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；生成股市大盘样本数据的特征；将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以及控制通信连接的显示设备显示输出类别。在一些实施例中，一种用于股市大盘形态分析的数据分析与显示方法还包括：响应于股市大盘样本数据的输出类别是预定类别，将输出类别发送至支持报警的设备，控制设备发出警报信息。在一些实施例中，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初始卷积神经网络的网络参数；利用机器学习方法，将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，训练得到卷积神经网络。在一些实施例中，基于低维特征，利用竞争性神经网络生成样本节点，包括：基于低维特征，利用竞争性神经网络生成股市大盘样本数据的类别标签；将股市大盘样本数据的类别标签确定为样本节点。在一些实施例中，基于样本节点，生成节点关系网络，包括：基于样本节点，生成节点关系网络中的节点；生成节点关系网络中的边，其中，边表示不同节点之间的关系，边的权重为不同节点间的累计连接次数。在一些实施例中，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，包括：基于节点关系网络，生成节点概率矩阵；基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类；基于环路簇类，确定股市大盘样本数据的输出类别。在一些实施例中，基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类，包括：基于马尔可夫随机游走规则，自适应生成节点概率矩阵中的环路簇类，其中，每个环路簇类代表一种股市大盘样本数据的输出类别。第二方面，本公开实施例提供了一种终端设备，该终端设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。本公开实施例提供一种用于股市大盘形态分析的数据分析与显示方法，输入股市大盘样本数据，生成股市大盘样本数据的特征，利用卷积神经网络提取低维特征，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，利用聚类方法确定股市大盘样本数据的输出类别。本公开的上述各个实施例中的一个实施例具有如下有益效果：基于股市大盘数据所具有的丰富的数据特征，利用卷积神经网络进行降维处理并提取数据低维特征，能够保证所提取的低维特征有效以及不包含任何未来信息。基于低维数据特征训练竞争性神经网络，生成数据的样本节点。将样本节点生成节点关系网络后输入马尔可夫聚类算法中，自适应生成数据的输出类别。该方法不需要预先知道股市大盘数据的类别数量，也不需要人工设定类别数量，能够自适应的输出股市大盘数据的类别信息，因为上述类别信息与股市大盘形态情况相关，所以类别信息能够为判断股市大盘形态提供依据，从而本公开为用户判断股市大盘形态提供了便利。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；图2是根据本公开的用于股市大盘形态分析的数据分析方法的一些实施例的流程图；图3是根据本公开的用于生成低维特征的方法的另一些实施例的流程图；图4是根据本公开的用于确定输出类别的方法的另一些实施例的流程图；图5是适于用来实现本公开的一些实施例的终端设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。下面将参考附图并结合实施例来详细说明本公开。图1示出了可以应用本公开的用于股市大盘形态分析的数据分析方法的实施例的示例性系统架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如文本处理应用、数据分析应用、自然语言处理应用、问答系统应用等。终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供股市大盘数据输入、对话语音输入、文本输入等)，也可以实现成单个软件或软件模块。在此不做具体限定。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、1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