一种基于最相似走势的股票短期预测方法技术

本发明专利技术公开了一种基于最相似走势的股票短期预测方法。方法可对股票短期2周以上交易日的走势进行预测，预测结果不仅包括每日的收盘价、涨跌幅，还包括每日的开盘价、最高价、最低价、成交量等方面。其主要思想是首先对每只股票进行相对量的计算，包括横向相对量和纵向相对量；然后以待预测股票的近期一段时间段内的涨跌幅走势对所有股票的历史数据进行逐段的匹配，搜索获得相似度最高的前几只股票；最后以最相似股票匹配日期之后的走势数据，结合横纵向相对量，计算还原待预测股票的后期走势作为其短期预测的结果。该方法可为股票短线操作提供决策支持。

【技术实现步骤摘要】

本专利技术涉及股票数据挖掘
，尤其是涉及一种基于最相似走势的股票短期预测方法。
技术介绍
股票投资已经成为人们生活中的重要组成部分,有效地进行股票价格预测，最大程度规避股票风险，增加投资收益，是股票投资者最关注的热点问题。因此股市预测方法的研究具有极其重要的应用价值和理论意义。常用的股票挖掘方法有:时间序列分析法、神经网络预测方法、回归分析法、时间序列平滑法、趋势曲线模型法、随机时间序列预测方法、马尔柯夫预测法和判别分析预测法等。由于股票市场中随机因素很多,对股指、价格的影响显著,价格波动剧烈,燥声高,表现出很强的非线性、不确定性。所以这些方法虽然在实际工作中有着重要的指导作用,但仍存在着某些不尽如人意的地方,如回归模型外推性差,类比系数法准确性较差,神经网络计算量大、易产生过拟合等问题。
技术实现思路
本专利技术公开提出了一种基于最相似走势的股票短期预测方法。这里的短期预测一般是指对股票接下来2周以上交易日的预测，如20日预测，30日预测，60日预测等。本专利技术方法的预测结果不仅是对未来一段时间收盘价、涨跌幅的预测，还包括每日开盘价、最高价、最低价、成交量等方面的预测。本专利技术方法的主要思想是：首先对每只股票进行相对量的计算，包括横向相对量和纵向相对量；然后以待预测股票的近期一段时间段内的涨跌幅走势对所有股票的历史数据进行逐段的匹配，搜索获得相似度最高的前几只股票；最后以最相似股票匹配日期之后的走势数据，结合横纵向相对量，计算还原待预测股票的后期走势作为其短期预测结果。本专利技术方法是一种基于所有股票数据的大数据挖掘方法，方法可为股票短线操作提供决策支持。本专利技术方法的步骤如下：(1)对每只股票的每个交易日进行横向相对量的计算；(2)对每只股票的每个交易日相对前一交易日进行纵向相对量的计算；(3)将待预测股票的近期走势片段逐一与每只股票的历史数据进行移动加权匹配，获取最为相似的前T只股票对应的匹配段和匹配日期；(4)以最相似股票匹配段匹配日期之后的走势数据为基础，结合横、纵向相对量，计算还原待预测股票的后期走势。其中，步骤(1)中横向相对量的计算是针对每只股票每个交易日进行的，计算的是相对于当日收盘价的增减幅度，一般需要计算的相对量包括：开盘价增减幅度、最高价增减幅度、最低价增减幅度。其中，步骤(2)中纵向相对量的计算也是对每只股票的每个交易日进行的，不同的是相对量是相对于前一交易日来进行计算。需要计算的字段包括成交量、换手率、成交笔数等。其中，步骤(3)中待预测股票的近期走势片段是指近期一段时间的涨跌幅数据，将该段数据与所有股票历史数据等长的走势片段逐一进行移动匹配；首先在每只股票中获取一个最小的匹配值，而后再在所有的股票中获取全局最小的T个最小匹配值，同时获取这些最小匹配值对应的匹配日期。在匹配过程中，两个股票走势片段的匹配过程综合考虑了各种因素。首先对位置加权，位置越靠右侧的权重越大；接下来对同向性加权，同涨或同跌的位置赋予较大的权重；最后将权重乘以相应位置涨跌幅的相减绝对值，作为最终的比较距离。其中，步骤(4)中相似股票匹配日期之后的走势数据是指涨跌幅、相对成交量、相对换手率等。把这些走势数据套用到原待预测股票，如通过后期每日的涨跌幅，以原待预测股票最后一个交易日的收盘价为基础，可以计算其后续每日的收盘价，结合横向相对量则可以反向计算每日的开盘价、最高价和最低价；通过相似股票的纵向相对成交量，以原待预测股票最后一个交易日的成交量为基础，可以计算其后续每日成交量；其他的纵向相对量类似地进行应用。附图说明图1是本专利技术股票短期预测方法的流程图。图2是基于本专利技术方法输出的某一股票短期走势的预测结果1。图3是基于本专利技术方法输出的某一股票短期走势的预测结果2。这里最相似股票数T取值为2，因此图2和图3中给出2个短期走势的预测结果。虚线之后为预测结果，图中待匹配股票的匹配段长度L和预测交易日数N都取为30。具体实施方式下面结合附图和实例，对本专利技术进行详细的描述。短期预测一般指对股票接下来2周以上交易日的预测，如20日预测，30日预测，60日预测等。本专利技术方法的预测结果不仅包括每日收盘价、涨跌幅的预测，还包括每日开盘价、最高价、最低价、成交量等方面的预测。假设股票列表为S,S=[S1,S2,…,Si,…,Sn],n为股票池中股票的数量，如中国上市股票的数量或美国上市股票的数量。对于每只股票，假设待预测的股票为Sm,m=1,…,n具体预测步骤如下。一、股票数据预处理。预处理过程主要是针对一些相对量的计算，包括横向相对量和纵向相对量。假设对于股票列表S中的每只股票有如下数据字段：开盘价Open,收盘价Close,最高价High,最低价Low,涨跌幅Change,成交量Volume，换手率Turnover等，其中收盘价Close为前复权价格。数据预处理过程如下。1.1横向相对量。计算相对于当天收盘价Close的增减幅度，并添加新字段。需要计算的字段包括开盘价Open、最高价High和最低价Low，具体如下：开盘价增减幅度StdOpen=100*(Open-Close)/Close;最高价增减幅度StdHigh=100*(High-Close)/Close;最低价增减幅度StdLow=100*(Low-Close)/Close。1.2纵向相对量。计算相对前一交易日的增减幅度，并添加新字段。需要计算的字段包括成交量Volume和换手率Turnover,具体如下：成交量增减幅度StdVolume=100*(Volume-lastVolume)/lastVolume,其中,lastVolume代表前一交易日的成交量；换手率增减幅度StdTurnover=100*(Turnover-lastTurnover)/lastTurnover,其中,lastTurnover代表前一交易日的换手率。如果有其他字段需要预测，如成交笔数、成交金额等，可类似计算出对应的相对值，添加相应的字段。计算所得相对值将在本专利技术方法的最后一步中使用。二、股票数据的加载。该步骤主要完成数据的准备过程，从原始股票数据库中获取待预测股票的近期交易日数据和待匹配的股票的历史交易日数据。2.1获取待预测股票Sm的近L个交易日的涨跌幅数据，形成一个数组，记为A，A=[a1,a2,…,ai,…aL]其中，ai代表近L-i的交易日的涨跌幅。a0代表当前交易日的涨跌幅。L的取值至少得符合短期预测交易日的要求，如>=20。2.2对S中的每只股票，获取某个时间点以来（如2005年1月1日），到当前交易日的前L个交易日的数据，形成另一个数组，记为Bi,i=[1,n],Bi=[bi1,bi2,…,bij,…bik]其中，bij代表第i只股票的j位置对应交易日的涨跌幅。每个Bi的长度k是不一定相等的，因为股票中间有停牌等因素的影响。同时记录bij的交易日期，记为另一数组Ci,i=[1,n],Ci=[ci1,ci2,…,cij,…cik]其中，cij代表第i只股票的j位置对应交易日期。三、股票间逐段移动匹配。该步骤主要完成待预测股票与某只待匹配股票之间的匹配过程，并获取得到与待匹配股票匹配的最小值和对应匹配日期。匹配过程在A和Bi展开，A的长度为L,Bi的长度为K本文档来自技高网...

