本發(fā)明涉及股票數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其是涉及一種基于預(yù)定義模式匹配的股票推薦選股方法。

背景技術(shù)：

隨著數(shù)據(jù)庫技術(shù)的成熟與信息技術(shù)的普及,相關(guān)行業(yè)的數(shù)據(jù)規(guī)模急劇膨脹。專家系統(tǒng)、人工智能和機(jī)器學(xué)習(xí)等知識發(fā)現(xiàn)技術(shù)的發(fā)展,使得“從海量數(shù)據(jù)中提取或識別有效的、新穎的、潛在有用的并最終可理解的模式”成為可能。

近年來,在數(shù)據(jù)極為豐富的金融領(lǐng)域，一些分析方法隨著股市的產(chǎn)生和發(fā)展逐步完善起來，如：道氏分析法、K線圖分析法、點(diǎn)數(shù)圖分析法、移動平均法、還有形態(tài)分析法、趨勢分析法、角度分析法、神秘級數(shù)與黃金分割比螺旋歷法、四度空間法等。然而，這些方法僅僅是分析手段，還不能直接預(yù)測股市的動態(tài)。

隨著時(shí)間的推移及存儲技術(shù)的發(fā)展，越來越多的股票交易數(shù)據(jù)被存儲下來。在海量的股票交易數(shù)據(jù)中往往隱藏了許多有用的信息，由此促進(jìn)了數(shù)據(jù)挖掘技術(shù)在股票分析領(lǐng)域中的應(yīng)用。股票數(shù)據(jù)挖掘的方法,如神經(jīng)網(wǎng)絡(luò)、進(jìn)化算法、模糊邏輯、粗糙集、支持向量機(jī)等,正在得到越來越廣泛的研究與應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明公開了一種基于預(yù)定義模式匹配的股票推薦選股方法。方法的基本思想是首先預(yù)先定義模式，如反L型、大V型的股票走勢模式，然后將定義的模式與所有股票的近期走勢進(jìn)行匹配搜索；為了更好的匹配走勢而非具體漲跌幅，方法需要對所有股票數(shù)據(jù)進(jìn)行基準(zhǔn)收盤價(jià)的計(jì)算預(yù)處理，同時(shí)匹配時(shí)需要將參與匹配的基準(zhǔn)收盤價(jià)規(guī)范到[0,1]區(qū)間，之后使用動態(tài)時(shí)間規(guī)整方法進(jìn)行非對稱的動態(tài)匹配；將匹配結(jié)果值進(jìn)行從小到大排序后，獲取數(shù)值最小的前T個(gè)股票作為推薦的候選股票。

本發(fā)明方法是一種選股方法，可根據(jù)用戶的偏好模式給予推薦最相似走勢的股票，從而為用戶選股提供決策支持。

本發(fā)明方法的步驟如下：

（1）對每只股票的漲跌幅數(shù)據(jù)預(yù)處理為以某個(gè)時(shí)間點(diǎn)為基準(zhǔn)的基準(zhǔn)收盤價(jià)；

（2）預(yù)定義待匹配的模式；

（3）獲取每只股票近期一段時(shí)間的基準(zhǔn)收盤價(jià)數(shù)據(jù)；

（4）對近期基準(zhǔn)收盤價(jià)數(shù)據(jù)進(jìn)行規(guī)范化處理；

（5）將待匹配模式與每只股票的近期走勢應(yīng)用動態(tài)時(shí)間規(guī)整方法進(jìn)行非對稱的動態(tài)匹配，得到匹配距離；

（6）在所有的匹配中，獲取模式的強(qiáng)匹配股票列表，作為推薦股票列表。

其中，步驟(1)中對于每只股票，以某個(gè)時(shí)間點(diǎn)作為起點(diǎn)，如2005-01-01，截取自該時(shí)間點(diǎn)以來到現(xiàn)今的漲跌幅數(shù)據(jù)；然后令起始時(shí)間點(diǎn)的收盤價(jià)以1為基準(zhǔn)，后續(xù)時(shí)間點(diǎn)的收盤價(jià)根據(jù)漲跌幅進(jìn)行變換得到，如第二天的漲跌幅為Change₂,則第二天的基準(zhǔn)收盤價(jià)為：1*(1+Change₂/100); 第三天的的漲跌幅為Change₃,則第三天的基準(zhǔn)收盤價(jià)為：1*(1+Change₂/100) (1+Change₃/100);以此類推，形成該只股票的基準(zhǔn)收盤價(jià)數(shù)組。

