[发明专利]一种基于股票金融时间序列的技术指标处理方法

权利要求书

1.一种基于股票金融时间序列的技术指标处理方法，其特征在于，所述方法包括以下步骤：

步骤1：数据预处理

选择股票市场的股票数据进行分析与验证，整体数据集分为训练集和测试集；

步骤2：构建技术指标SUD，过程如下：

步骤2.1:获取波动率

SUD称为单向涨跌指数，SUD根据一定时期内的平均波动率与极端波动率的比值，反映一段时间内交易的极端程度；

其中，P_t为t时间的收盘价，n为计算周期，MIN(a,b)为a、b的最小值，MAX(a,b)为a、b的最大值；

计算n周期内波动率的平均值:

SCng_n＝SMA(Cng)_n (2)

步骤2.2：波动率平均值

统计n周期内波动率大于0的波动率平均值

UpCng_n＝SMA(MAX(Cng,0))_n (3)

统计n周期内波动率小于0的波动率平均值

DwCng_n＝SMA(MIN(Cng,0))_n (4)

步骤2.3：通过计算比值，将数值映射到固定区间[0,100]内，实现归一化，使其适用于机器学习训练。

步骤3：趋势位置

根据价格转折点对股票价格进行分段线性变换，设计趋势位置，过程如下

步骤3.1：转折点

对于转折点的定义如下：股票价格序列在T₁,T₂,T₃时刻所对应的收盘价分别为P₁,P₂,P₃，设定一参数称为趋势阈值δ，当满足条件(6)时，且T₂时刻价格为T₁至T₃期间内的最低点，则认为T₂时刻为一段趋势的底部转折点；

与底部转折点类似，当满足条件(7)时，且T₂时刻价格为T₁至T₃期间内的最高点，则认为T₂时刻为一段趋势的顶部转折点；底部转折点与顶部转折点计算过程应均以低价位为基准，否则在同一阈值δ下，底部转折点与顶部转折点确立所需要的波动绝对值不同，会产生偏差；

当某一底部转折点确定后，其后的序列便定义为上升趋势，直至遇到下一个顶部转折点。同理，当某一顶部转折点确定后，其后的序列便定义为下跌趋势，直至遇到下一个底部转折点；

步骤3.2：趋势位置

神经网络模型预测目标Target为趋势位置。根据转折点的位置，将当前价格在一段趋势中的相对位置，映射为趋势位置Trend Position；通过对趋势位置的预测，实现对转折点与未来趋势的预测，趋势位置的标定方法如下：

3.2.1，根据转折点定义，获得一组序列所有的底部转折点与顶部转折点，底部转折点处趋势位置标为0，顶部转折点处趋势位置标为100；

3.2.2，位于底部转折点与顶部转折点之间的趋势位置值按照公式(8)进行计算，其中，P_L与P_H为一组相邻的底部与顶部转折点；

在序列的最后一段趋势当中，无法确定最后一段价格的顶部或底部转折点，故对无法确定部分不进行标记，且不纳入训练数据；

步骤4：技术指标与目标相关性检测，过程如下：

步骤4.1：协方差与相关系数

采用协方差Cov(X,Y)用来描述两组变量X与Y之间相关程度的数值，从协方差公式(9)中可以看到，协方差是两变量偏差乘积的数学期望，式中，E(X)为分量X的期望；协方差值大于0时，则X与Y正相关，小于0时，则X与Y负相关，当协方差值等0时，则认为两变量不相关；

Cov(X,Y)＝E{[X-E(X)][Y-E(Y)]} (9)

根据协方差，计算皮尔森Pearson相关系数：

式中，Var(X)为X的方差，Var(Y)为Y的方差。皮尔森相关系数将相关性定量化，相关关系如下：

ρ(X,Y)＝1时，两变量呈完全正相关，满足Y＝aX+b,a＞0；

ρ(X,Y)＝-1时，两变量呈完全负相关，满足Y＝-aX+b,a＞0；

0＜|ρ(X,Y)|＜1时，两变量具有一定相关性；

步骤4.2滞后性检测

使用公式(11)来检测X相对于Y的滞后性：

X′为将X序列向前平移一位，每个时间点的X值与前一时间点的Y值对齐，计算平移后的相关系数与平移前相关系数之差，若平移后相关系数增大，则说明存在滞后性。