【技术保护点】
一种基于最相似走势的股票短期预测方法，其特征在于所述方法包括如下步骤：对每只股票的每个交易日进行横向相对量的计算；对每只股票的每个交易日相对前一交易日进行纵向相对量的计算；将待预测股票的近期走势片段逐一与每只股票的历史数据进行移动加权匹配，获取最为相似的前T只股票对应的匹配段和匹配日期；以最相似股票匹配段匹配日期之后的走势数据为基础，结合横、纵向相对量，计算还原待预测股票的后期走势。

【技术特征摘要】
1.一种基于最相似走势的股票短期预测方法，其特征在于所述方法包括如下步骤：对每只股票的每个交易日进行横向相对量的计算；对每只股票的每个交易日相对前一交易日进行纵向相对量的计算；将待预测股票的近期走势片段逐一与每只股票的历史数据进行移动加权匹配，获取最为相似的前T只股票对应的匹配段和匹配日期；以最相似股票匹配段匹配日期之后的走势数据为基础，结合横、纵向相对量，计算还原待预测股票的后期走势。2.根据权利要求1所述的基于最相似走势的股票短期预测方法，其特征在于，在数据预处理阶段横向相对量和纵向相对量的计算，横向相对量是指每只股票每个交易日开盘价、最高价、最低价相对于当日收盘价的增长幅度；纵向相对量是指每只股票每个交易日的成交量、换手率等变量相对于前一交易日的相应值的增长幅度。3.根据权利要求1所述的基于最相似走势的股票短期预测方法，其特征在于，最相似走势...

【专利技术属性】
技术研发人员：洪志令，
申请(专利权)人：洪志令，
类型：发明
国别省市：福建;35