智能交易中矩阵量化分析方法及其系统技术方案

本发明专利技术公开一种智能交易的矩阵量化分析方法与系统，该方法包括：步骤1，建立用于矩阵量化分析的数据库，从数据库中确定时间周期，周期的长短可通过矩阵的参数进行设定；步骤2，对于历史数据的分析，首先是统计具有相同排列顺序的矩阵在下一时间周期出现涨跌的平均概率和平均波幅，然后分别计算不同周期的市场风险回报率；步骤3，根据矩阵当前时间周期的市场风险回报率确定交易策略；步骤4，根据交易策略，调用智能交易程序，开始自动进行交易；步骤5，调用风险评估系统对智能交易程序做的历史交易记录进行评估，对该交易账户的风险给出风险等级，并利用区分度模型计算出违约点，然后通过KMV模型计算该账户风险等级的违约距离和违约概率。

【技术实现步骤摘要】

本专利技术涉及智能交易的数据分析领域，尤其涉及矩阵量化数据分析方法及系统。
技术介绍
形态分析是技术分析领域中运用比较多的方法，通常被分为两大类反转形态和整理形态，比如头肩型、三重顶或底、双重顶或底，圆顶和圆底都属于反转心态，而三角形，菱形，旗形，矩形则属于整理形态。但是，无论哪种形态，哪类形态都有一个问题，就是形态在没有走出来之前谁也不能断定会走一个什么样的形态出来。所以，基于形态进行的分析往往需要等到形态走出来之后才能确定交易策略。那么有没有一种办法可以在形态未走出来之前就知道他上涨或下跌的概率和波幅呢？本专利技术正是基于此而设计了矩阵统计分析指标。对于人工智能交易来说，他主要是研究如何利用计算机技术模拟人的思维来解决问题的方式，所以，人工智能交易是按照某个人或某些人的思维模式来设计并预先设定在程序中的，其他人是无法知道设计者的思想，也无法改进该交易系统。本专利要解决的技术问题是，通过矩阵统计分析指标，使得人工智能交易在一定的规则内可以按照任何人的思维 模式来设定交易系统并改进该交易系统。而规则的参数设计正是本专利技术使得该功能能得以实现的关键.可以说矩阵量化智能交易系统是生产EA的EA。(EA即Expert Advisors的英文缩写，中文意思专家顾问，俗称智能交易系统)现有技术的缺陷为I、对于传统技术分析，在对历史数据进行分析时，尤其形态分析没有量化到具体的数据量，更多的还是靠人的经验来判断，所以准确性不高，属于模糊判断，而非量化分析。2、对于传统技术分析，对于数据的选取没有确定的时间段范围，这对于预测未来行情的发展也不能给出明确的时间范围，只能根据人的经验来判断，所以准确性不高。3、对于违约距离的计算，KMV模型在运用到金融衍生品交易上时是无法量化违约点的。4、。每一个智能交易的数据分析部分都是黑匣子，旁人是无法知道里面到底是什么的。这非常不利于改进黑匣子的数据分析部分。
技术实现思路
为解决上述问题，本专利技术提供了一种矩阵量化数据分析方法及其系统，为弥补以上技术分析缺陷并实现风险的实时管理与预测，提供了有效的解决方案。本专利技术公开了一种智能交易中矩阵量化分析方法，包括一种智能交易中矩阵量化分析方法，其特征在于，包括步骤1，建立用于矩阵量化分析的数据库，从数据库中确定时间周期，时间周期的长短可通过矩阵的参数进行设定；步骤2，对于历史数据的分析，首先是分别统计前一时间周期和当前时间周期对应矩阵在历史数据中具有相同排列顺序的矩阵在下一时间周期出现涨跌的平均概率和平均波幅，然后分别计算前一时间周期和当前时间周期的市场风险回报率。用户可自选矩阵参数来决定需要统计的时间周期，不同的时间周期对应的市场风险回报率会有所不同；步骤3，对统计出来的上一时间周期和当前时间周期具有相同排列顺序的矩阵提供一种以0、1组合的形式表示出来的算法，以便用户根据这种组合调用智能自动交易程序.验证该矩阵量化分析系统的有效性。所述的智能交易中矩阵量化数据分析方法，所述步骤I还包括步骤4，对于确定时间周期，上一时间周期和当前时间周期具有相同排列顺序的每η个数据集的下一个数据集出现涨或者跌的概率和波幅；步骤5，计算在不同时间段的具有相同排列顺序的每η个数据集的下一个数据集出现涨或者跌的概率和波幅，所述不同时间段为I分钟，5分钟，15分钟，30分钟I小时、4小时、I天、I周或I月的任意时间段，所述η为正整数。 所述的智能交易中矩阵量化数据分析方法，所述步骤2矩阵量化分析还包括步骤6，对统计出来的上一时间周期和当前时间周期具有相同排列顺序的矩阵提供一种以O、I组合的形式表示出来的算法，以便用户根据这种组合调用智能交易程序；设权利要求1.