[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

说明书

一种基于股票金融时间序列的技术指标处理方法，包括以下步骤：步骤1：数据预处理；步骤2：构建技术指标SUD；步骤3：趋势位置；步骤4：技术指标与目标相关性检测。本发明提出的SUD指标与价格趋势的相关性明显高于MACD与RSI、KDJ中的J值。

技术领域

本发明属于金融时间序列分析领域，主要通过线性变化对股票交易数据进行处理生成技术指标用于神经网络使用的训练特征，主要适用于预测股票的趋势变化。

背景技术

中国经济的高速发展，金融市场的重要性尤为凸显，对金融工具的需求也越来越明显。特别是股票、外汇、期货这种高风险、高波动率的市场。因此，有必要建立有效的模型对金融数据进行分析，有助于更好的了解金融活动的规律，是投资活动更加科学合理。

在金融投资活动中，投资者多以提高收益并降低风险为研究目标，通常情况下，获得利润最大化的经典理论便为高抛低吸，但是，究竟何处为高，何处为低，向来无明确说明，因此在研究中可以采取对股票趋势的研究。

随着人工智能的兴起和神经网络的发展，越来越多的研究人员，利用机器学习和神经网络对金融数据进行建模、研究。其研究的前提数据集的选择尤为关键，怎么在数据集中提取有效的特征数据，可以提高模型的准确性。

金融数据中有一种提取数据特征的技术称为技术指标。技术指标是原始价格序列通过某些模型计算得出的新的数据序列，某些技术指标经常用作辅助识别金融数据趋势的指示信号，在一定时间内可以有效地识别股票价格的运行趋势，经典技术指标如MACD(Moving Average Convergence/Divergence)、RSI(Relative Strength index)、KDJ指标等。

发明内容

本发明对股票数据进行了较为科学的处理，构建适用于机器学习的特征，提出了一组不同于传统技术指标的训练特征SUD，该技术指标主要适用于预测目标为股票的趋势波动。

本发明解决其技术问题所采用的技术方案是：

一种基于股票金融时间序列的技术指标处理方法，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(单向波动率差值)的比值，可以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。