序列数据流的采样时间间隔To为1分钟，并分别设定每个数据桶中成交量数 据的总和的最大值V为Vd/200，Vd/20，Vd/5(其中为Vd过去50日的日平均成交量），利用上述 实时计算系统通过上述实时计算方法获得同一日的非随机信息概率的值，结果显示:非随 机信息概率的值表现是相似的，且都表现出与价格波动性的强相关性。
[0100] 由此可见，本发明不但可W实现在线滚动实时计算，而且还具有更好的稳定性和 自适应性，并且消除了对不可观测参数进行估计的障碍，克服了时间维度算法在即时交易 尤其是高频交易的不准确的缺陷。
[0101] 本领域的技术人员应理解，上述描述中所示的本发明的实施例只作为举例用于说 明本发明，而不应视为限定本发明的范围。
[0102] 由此可见，本发明的目的已经完整并有效的予W实现。本发明的功能及结构原理 已在实施例中予W展示和说明，在不背离所述原理的情况下，实施方式可作任意修改。所 W，本发明包括了基于权利要求精神及权利要求范围的所有变形实施方式。
【主权项】
1. 一种连续博弈数据流中非随机信息概率的实时计算方法，其特征在于，包括以下步 骤： (1) 对连续博弈所形成的数据流按等时间间隔进行采样，得到采样时间间隔为To的时间 序列数据流，记为：{1' 1乃，￥1}、{1'2，？2，￥2卜_{^^小"，其中，1\为第1个采样时刻上为第 i个采样时刻的最终成交价格W为在第i个采样时刻与第i-Ι个采样时刻之间的To时间间隔 内的总成交量； (2) 从所述时间序列数据流中提取出成交量数据流，记为…，Vi，…}，其中，在 第i个采样时刻与第i-Ι个采样时刻之间的To时间间隔内的总成交量1被视作为能够拆分的 Vi份单位成交量； (3) 将所述成交量数据流按照等成交量间隔进行聚合和拆分，并依次填充到η个数据桶 中，每个数据桶所容纳的最大成交量总和均为V; (4) 实时检测所述数据桶是否已满，即，所述数据桶中成交量数据的总和是否已经达到 V，如果是，则进行步骤(5);如果否，则回到步骤(1); (5) 分别按照下式（I)和（II)计算每个所述数据桶中买的成交量和卖的成交量VTS的 值，并将(νΛ Is)作为一个成对采样值填充到采样缓存区；其中，t(T)为第τ个所述数据桶中最后采样时刻，Vl为在第i个采样时刻与第i-Ι个采样 时刻之间的To时间间隔内的总成交量;别为第i个采样时刻和第i-Ι个采样时刻的 最终成交价格，ATR为所述时间序列数据流的平均真实波幅，V为每个所述数据桶中所容纳 的最大成交量总和；S为Sigmoid函数，其定义如下：= 1 + ，b为控制函数平滑程度 的参数； (6) 实时检测所述采样缓存区是否已满，即检测所述采样缓存区中的成对采样值的个 数m的值，若m<n，回到步骤(1)或(5);若m = n，则进行步骤(7); (7) 按照下式（III)计算当前所述连续博弈所形成的数据流中非随机信息概率P并实时 输出：2. 如权利要求1所述的连续博弈数据流中非随机信息概率的实时计算方法，其特征在 于，所述时间间隔To的取值为1分钟、10秒或30秒。3. 如权利要求1所述的连续博弈数据流中非随机信息概率的实时计算方法，其特征在 于，所述数据桶的个数η的取值为50。4. 一种连续博弈数据流中非随机信息概率的实时计算系统，其特征在于，包括： (1)采样模块:用于对连续博弈所形成的数据流按等时间间隔进行采样，得到采样时间 间隔为To的时间序列数据流，记为：{1'1，？1，￥1}、{1' 2，？