一种智能交易中矩阵量化分析方法，其特征在于，包括 步骤1，建立用于矩阵量化分析的数据库，从数据库中确定时间周期，时间周期的长短可通过矩阵的参数进行设定； 步骤2，对于历史数据的分析，首先是分别统计前一时间周期和当前时间周期对应矩阵在历史数据中具有相同排列顺序的矩阵在下一时间周期出现涨跌的平均概率和平均波幅，然后分别计算前一时间周期和当前时间周期的市场风险回报率。用户可自选矩阵参数来决定需要统计的时间周期，不同的时间周期对应的市场风险回报率会有所不同； 步骤3，对统计出来的上一时间周期和当前时间周期具有相同排列顺序的矩阵提供一种以0、1组合的形式表示出来的算法，以便用户根据这种组合调用智能自动交易程序.验证该矩阵量化分析系统的有效性。2.如权利要求I所述的智能交易中矩阵量化数据分析方法，其特征在于，所述步骤I还包括 步骤4，对于确定时间周期，统计上一时间周期和当前时间周期具有相同排列顺序的每η个数据集的下一个数据集出现涨或者跌的概率和波幅； 步骤5，并且统计在不同时间段的具有相同排列顺序的每η个数据集的下一个数据集出现涨或者跌的概率和波幅，所述不同时间段为I分钟，5分钟，15分钟，30分钟I小时、4小时、I天、I周或I月的任意时间段，所述η为正整数。3.如权利要求I所述的智能交易中矩阵量化数据分析方法，其特征在于，所述步骤2矩阵量化分析还包括 步骤6，对统计出来的上一时间周期和当前时间周期具有相同排列顺序的矩阵提供一种以O、I组合的形式表示出来的算法，以便用户根据这种组合调用智能交易程序； 设4.如权利要求I所述的智能交易中矩阵量化数据分析方法，其特征在于，所述步骤2还包括 步骤8，矩阵量化分析中可提供任何N个数据集的矩阵参数，此处可选4-9个数据集的矩阵，N可以是从I到正无穷的任何正整数。所述数据集由K线的最高价，最低价、收盘价通过步骤7计算出来的O、I组合而成。5.如权利要求I所述的智能交易中矩阵量化数据分析方法，其特征在于，所述步骤3还包括 步骤9，根据具有相同排列顺序的每η个数据集的下一个K线出现的涨的概率乘以波幅减去具有相同排列顺序的每η个数据集的下一个K线出现的跌的概率乘以波幅得到的历史数据遇到此相同排列顺序的数据集的风险回报率，使用者可根据市场提供的风险回报率预测未来的走势，从而决定投资的策略； 步骤10，对于策略的选择可根据矩阵量化统计指标计算出来的市场风险回报率来决定，如果风险回报率为正值代表市场做多的成本比较小，也就是买入比较比较合算，该值越大，表示买入的预期回报就越大；如果风险回报率为负值，代表市场做空的成本比较小，也就是卖出比较比较合算，负值越大，表示卖出的预期回报就越大。6.如权利要求I所述的智能交易中矩阵量化数据分析方法，其特征在于，所述步骤3还包括 步骤11，区分度模型为非线性方程解，Wij=S-1 (μ其中S—1为协方差矩阵的逆，μ e为目标变量为I的均值向量；μ B为目标变量为O的均值向量，通过利用区分度模型计算出违约点； 步骤12，根据用户积累所述的判断结果的违约点、净值波动率，计算违约距离DD=(Ea-DP)/Ea* μ a和违约概率EDF=N(-DD) =I-N(DD),其中，Ea净值，DP是违约点，μ a是净值波动率，其中DP违约点的计算利用了区分度模型，违约点的值是取决于亏损值标准差所在的范围，不同的亏损值标准差所计算出来的违约点是不同的。7.一种智能交易中矩阵量化数据分析系统，其特征在于，包括 建立数据库模块，建立用于矩阵分析组合的数据库本文档来自技高网...

【技术保护点】
一种智能交易中矩阵量化分析方法，其特征在于，包括：步骤1，建立用于矩阵量化分析的数据库，从数据库中确定时间周期，时间周期的长短可通过矩阵的参数进行设定；步骤2，对于历史数据的分析，首先是分别统计前一时间周期和当前时间周期对应矩阵在历史数据中具有相同排列顺序的矩阵在下一时间周期出现涨跌的平均概率和平均波幅,然后分别计算前一时间周期和当前时间周期的市场风险回报率。用户可自选矩阵参数来决定需要统计的时间周期，不同的时间周期对应的市场风险回报率会有所不同；步骤3，对统计出来的上一时间周期和当前时间周期具有相同排列顺序的矩阵提供一种以0、1组合的形式表示出来的算法，以便用户根据这种组合调用智能自动交易程序.验证该矩阵量化分析系统的有效性。

【技术特征摘要】

【专利技术属性】
技术研发人员：曾祥洪，郑茂林，
申请(专利权)人：北京国政通科技有限公司，
类型：发明
国别省市：