System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及金融及其他,尤其涉及证券交易数据分析方法及装置。
技术介绍
1、本部分旨在为本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、对证券交易数据进行质量评估能够确保数据准确性:评估证券交易数据质量可以帮助发现数据中的错误、缺失、重复等问题,从而确保数据的准确性和可靠性,保障交易的安全;还能够提高决策质量:高质量的证券交易数据可以为投资者和决策者提供更准确的信息,提升数据分析质量,帮助使用数据方做出更明智的决策;还能够增强风险管理能力:评估证券交易数据质量可以帮助识别数据中的风险和异常情况,从而提高风险管理能力;还能够提升市场透明度:高质量的证券交易数据可以提高市场透明度,增强投资者信心,促进市场健康发展;还能够满足监管要求:证券交易数据分析可以帮助机构满足监管要求,避免因数据质量问题而受到监管处罚。因此,证券交易数据分析是确保证券交易数据质量的重要手段,对于提高决策质量、增强风险管理能力、提升市场透明度和满足监管要求等方面都具有重要的作用和价值。
3、目前,现有技术中的交易数据分析方法大多基于人工神经网络,人工神经网络在评估方面具有高速的自学习、自适应能力,但当评估对象影响因素、水平层级过多时,随着训练次数的增加,很可能会出现过拟合的问题。且对于数据分析的指标权重确定常采用专家打分法、德尔菲法、层次分析法等方法,受主观影响较大,不能保证分析结果的准确性。
技术实现思路
1、本专利技术实施例提供一种证券交易数据分
2、获取实时证券交易数据;
3、根据预设的证券交易数据分析指标体系中的分析指标的值的计算方法,确定预设的证券交易数据分析指标体系中与实时证券交易数据对应的二级分析指标的值;所述证券交易数据评估指标体系包括用于分析证券交易数据的分析指标、及分析指标的值的计算方法;分析指标包括一级分析指标及二级分析指标;一级分析指标为对证券交易数据进行数据质量分析的影响因素;二级分析指标为对一级分析指标进行细分的影响因素;
4、将与实时证券交易数据对应的二级分析指标的值输入证券交易数据分析模型中,输出实时证券交易数据对预设的评语集的隶属度矩阵;所述证券交易数据分析模型是以与历史证券交易数据对应的二级分析指标的值为输入,以历史证券交易数据对预设的评语集的隶属度矩阵为输出,对预设的模糊神经网络模型进行训练得到的;所述模糊神经网络中各层的权重的更新方法为反向传播法;所述评语集中的评语描述证券交易数据的质量等级;
5、根据实时证券交易数据对预设的评语集的隶属度矩阵及最大隶属度原则,确定实时证券交易数据的分析结果;所述分析结果表征实时证券交易数据的数据质量。
6、本专利技术实施例还提供一种证券交易数据分析装置,用以避免出现分析过拟合的问题,提高证券交易数据分析结果的准确性,该装置包括:
7、获取模块,用于获取实时证券交易数据;
8、二级分析指标数据确定模块,用于根据预设的证券交易数据分析指标体系中的分析指标的值的计算方法,确定预设的证券交易数据分析指标体系中与实时证券交易数据对应的二级分析指标的值;所述证券交易数据评估指标体系包括用于分析证券交易数据的分析指标、及分析指标的值的计算方法;分析指标包括一级分析指标及二级分析指标;一级分析指标为对证券交易数据进行数据质量分析的影响因素;二级分析指标为对一级分析指标进行细分的影响因素;
9、输出模块,用于将与实时证券交易数据对应的二级分析指标的值输入证券交易数据分析模型中,输出实时证券交易数据对预设的评语集的隶属度矩阵;所述证券交易数据分析模型是以与历史证券交易数据对应的二级分析指标的值为输入,以历史证券交易数据对预设的评语集的隶属度矩阵为输出,对预设的模糊神经网络模型进行训练得到的;所述模糊神经网络中各层的权重的更新方法为反向传播法;所述评语集中的评语描述证券交易数据的质量等级;
10、分析结果确定模块,用于根据实时证券交易数据对预设的评语集的隶属度矩阵及最大隶属度原则,确定实时证券交易数据的分析结果;所述分析结果表征实时证券交易数据的数据质量。
11、本专利技术实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述证券交易数据分析方法。
12、本专利技术实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述证券交易数据分析方法。