2，￥2卜_{1^力，￥小-，其中，1^为第1个 采样时刻，Pi为第i个采样时刻的最终成交价格，％为在第i个采样时刻与第i-Ι个采样时刻 之间的Το时间间隔内的总成交量； (2) 数据提取模块：用于从由所述采样模块输出的所述时间序列数据流中提取出成交 量数据流，记为：％，％，···*，···}，其中，在第i个采样时刻与第i-Ι个采样时刻之间的To时 间间隔内的总成交量Vi被视作为能够拆分的Vi份单位成交量； (3) 数据聚集模块：用于将由所述数据提取模块输出的所述成交量数据流按照等成交 量间隔进行聚合和拆分，并依次填充到η个数据桶中，每个数据桶所容纳的最大成交量总和 均为V;同时用于实时检测所述数据桶是否已满，即，所述数据桶中成交量数据的总和是否 已经达到V，如果是，则转入成交量类型分类计算模块;如果否，则回到所述采样模块； (4) 成交量分类计算模块：用于计算由所述数据聚集模块输出的每个所述数据桶中买 的成交量和卖的成交量Is的值，其中，买的成交量ν τΒ和卖的成交量Is的值分别按照下式 (I)和（II)进行计算： f(r-1)+1 L zi·*_ 其中，t(T)为第τ个所述数据桶中最后采样时刻，Vl为在第i个采样时刻与第i_l个采样 时刻之间的To时间间隔内的总成交量;别为第i个采样时刻和第i-Ι个采样时刻的 最终成交价格，ATR为所述时间序列数据流的平均真实波幅，V为每个所述数据桶中所容纳 的最大成交量总和;S为Sigmoid函数，其定义如下：5'(_、~>一 , i ^ ，b为控制函数平滑程 度的参数； (5) 采样缓存模块：用于将由所述成交量分类计算模块输出的每个所述数据桶中买的 成交量VTB和卖的成交量I s的值作为一个成对采样值填充到采样缓存区，并用于实时检测 所述采样缓存区是否已满，即检测所述采样缓存区中的成对采样值的个数m的值，若m<n， 回到所述采样模块或所述成交量分类计算模块;若m = n，则转入非随机信息概率估计模块； (6) 非随机信息概率估计模块：用于根据所述采样缓存模块输出的数据计算当前所述 连续博弈所形成的数据流中非随机信息概率P，所述非随机信息概率P按照下式（ΠΙ)进行 计算：(7) 数据输出模块：用于将所述非随机信息概率估计模块计算得到的所述非随机信息 概率的值输出。5. 如权利要求4所述的连续博弈数据流中非随机信息概率的实时计算系统，其特征在 于，所述时间间隔To的取值为1分钟、10秒或30秒。6. 如权利要求4所述的连续博弈数据流中非随机信息概率的实时计算系统，其特征在 于，所述数据桶的个数η的取值为50。7. 如权利要求4所述的连续博弈数据流中非随机信息概率的实时计算系统，其特征在 于，所述数据输出模块为数字输出模块。8. 如权利要求4所述的连续博弈数据流中非随机信息概率的实时计算系统，其特征在 于，所述数据输出模块是数字输出模块与图形输出模块的组合。
【专利摘要】本发明公开了连续博弈数据流中非随机信息概率的实时计算方法及系统，通过输入的一系列的时间序列数据维护一个当前成交量数据桶，同时维护一个长为取样数据桶个数n的队列，每当当前成交量数据桶满了的时候，会将当前成交量数据桶中计算得到的VτB和VτS加入到当前的队列头中，这里采用滑动窗口类似的方法，取最近的n个VτB和VτS计算非随机信息概率。本发明不但可以实现在线滚动实时计算，而且还具有更好的稳定性和自适应性，并且消除了对不可观测参数进行估计的障碍，克服了时间维度算法在即时交易尤其是高频交易的不准确的缺陷。
【IPC分类】G06F19/00
【公开号】CN105718756
【申请号】CN201610236364
【发明人】沈天瑞, 王 琦, 涂世涛
【申请人】上海垒土资产管理有限公司
【公开日】2016年6月29日
【申请日】2016年4月15日