一种基于2‑维流预测的股票趋势预测方法技术
【技术实现步骤摘要】
本专利技术涉及一种预测股票趋势的方法。
技术介绍
证券市场的不稳定性和随机性的特征让仅仅预测明天的股票价格也是一种挑战。通过出色的、良好构造的特征集能够更好地估计股票市场的趋势。再者，当我们建立了正确的模型来获得不断变化的趋势的不易观察的属性时，我们的预测能力将会获得提高。近期，许多城市，尤其在一些大城市，进行股票投资和购买的人不断增加，因此，股票趋势预测技术显得格外重要。目前进行股票预测比较流行的方法是使用二元事件模型。在这个模型的基础上建立特征集来更好地预测股票市场的未来趋势。例如使用贝叶斯和支持向量机来进行预测，具有较高的预测准确性和速度。另外一种方法是根据非线性动力学系统理论，构造一个股票交易数据模型，并结合并行神经网络进行网络学习，提取标准模式，进行模式识别，从而对股票市场趋势进行模型预测。上述方法普遍存在的问题是：均属于1-维预测算法，主要缺点是会产生一步滞后问题，即在股票数据流产生剧烈变化的时间点后进行预测会产生较大的误差。目前大多数的预测算法都存在着这样的问题，尤其是在股票数据流量复杂或发生剧烈变化的时候。
技术实现思路
本专利技术的目的是解决1-维股票趋势预测算法中出现的一步滞后问题。为了达到上述目的，本专利技术的技术方案是提供了一种基于2-维流预测的股票趋势预测方法，其特征在于，包括以下步骤：步骤1、采集水平维度的股票历史数据及垂直纬度的股票历史数据，其中，水平维度的股票历史数据是通过将股票历史数据库中的股票历史数据按照每天不同的时间段进行统计得到的，垂直纬度的股票历史数据是通过将股票历史数据库中的股票历史数据按照不同天的同一时间段的统计...
【技术保护点】
一种基于2‑维流预测的股票趋势预测方法，其特征在于，包括以下步骤：步骤1、采集水平维度的股票历史数据及垂直纬度的股票历史数据，其中，水平维度的股票历史数据是通过将股票历史数据库中的股票历史数据按照每天不同的时间段进行统计得到的，垂直纬度的股票历史数据是通过将股票历史数据库中的股票历史数据按照不同天的同一时间段的统计得到的；步骤2、基于水平维度的股票历史数据，采用非线性模型进行数据建模，得到用于预测水平维度股票数据的非线性数据模型；基于垂直纬度的股票历史数据，采用线性模型进行数据建模，得到用于预测垂直纬度股票数据的线性数据模型；步骤3、得到时间t的最终预测值Pt，包括以下步骤：步骤3.1、采集得到水平维度的股票数据及垂直纬度的股票数据，分别输入非线性数据模型及线性数据模型后得到水平维预测值x′t和垂直维预测值y′t，同时，将预测值pt*初始化为0，将权值w初始化为0；步骤3.2、通过公式pt＝pt*+w x′t+(1‑w)y′t计算得到中间预测值pt；步骤3.3、将中间预测值pt的值赋予预测值pt*，w更新为w+A，A＜0.1，返回步骤3.2，直至计算了N次中间预测值pt的值，进入步骤3...
【技术特征摘要】
1.一种基于2-维流预测的股票趋势预测方法，其特征在于，包括以下步骤：步骤1、采集水平维度的股票历史数据及垂直纬度的股票历史数据，其中，水平维度的股票历史数据是通过将股票历史数据库中的股票历史数据按照每天不同的时间段进行统计得到的，垂直纬度的股票历史数据是通过将股票历史数据库中的股票历史数据按照不同天的同一时间段的统计得到的；步骤2、基于水平维度的股票历史数据，采用非线性模型进行数据建模，得到用于预测水平维度股票数据的非线性数据模型；基于垂直纬度的股票历史数据，采用线性模型进行数据建模，得到用于预测垂直纬度股票数据的线性数据模型；步骤3、得到时间t的最终预测值Pt，包括以下步骤：步骤3.1、采集得到水平维度的股票数据及垂直纬度的股票数据，分别输入非线性数据模型及线性...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。