[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

说明书

本发明公开了一种基于动态多视角个性化相似度测度的股票预测方法，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，该方法反映时间特性，解决时间错位及漂移问题，消除奇异点影响。

技术领域

本发明涉及股票预测技术领域，更具体的涉及一种基于动态多视角个性化相似度测度的股票预测方法。

背景技术

股票市场是一个非常重要的金融市场，对股票的预测也一直是许多投资者的兴趣所在。如今，预测股票的方法有很多，而其最常见的一种预测方法就是通过历史数据寻找相似的股票进行预测。如何充分考虑股票时间序列的特点，准确描述一对时间序列之间的相似性，是构建一种合理相似度测度的关键技术环节，目前仍有待进一步完善。

目前现有的相似度测度，在技术方面主要存在以下缺点：

(1)不能消除奇异点的影响。奇异点的存在对相似度测量来说，却会极大地影响相似度的计算结果，使得原本极走势相似的两条股票序列在预测结果上显得不相似；

(2)不能解决时间错位的匹配问题。两只股票序列走势相同，但是存在时间错位，如果对其进行“一对一”的匹配，则不能准确地使序列最为相似的部分匹配起来，从而导致其相似度计算有较大误差；

(3)不能反映时间特性。对于时间序列来说，序列的不同部分对未来值的影响会随着时间的推移而逐渐减小，时间越靠近预测值的数据的影响会越大，大多数的相似度测度并考虑到时间特性对时间序列预测所带来的的影响，而是将时间序列的每个部分都同等的对待，这就容易导致无法找出更具参考价值的相似序列，从而使预测效果不理想。

发明内容

本发明实施例提供一种基于动态多视角个性化相似度测度的股票预测方法，用以解决上述背景技术中提出的问题。

本发明实施例提供一种基于动态多视角个性化相似度测度的股票预测方法，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。

进一步，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：