[发明专利]一种基于动态多视角个性化相似度测度的股票预测方法

权利要求书

1.一种基于动态多视角个性化相似度测度的股票预测方法，其特征在于，包括：

获取待预测股票序列；

采用待预测股票序列与历史股票序列对应元素间的兰氏距离，构造动态时间归整距离矩阵；

根据动态时间归整距离矩阵的约束条件，从动态时间归整距离矩阵中找出有效弯曲路径；

将有效弯曲路径中的最小累积距离对应的路径作为最优弯曲路径，并将最小累积距离作为待预测序列与历史股票序列之间的最优距离；

将待预测序列与多个不同历史股票序列的最优距离进行升序排序，并从历史股票序列中挑选出前m个最优距离对应的m条相似股票序列；

根据m条相似股票序列的走势，对待预测股票序列的走势进行预测。

2.如权利要求1所述的一种基于动态多视角个性化相似度测度的股票预测方法，其特征在于，还包括对股票时间序列数据的预处理，预处理的步骤包括：

对每只股票时间序列元素归一化处理，计算出每只股票每一日的增长率，计算公式为：

其中x′_i为增长率，x_i是第i天的收盘价；

删除股票时间序列元素中为0的数据；

以n天为一组，对归一化化后的股票时间序列元素数据进行分段处理，对已分段的序列进行加权，加权的规则为：

对序列X＝(x₁，x₂，...，x_n)给定一个权重序列W＝(ω₁，ω₂，...，ω_n)，使得加权后的序列X′＝(ω₁x₁，ω₂x₂，...，ω_nx_n)＝(x′₁，x′₂，...，x′_n)。其中ω₁＜ω₂＜...＜ω_n且ω₁+ω₂+...+ω_n＝1。

3.如权利要求1所述的一种基于动态多视角个性化相似度测度的股票预测方法，其特征在于，待预测序列与历史股票序列之间的最优距离计算步骤为：

利用兰氏距离构造待预测序列与历史股票序列之间的动态时间归整距离矩阵：

其中，兰氏距离(i＝1，2，...，n；j＝1，2，...，m)，X′＝(x′₁，x′₂，...，x′_n)和Y′＝(y′₁，y′₂，...，y′_m)，Y′为加权后的历史股票序列，X′为加权后的待预测股票序列；

找出所述动态时间归整距离矩阵中的有效弯曲路径；

在所有所述有效弯曲路径中搜寻一条最优弯曲路径，

P_best＝{p₁，p₂，...，p_K}(max(n，m)≤K≤n+m-1)

p_K表示该弯曲路径元素在距离矩阵中的位置，即：

p_k＝(i，j)_k，(1≤k≤K)

表示x′_i和y′_j之间的匹配关系，则

d(p_k)＝dis(x′_i，y′_j)

其中d(p_k)表示x′_i和y′_j的距离。