13、本专利技术实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述证券交易数据分析方法。
14、本专利技术实施例与现有技术中基于人工神经网络及指标权重确定采用专家打分法、德尔菲法、层次分析法等方法相比,通过获取实时证券交易数据;根据预设的证券交易数据分析指标体系中的分析指标的值的计算方法,确定预设的证券交易数据分析指标体系中与实时证券交易数据对应的二级分析指标的值;所述证券交易数据评估指标体系包括用于分析证券交易数据的分析指标、及分析指标的值的计算方法;分析指标包括一级分析指标及二级分析指标;一级分析指标为对证券交易数据进行数据质量分析的影响因素;二级分析指标为对一级分析指标进行细分的影响因素;将与实时证券交易数据对应的二级分析指标的值输入证券交易数据分析模型中,输出实时证券交易数据对预设的评语集的隶属度矩阵;所述证券交易数据分析模型是以与历史证券交易数据对应的二级分析指标的值为输入,以历史证券交易数据对预设的评语集的隶属度矩阵为输出,对预设的模糊神经网络模型进行训练得到的;所述模糊神经网络中各层的权重的更新方法为反向传播法;所述评语集中的评语描述证券交易数据的质量等级;根据实时证券交易数据对预设的评语集的隶属度矩阵及最大隶属度原则,确定实时证券交易数据的分析结果;所述分析结果表征实时证券交易数据的数据质量,本专利技术实施例采用模糊神经网络处理数据分析的模糊性问题,减少输入数据的噪声和不确定性,从而提高模型的稳定性和鲁棒性,避免出现分析过拟合的问题;模糊综合评价法与权重反向传播法相结合,使具有多变量、多因素、多层级的分析对象能够获得较为准确的分析结果,提高证券交易数据分析结果的准确性。
本文档来自技高网...【技术保护点】
1.一种证券交易数据分析方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,还包括:
3.如权利要求2所述的方法,其特征在于,所述隶属度函数为指定隶属函数;所述评价层及输出层的激励函数为logsig函数;所述评价层及输出层的初始权重由平均值法确定;所述模糊神经网络的学习函数为梯度下降学习函数。
4.如权利要求2所述的方法,其特征在于,所述一级分析指标包括准确性指标、完整性指标、一致性指标、唯一性指标、及时性指标、稳定性指标;所述准确性指标包括二级分析指标中的证券交易委托数据准确性指标、证券交易委托成交价格准确性指标、证券交易委托撤单准确性指标、证券交易委托成交确认准确性指标、证券交易委托成交量准确性指标;所述完整性指标包括二级分析指标中的证券交易成交数据完整性指标;所述一致性指标包括二级分析指标中的证券交易委托成交一致性指标;所述唯一性指标包括二级分析指标中的证券交易委托数据唯一性指标;所述及时性指标包括二级分析指标中的证券交易委托响应及时性指标;所述稳定性指标包括二级分析指标中的证券交易异常处理率指标;
5.如权利要
6.如权利要求1所述的方法,其特征在于,还包括:
7.一种证券交易数据分析装置,其特征在于,包括:
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
...【技术特征摘要】
1.一种证券交易数据分析方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,还包括:
3.如权利要求2所述的方法,其特征在于,所述隶属度函数为指定隶属函数;所述评价层及输出层的激励函数为logsig函数;所述评价层及输出层的初始权重由平均值法确定;所述模糊神经网络的学习函数为梯度下降学习函数。
4.如权利要求2所述的方法,其特征在于,所述一级分析指标包括准确性指标、完整性指标、一致性指标、唯一性指标、及时性指标、稳定性指标;所述准确性指标包括二级分析指标中的证券交易委托数据准确性指标、证券交易委托成交价格准确性指标、证券交易委托撤单准确性指标、证券交易委托成交确认准确性指标、证券交易委托成交量准确性指标;所述完整性指标包括二级分析指标中的证券交易成交数据完整性指标;所述一致性指标包括二级分析指标中的证券交易委托成交一致性指标;所述唯一性指标包括二级分析指标中的证券交...
【专利技术属性】
技术研发人员:徐衍龙,马文星,胡海东,蒋金谷,
申请(专利权)人:中国工商银行股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。