一种用于股市大盘形态分析的数据分析与显示方法技术

本公开的实施例公开了一种用于股市大盘形态分析的数据分析与显示方法。该方法的一具体实施方式包括：输入股市大盘样本数据，生成股市大盘样本数据的特征，利用卷积神经网络生成低维特征，基于低维特征利用竞争性神经网络生成样本节点，基于样本节点生成节点关系网络，利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别。该方法利用竞争性神经网络计算样本节点以及利用马尔可夫聚类方法计算数据类别，能够自适应的获取数据类别信息，为判断股市大盘形态提供依据。

【技术实现步骤摘要】
一种用于股市大盘形态分析的数据分析与显示方法
本公开实施例涉及计算机
，具体涉及计算机数据分析

技术介绍
数据挖掘是指从大量数据中获取有效的、潜在有用且最终可以理解的知识或模式的过程，数据分类则是数据挖掘中一项非常重要的工作，目的是确定数据的类别。绝大多数数据分类方法都对时间很敏感，这一类随着时间推移通过反复测量而得到的数值或事件序列称为序列数据，例如股票市场的数据。将序列数据输入到分类方法或模型中，捕获数据中的类别信息，能够为判断序列数据形态提供依据。现有数据分类方法采用欧式距离直接计算特征相似度，存在失效的可能性。对于序列数据进行分类时，如果利用全局信息则存在使用未来信息的风险，从而影响分类效果。此外，如果需要预先指定类别数量或分类规则，就无法做到自适应分类处理。
技术实现思路
本公开实施例提出了一种用于股市大盘形态分析的数据分析与显示方法。第一方面，本公开实施例提供了一种用于股市大盘形态分析的数据分析与显示方法，该方法包括：获取股市大盘样本数据，其中，股市大盘样本数据为序列数据；生成股市本文档来自技高网...

【技术保护点】
1.一种用于股市大盘形态分析的数据分析与显示方法，包括：/n获取股市大盘样本数据，其中，所述股市大盘样本数据为序列数据；/n生成所述股市大盘样本数据的特征；/n将所述股市大盘样本数据的特征输入预先训练的卷积神经网络，得到输出作为低维特征；/n基于所述低维特征，利用竞争性神经网络生成样本节点；/n基于所述样本节点，生成节点关系网络；/n利用聚类方法，基于所述节点关系网络确定所述股市大盘样本数据的输出类别以及控制通信连接的显示设备显示所述输出类别。/n

【技术特征摘要】
1.一种用于股市大盘形态分析的数据分析与显示方法，包括：
获取股市大盘样本数据，其中，所述股市大盘样本数据为序列数据；
生成所述股市大盘样本数据的特征；
将所述股市大盘样本数据的特征输入预先训练的卷积神经网络，得到输出作为低维特征；
基于所述低维特征，利用竞争性神经网络生成样本节点；
基于所述样本节点，生成节点关系网络；
利用聚类方法，基于所述节点关系网络确定所述股市大盘样本数据的输出类别以及控制通信连接的显示设备显示所述输出类别。


2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于所述股市大盘样本数据的输出类别是预定类别，将所述输出类别发送至支持报警的设备，控制所述设备发出警报信息。


3.根据权利要求1所述的方法，其中，所述卷积神经网络预先通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本数据和预先得到的样本低维特征；
确定初始卷积神经网络的网络结构以及初始化所述初始卷积神经网络的网络参数；
利用机器学习方法，将所述训练样本集合中的训练样本包括的样本数据确定为初始卷积神经网络的输入，将与输入的样本数据对应的预先得到的样本低维特征确定为初始卷积神经网络的期望输出，训练得到所述卷积神经网络。


4.根据权利要求1所述的方法，其中，所述基于所述低维特征，利用竞争性神经网络生成样本节点...

【专利技术属性】
技术研发人员：肖钢，李剑戈，周能，曹震，李紫超，
申请(专利权)人：中信建投证券股份有限公司，
类型：发明
国别省市：北京;11