技术领域
[0001] 本发明属于金融大数据技术领域，具体涉及一种股票历史趋势关键点的筛选方法及趋势预测方法。
相关背景技术
[0002] 随着经济的发展，股票市场海量数据不断涌现，需要寻求一种有效且高效率的方式对其进行分析处理。随着数据挖掘技术的提出和应用，为股票趋势预测提供了新的建模方法，其中具有代表性的数据挖掘方法为神经网络，神经网络作为一种进行信息处理的数学模型，能够根据数据的特征建立相应的模型，并且具有良好的数据处理能力。因此，在预测领域取得了很好的发展。但是，影响股票趋势的因素很多，作用原理不尽相同，传统单一的技术分析方法难以包含所有影响股票趋势的信息，另外，影响股票涨跌趋势的因素是相关的、错综复杂的。因此通过多种技术方法的结合，达到取长补短的效果尤为重要。
具体实施方式
[0044] 实施例1
[0045] 本实施例提供一种股票历史趋势关键点的筛选方法，以武钢股份个股 1999/8/3到2016/10/18数据作为实验数据集(如图1)，根据收益率选取上涨、下跌和平稳状态的关键点，包括以下步骤：
[0046] 按照如下公式进行股票历史趋势关键点的筛选：
[0047] 1.1上涨关键点：
[0048] 总涨幅量RinSm的计算： 其中，
[0049] m分别取值为m1＝5，m2＝6，m3＝7，m4＝8，m5＝9，m6＝10，N为1999/8/3到 2016/10/18，N＝n1,n2,...,ni,...,nδ，δ＝4000，表明N中共有4000个时间点，n1为1999/8/3，n2为
1999/8/4…，nδ为2016/10/18,经计算：
[0050] 得到m1＝5时的总涨幅量为RinS5＝111.4142；
[0051] 得到m2＝6时的总涨幅量为RinS6＝123.3046；
[0052] 得到m3＝7时的总涨幅量为RinS7＝133.5427；
[0053] 得到m4＝8时的总涨幅量为RinS8＝143.1859；
[0054] 得到m5＝9时的总涨幅量为RinS9＝153.3876；
[0055] 得到m6＝10时的总涨幅量为RinS10＝162.8488；
[0056] 经计算对应的平均涨幅分别为：
[0057] m1＝5时Rcounts5为1914，则RaveIns＝0.0582；
[0058] m2＝6时Rcounts6为1929，则RaveIns＝0.0639；
[0059] m3＝7时Rcounts7为1931，则RaveIns＝0.0692；
[0060] m4＝8时Rcounts8为1916，则RaveIns＝0.0747；
[0061] m5＝9时Rcounts9为1927，则RaveIns＝0.0796；
[0062] m6＝10时Rcounts10为1917，则RaveIns＝0.0849。
[0063] 最大平均涨幅为0.0849，因此本实施例取最大平均涨幅0.0849对应的滑动窗口大小m6＝10作为最佳滑动窗口大小，σ为6，如图2所示。
[0064] 则在最佳滑动窗口大小下，上涨关键点为：
[0065]
[0066] 得到的RT中共有688个时间矢量，φ为688，即688个上涨关键点，分别为730335,730336,730358,…,736182,736202，见表1(注：为方便统计，本实施例将0000/1/1定义为1，表示0000/1/1这天为第1天，依次类推，例如，本发明的730335为1999/8/3，表示1999/8/3为第730335天。)。
[0067] 表1武钢股份上涨关键点
[0068]
[0069] 1.2下跌关键点：
[0070] 总跌幅量FinSm的计算：
[0071] 经计算，总跌幅量为181.6591，待预测股票平均跌幅量FaveIns为 0.1505，[0072] 按照上涨关键点中确定的滑动窗口大小筛选下跌关键点，
[0073]
[0074] 得到的FT中共有690个时间矢量，为690，即690个下跌关键点，分别为730338,730342,730372,…,736252，736253，见表2。
[0075] 表2武钢股份下跌关键点
[0076]
[0077] 1.3平稳关键点：
[0078] 根据涨幅小于平均涨幅量且跌幅大于平均跌幅量筛选平稳关键点：
[0079] 得到的ST中共有 847个时间矢量，υ为2622，即2622个平稳关键点，见表3。
[0080] 表3武钢股份平稳关键点
[0081]
[0082]
[0083] 实施例2
[0084] 本实施例提供一种股票趋势预测方法，对实施例1得到的三种趋势关键点，用技术指标多维矩阵表示武钢股份各趋势的特征，其中选取的技术指标有：成交量、ARBR(2个：AR、BR)、BIAS(3个：BIAS6、BIAS12、BIAS24)、BOLL(3个：BOLL1、BOLL2、BOLL3)、DMA(2个：DMA、AMA)、DPO、EMA、 KDJ(3个：K、D、J)、MA(2个：MA5、MA10)、MACD(3个：DIF、DEA、 MACD)、PSY、WVAD共23个，此步骤为常规操作，以下举例说明，在趋势特征表示过称中，用技术指标多维矩阵表示股票趋势转变信号，强化指标特征对股票趋势影响的权重。
[0085] 1、上涨趋势特征公式定义
[0086]
[0087] pr表示股票上涨趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势1
上涨样本数，其中x＝688。τ表示多维矩阵跨度大小，t表示股票上涨趋势转折点时间。具体的结果如表4所示，横排表示23个技术特征指标，纵列表示688个上涨关键点。
[0088] 表4上涨关键点技术指标特征集合表
[0089] 1 2 3 … … … 22 23
1 0.138889 0.313179 -0.99012 … … … 0.161587 -0.94736
2 0.142857 0.346873 -0.99077 … … … 0.11348 -0.94819
3 0.114286 0.294019 -0.99856 … … … 0.06467 -0.95266
4 0.428571 0.218042 -1.0031 … … … 0.047492 -0.9573
5 0.257143 0.179063 -1.00375 … … … 0.036913 -0.95883
… … … … … … … … …
… … … … … … … … …
… … … … … … … … …
687 0.146341 -0.5823 -0.98557 … … … 0.040672 -0.94524
688 0.153846 -0.62107 -0.98493 … … … 0.005217 -0.94539
[0090] 2、下跌趋势特征公式定义
[0091]
[0092] pf表示股票下跌趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势-1下跌样本数，其中x＝690。τ表示多维矩阵跨度大小，t 表示股票下跌趋势转折点时间。具体的结果如表5。
[0093] 表5下跌关键点技术指标特征集合表
[0094]
[0095] 3、平稳趋势特征公式定义
[0096]
[0097] ps表示股票平稳趋势信号的特征矩阵。x表示滑动窗口大小为m6＝10的股票趋势平稳样本数，其中x＝847。τ表示多维矩阵跨度大小，t0表示股票平稳转折点时间。具体的结果如表6。
[0098] 表6平稳关键点技术指标特征集合表
[0099]
[0100] 采用这三类技术指标特征集合，利用PCA-ELM分类方法建立分类模型，选取每种趋势前600个时间点作为训练数据，后50个作为测试数据进行分类，同时分别采用四种算法从准确率和预测时间进行对比，如图3、4所示。
[0101] 结果表明，本发明的整个方案在分类准确率和预测时间上都表现良好，相关理论可为股票投资者提供有效的决策支持。
