一种股票价格趋势预测及交易方法技术

本发明专利技术构建了一种股票价格趋势预测及交易方法。该方法通过股票价格趋势状态参数将股票价格趋势状态分为三类，分别为上涨、下跌和横盘整理三种状态。根据股票价格趋势状态，生成趋势状态标记序列。将股票历史交易数据构造为用于建模预测的特征量数据，使用当前时刻特征量预测下一时刻股票价格趋势。本发明专利技术的预测模型为多分类双子支持向量机模型。通过历史特征量数据训练预测模型，设置交叉验证集、测试集，检验模型的有效性。使用预测模型预测未来股票价格趋势，然后根据预测结果进行投资决策。

【技术实现步骤摘要】

本专利技术涉及通过数据挖掘技术预测股票价格趋势进而指导股票交易的方法，属于金融数据挖掘

技术介绍
对于股市投资而言，虽然技术分析、基本面分析等传统投资方法取得了不错的成果，但是越来越多的传统投资方法为人熟知，这也意味着这些投资方法面临着失效的可能。为了获得超额收益和规避投资风险，基于数据挖掘技术的新的投资方法已经开始应用于股票投资市场。目前，使用数据挖掘技术对股票价格预测主要有三种方式，第一种方式为股票价格趋势预测；第二种方式为股票未来收益率预测；第三种方式为股票未来价格预测。目前，股票趋势预测主要对股票涨跌进行预测，根据预测结果进行交易；收益率预测是根据股票历史收益率建立的预测模型，通过模型外推拟合出未来预期收益率；股票价格预测是根据股票历史交易价格建立的预测模型，最终根据近期交易数据预测未来股票价格。股票市场存在大量随机的不确定因素，而这些因素往往会对股价造成直接影响，因此针对股票价格的准确预测很难实现。股票收益率预测方法一般是对股票历史收益率序列进行拟合建立模型，但是收益率序列存在高噪声，训练出的预测模型外推预测效果往往不尽如人意。股票价格趋势预测的目标为股票未来涨本文档来自技高网...

【技术保护点】
一种股票价格趋势预测及交易方法，其特征在于，包括以下步骤：步骤1：获取股票相关历史交易数据，包括开盘价、收盘价、最高价、最低价、成交量；对获取的数据进行预处理，预处理包括数据格式地转换，数据噪声地消除，省缺项地补全；使用Matlab编写特征构造函数，特征构造函数的输入为股票相关交易数据，特征构造函数的输出为特征量；特征量包括：离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日加权滑动平均波动指标、n日简单滑动平均波动指标、能量指标、乖离率；步骤2：结合股票价格趋势预测的预测区间长度T，将股票价格趋势状态分为三类，即上涨、下跌和横盘整理三种状态；股票价格趋势状态依据不同交易...

【技术特征摘要】
1.一种股票价格趋势预测及交易方法，其特征在于，包括以下步骤：步骤1：获取股票相关历史交易数据，包括开盘价、收盘价、最高价、最低价、成交量；对获取的数据进行预处理，预处理包括数据格式地转换，数据噪声地消除，省缺项地补全；使用Matlab编写特征构造函数，特征构造函数的输入为股票相关交易数据，特征构造函数的输出为特征量；特征量包括：离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日加权滑动平均波动指标、n日简单滑动平均波动指标、能量指标、乖离率；步骤2：结合股票价格趋势预测的预测区间长度T，将股票价格趋势状态分为三类，即上涨、下跌和横盘整理三种状态；股票价格趋势状态依据不同交易需求由趋势状态设定参数决定；通过趋势状态设定参数对股票价格趋势状态进行标记，上涨状态标记为+1，下跌状态标记为-1，横盘整理状态标记为0；步骤3：将步骤1中的特征量作为样本，步骤2中的股票价格趋势状态标记作为样本标签，使用多分类双子支持向量机建立预测模型；使用训练集、交叉验证集训练预测模型并确定模型参数；将训练过的模型用于测试集，检验预测模型的有效性；预测模型的输出是当前交易时刻相较一下交易时刻股票价格趋势；步骤4：根据预测模型的输出结果进行股票交易，具体交易方法为：预测结果为+1，增加目标股票仓位，下一交易时段获利交易；预测结果为-1，减少目标股票仓位，规避风险；预测结果为0，保持...

【专利技术属性】
技术研发人员：李辉，赵玉涵，王新良，王军，王英杰，郑媛媛，杨青改，鲍俊玲，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41