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跌，实质上是将收益率序列进行离散化，收益率为正的元素用1来代替，收益率为负的元素用-1来代替。基于统计理论建立分类模型预测股票价格未来趋势，该类模型往往具有良好的泛化能力。回顾以往的研究发现，对股票趋势预测往往针对股票涨跌两种趋势状态进行预测。但在实际股票交易中，考虑到股票交易成本和资金时间成本，可能出现交易利差无法覆盖这些成本的情况，因此单纯的涨跌预测将无法满足盈利需求。本专利技术提供了一种新的股票趋势预测方法，该方法使用多分类双子支持向量机预测模型实现股票趋势的多分类预测，从而减少甚至避免以往单纯涨跌预测可能出现的问题。本专利技术采用的是三分类预测方法，即股票价格趋势有上涨、下跌、横盘整理三种状态，分别标记为+1、-1、0。同时本专利技术提供了状态分类设定功能，投资者可以根据自己的投资需要进行设定，以满足不同的投资盈利需求。
技术实现思路
本专利技术的目的在于提供一种股票趋势预测及交易方法来解决现有股票预测交易方法中存在的一些问题。本专利技术构建了一种股票价格趋势三分类预测及交易方法。该方法将股票价格趋势划分为三种状态，通过多分类双子支持向量机建立预测模型，预测股票价格趋势，根据预测结果指导股票交易者进行交易。具体内容包括以下几个步骤：步骤1：获取股票的相关历史交易数据，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，包括转换数据格式，消除数据噪声，补全省缺项。使用处理后的交易数据进行特征量构造。特征量均为技术指标，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日简单平均波动指标、n日加权滑动平均波动指标、能量指标、乖离率。特征量为预测模型的输入；步骤2：结合股票价格趋势预测的区间长度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；然后将训练过的模型用于测试集，检验预测模型的有效性。预测模型的输出是一下交易时段股票价格趋势；步骤4：根据预测模型输出结果进行股票交易。步骤1中的数据可以从专业的金融数据库中获取，如Wind，CCER，CSMAR等。由于从数据库获取数据的数据类型和格式与本专利技术设计的预测交易系统数据类型和格式不匹配，因此需要进行数据类型和格式的转换以匹配本系统，通过编写数据转换程序实现。为了提高原始数据的准确性，同时从多个数据源获取数据进行比对，完全相同的项为正常项，反之为异常项。异常项出现的原因：1.数据中错误项；2.数据缺省项。数据比对过程由程序完成，手动修改异常项。本专利技术中预测模型输入特征为常见技术指标，分别为：离散指标（A/D）、顺势指标（CCI）、威廉姆斯指标（R%）、相对强弱指标（RSI）、KD指标（K%）、KD指标（D%）、动量指标（Momentum）、n日加权滑动平均波动指标（WDMA%）、n日简单滑动平均波动指标（SDMA%）、能量指标（CR）、乖离率（BIAS）。下文列出本专利技术用于预测的特征指标的基本描述及计算公式。离散指标（A/D）：描述价格波动趋势；顺势指标（CCI）：用来判断价格偏离度；威廉姆斯指标（R%）：度量股票是否处于超买超卖；相对强弱指标（RSI）：根据股价涨跌幅度显示市场强弱；随机指标（K%,D%）：表示股票在特定时期内相对高度；动量指标（Momentum）：表示股票价格在一段时间内的变化量；n日滑动平均波动（SDMA%）：衡量股票n日简单平均价格变化趋势；n日加权滑动平均波动（WDMA%）：衡量股票n日加权平均价格变化趋势；能量指标（CR）：分析市场多空力量对比；乖离率（BIAS）：测量股价偏离均线的程度；5日收益率（Return5）：股票5日的收益率；20日收益率（Return10）：股票20日的收益率;其中分别表示t日最高价、最低价和收盘价；分别表示t日之前n日内的最高价和最低价；，，；为第t日相较前一日的涨幅，为第t日相较前一日的跌幅；为指数移动平均指标，，。在特征构造过程中参数可以调整。特征量构造完成后对特征量进行归一化处理，即将特征量按比例缩放到区间[-1,1]。设时间区间长度参数为T，可以分钟、小时、日、周为单位，根据投资要求确定T。以T=1天为例说明，即预测股票下一时段的涨跌等价于预测股票下一日的涨跌。本专利技术对股票价格趋势进行预测，趋势状态分为三类，分别为上涨、下跌、横盘整理。通过设定状态参数对各个状态进行划分。状态参数可根据投资者实际需求进行设定，目的是为了覆盖交易成本等其他因素。根据中国A股市场交易成本分析，本专利技术状态参数设定为x+=0.5和x-=0，当前交易时刻t相较上一交易时刻t-1股票上涨0.5%为上涨状态；股票下跌为下跌状态；涨幅在0-0.5%之间为横盘整理状态。根据趋势时间区间长度T计算股票收益率序列r。其中，P为收盘价序列。将收益率序列与状态参数比较，生成趋势状态标记序列s。上涨状态用+1表示，下跌状态用-1表示，横盘整理用0表示。本专利技术为基于多分类双子支持向量机(MLTSVM)算法的股票预测方法。MLTSVM将用于预测的特征量（非线性数据）映射到高维线性空间，使用一种高效逐次超松弛算法（SOR）解决MLTSVM算法中包含的多个二次规划问题（QPPs），通过对样本学习训练构造出多组非平行超平面来解决分类预测问题。就多分类问题而言，MLTSVM算法寻找k个非平行分类超平面，即使第k类样本接近第k类的分类超平面，从而达到分类的目的。由于股票市场具有非线性特性，因此需要将训练样本通过核函数映射到高维核空间，从而使样本在核空间中线性可分。即其中，为核函数，本专利技术中核函数为高斯核函数根据结构风险最小化理论，原始的多分类问题可以被表述为其中，为经验风险惩罚参数，为正则化项，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，保持仓位。...

【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