)得到所述动态时频谱。
本发明的时频谱生成方法一实施例中，步骤s31，采用递推小波算法，根据所述中高频信息得到动态时频谱之后，还包括：
s32，对所述动态时频谱进行差分处理，以得到高精度的动态时频谱。
在此，本实施例动态数据很难求取精度较高的时频谱，本实施例在算法上，采用不同的差分处理，尽量提高时频谱灵敏度，结合频宽信息，准确获取主频信息，克服因海森堡不确定性因素所造成的时频谱精度不高的问题，为下一步自动化获取主频奠定基础。
本发明的时频谱生成方法一实施例中，s32，对所述动态时频谱进行差分处理，以得到高精度的动态时频谱，包括：
对所述动态时频谱分别采用差分步长为1-50，进行50次差分求和处理，以得到高精度的动态时频谱。
在此，本实施例动态数据很难求取精度较高的时频谱，本实施例在算法上，采用不同的差分步长(差分步长为1-50)，通过50次差分求和求取能量梯度谱，尽量提高时频谱灵敏度，结合频宽信息，准确获取主频信息，克服因海森堡不确定性因素所造成的时频谱精度不高的问题，为下一步自动化获取主频奠定基础。
本发明的时频谱生成方法一实施例中，步骤s3，利用所述中高频信息得到时频谱包括：
利用所述中高频信息，得到时频谱中主频率为0到50周的正频率；
利用所述中高频信息附近残余的低频信息，得到时频谱中主频率为0到负50周(week，星期)的负频率。
在此，所述时频谱包括正频率和负频率，所述负频率对应的主周期的分析范围为0到负50周(week)。
如图1所示，所述时频谱中引入了负频率概念，与负频率对应的主周期的分析范围为0到负50周(week)，中高频信息的主周期分析范围为0到50周(week)。负频率的作用为：(1)更准确的确定卖出时间；(2)虽然做了低频分离，仍有一些位于中高频信息附近的低频信息残留在分离后的中高频信息里，这些高于50周(week)的低频信息会卷入到负频率范围内，使得时频谱分析信号更加全面，更加精确的把握行情走向。
具体的，图1是处理得到的中国国贸(股票代码600007)行情数据的高精度动态时频谱。图中横轴代表时间，纵轴代表频率。由于低频信息已被剥离，故时频分析仅仅反映中高频信息，频率分析范围也在中高频的有限范围之内。时频谱中，可以用颜色反映能量梯度。例如，从蓝色到橙色，能量逐渐递增。从理论上来说，能量最大的部位即为数据的主频位置，其中圈闭类的形态代表的是频率宽度的信息。随着日期往后延推，时频谱随之动态往后延展，而已生成部分的时频谱保持不动，也即历史不会被修改。
由于本发明高精度动态时频谱的建立不存在历史重演的假设，因此应用高精度动态时频谱可以实现证券数据的动态对外递推，真正做到样本内外测算结果连贯一致，突破和颠覆传统量化交易的模式。在动态时频谱中，通过识别时频谱上频宽变化的特定形态，可以获取准确的主周期信息，实现真正的自动化交易。
以随机选取的38个股票标的为例，将其组建成一个标的池，在各标的的时频谱上进行全自动动态主频拾取，如图2所示为其中一个标的高精度动态时频谱。图中，谱上各竖线为外推过程中自动拾取的主频起始位置，随着主频的切换，拾取点自动切换，时频谱下的其中一根线为根据高精度动态时频谱得到的能量曲线。根据拾取的动态主频结果，实时生成交易记录，如图3所示，实现证券数据的自动化交易。自动化交易完后的资金曲线，平稳上推，如图4所示，横轴为自动化交易曲线月收益率，纵轴为累计收益率，真正实现量化交易目标。
根据本发明的另一方面，还提供了一种时频谱生成设备，该设备包括：
获取装置，用于获取证券行情数据；
分离装置，通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
时频谱装置，用于利用所述中高频信息得到时频谱，其中，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
根据本发明的另一方面，还提供了一种基于计算的设备，其中，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取证券行情数据；
通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
利用所述中高频信息得到时频谱，其中，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：
获取证券行情数据；
通过递推低通滤波器，将所述证券行情数据中的低频信息和中高频信息进行分离；
利用所述中高频信息得到时频谱，其中，所述时频谱的横坐标表示日期，纵坐标表示所述中高频信息的频率，所述时频谱中的每一个位置点对应相应的中高频信息的能量值，所述时频谱上能量值相等的相邻各点连成闭合曲线。
本发明的设备和计算机可读存储介质各实施例的详细内容具体可参见方法各实施例的对应部分，在此不再赘述。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。