[发明专利]一种基于自身历史相关时间点的股票趋势预测方法

说明书

技术领域

本发明涉及股票数据挖掘技术领域，尤其是涉及一种基于自身历史相关时间点的股票趋势预测方法。

背景技术

股票价格预测是金融系统预测研究中的一个非常热门的课题，它是指以准确的调查统计资料和股市信息为依据，从股票市场的历史、现代和规律出发，运用科学的方法，对股票市场的未来发展前景做出测定。

股票市场作为一种影响因素众多、各种不确定性共同作用的复杂系统，其价格波动往往表现出较强的非线性特征。另外，股市的建模与预测所处理的信息量往往十分庞大，对算法的要求很高，这使得股票预测往往难如人意。

股票的预测方法有很多种:时间序列分析(Time Series Analysis)、多元回归模型( Multiple Regression models)、人工神经网络( Artificial Neural Network)和遗传算法( Genetic Algorithms)等。目前对股票价格的各种分析，预测都存在一定的局限性，其结果也可能存在较大误差。

发明内容

本发明公开了一种基于自身历史相关时间点的股票趋势预测方法。方法的主要思想是基于“历史会重演”的思想从股票本身的历史趋势线中寻找历史将重现的相关时间点，并以此时间点后的走势作为本股票当前的趋势预测。

方法首先加载股票数据并进行预处理；然后以近期走势段逐位移动搜索匹配自身的历史数据，匹配过程先进行数据区间的格式化，而后以动态时间规整计算匹配值；通过比较逐位的匹配值获得自身历史最相关时间点；最后提取相关时间点前后各一段交易日时间的数据，输出股票的趋势预测结果。该方法可为股票短线操作提供决策支持。

本发明方法的步骤如下：

（1）对股票数据进行基准收盘价变换；

（2）加载股票数据并分段；

（3）数据区间格式化及移动动态时间规整匹配

（4）提取最相关时间点前后各一段交易日的数据，输出趋势预测结果。

其中，步骤(1)的基准收盘价变换变换过程为：以该股票的某个时间点作为起点，如2005-01-01，令该起始时间点的收盘价为1作为基准，然后后续时间点的收盘价根据涨跌幅进行变换得到，如第二天的涨跌幅为Change₂,则第二天的基准收盘价为：1*(1+Change₂/100); 第三天的的涨跌幅为Change₃,则第三天的基准收盘价为：1*(1+Change₂/100) (1+Change₃/100);以此类推。最后将原先股票的涨跌幅数组变换成基准收盘价数组MyClose。

其中，步骤(2) 加载股票数据并分段，具体为：加载上一步骤得到的基准收盘价数组MyClose，将数组分成两段，一段为待预测现状数据，另一段为待匹配历史数据。待预测现状数据为近L个交易日的基准收盘价数据，记为A，A=[a₁,a₂,…,a_i,…a_L]，L的取值不宜太小，一般为20或30。对MyClose中的剩余数据部分，即除去近L个交易日的基准收盘价数据后的部分作为待匹配历史数据，形成另一个数组，记为B，B=[b₁,b₂,…,b_j,…b_k]；同时记录b_j的交易日期，记为另一数组C, C=[c₁,c₂,…,c_j,…c_k]。

其中，步骤(3) 的数据区间格式化及移动动态时间规整匹配，主要完成待预测现状数据与待匹配历史数据之间的匹配过程，并获取历史最相关时间点。匹配过程在A和B展开，A的长度为L, B的长度为K, K>=L。匹配过程先对A进行[0-1]区间的格式化，即a_i= (a_i-Min(A))/(Max(A)-Min(A)),i=1…L，变换后结果记为A’；而后以步长为1，循环从B中获取长度L的数据，并也进行[0-1]区间的格式化，每段结果记为B’；然后A’与B’以动态时间规整(Dynamic Time Warping)的方法进行匹配，匹配的窗口大小设置为2，得到一个匹配值；最后对每个步长获得的匹配值进行比较，获取最小匹配值对应的匹配日期，即B’最后一个元素所对应的交易日期，作为自身历史最相关时间点。