其中，步驟(2) 預(yù)定義待匹配的模式，如反L型、大V型等模式。反L型模式是指股票先經(jīng)過一段時(shí)間的低位調(diào)整，而后在近幾天股價(jià)開始急速拉升的走勢形態(tài)。大V型模式是指股票經(jīng)過一段時(shí)間的急速下跌，而后在近幾天股價(jià)突然急速拉起的走勢形態(tài)。如反L型和大V型模式可以定義為：

M_反L=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]

M_大V=[1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]。

其中，步驟(3)中，對于每只股票，從其基準(zhǔn)收盤價(jià)數(shù)組中，獲取近期與預(yù)定義模式等長的L個(gè)交易日的數(shù)據(jù)。

其中，步驟(4)中對每只股票的近期基準(zhǔn)收盤價(jià)數(shù)據(jù)進(jìn)行規(guī)范化處理，這里使用[0,1]區(qū)間的格式化方式。具體為：假設(shè)一個(gè)數(shù)組A，A=[a_t],t=1,…,L，L為數(shù)組長度，對其[0,1]區(qū)間格式化的過程為：對A數(shù)組中的每個(gè)a_t進(jìn)行變換，a_t = (a_t-Min(A))/(Max(A)-Min(A)),t=1…L。

其中，步驟(5)中將待匹配模式與每只股票的近期走勢進(jìn)行匹配。匹配使用動態(tài)時(shí)間規(guī)整方法，規(guī)整匹配的時(shí)間窗口設(shè)置為2，也就是說進(jìn)行允許有2個(gè)位置偏差的非對稱動態(tài)匹配，通過計(jì)算最短規(guī)整距離后，得到兩個(gè)模式的匹配距離。

其中，步驟(6)是在待匹配模式與所有股票的近期走勢匹配后，對匹配距離進(jìn)行排序，獲取距離最小的T個(gè)值對應(yīng)的股票，構(gòu)成強(qiáng)匹配股票列表，列表股票即為推薦股票。

附圖說明

圖1 是本發(fā)明基于預(yù)定義模式匹配的股票推薦選股方法的流程圖。

圖2 是預(yù)定義模式與股票的近期走勢進(jìn)行非對稱動態(tài)匹配的示意圖。

圖3 是基于本發(fā)明方法輸出的推薦股票列表。

這里預(yù)先定義了長度為30的反L型模式M,具體定義為:

M_反L=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]，

然后T的取值為12，獲取得到前12個(gè)最小匹配值對應(yīng)的股票，構(gòu)成強(qiáng)匹配股票列表，輸出后如圖3所示。

圖4是某一股票近期的典型反L型走勢。圖4是在圖3獲得推薦股票列表的基礎(chǔ)上，查看某只推薦股票的近期走勢，如國旅聯(lián)合-600358，所獲得的走勢圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)例，對本發(fā)明進(jìn)行詳細(xì)的描述。

本發(fā)明方法通過預(yù)先定義的模式，在所有股票的近期走勢中進(jìn)行搜索，從而匹配得到相似走勢的股票。

假設(shè)股票列表為S,S=[S₁, S₂,…,S_i,…,S_n],n為股票池中股票的數(shù)量，如中國上市股票的數(shù)量或美國上市股票的數(shù)量。

本發(fā)明方法的模式定義、模式匹配及股票推薦過程的具體步驟如下。

一、股票數(shù)據(jù)預(yù)處理。

對于每只股票，假設(shè)當(dāng)前股票為S_i,i=1,…,n 具體預(yù)處理步驟如下。

1.1 對于股票時(shí)間序列S_i，以某個(gè)時(shí)間點(diǎn)作為起點(diǎn)，如2005-01-01，截取自該時(shí)間點(diǎn)以來到現(xiàn)今的數(shù)據(jù)。

1.2 對S_i進(jìn)行如下的處理：令起始時(shí)間點(diǎn)的收盤價(jià)以1為基準(zhǔn)，其后續(xù)時(shí)間點(diǎn)的收盤價(jià)根據(jù)漲跌幅進(jìn)行變換得到，如第二天的漲跌幅為Change₂,則第二天的基準(zhǔn)收盤價(jià)為：1*(1+Change₂/100); 第三天的的漲跌幅為Change₃,則第三天的基準(zhǔn)收盤價(jià)為：1*(1+Change₂/100) (1+Change₃/100);以此類推，形成S_i對應(yīng)的基準(zhǔn)收盤價(jià)數(shù)組MyClose_i。

對所有股票進(jìn)行預(yù)處理后，最后形成基準(zhǔn)收盤價(jià)二維數(shù)組MyClose，

MyClose=[MyClose_i], i=1,…,n。

二、股票模式定義。

該步驟預(yù)先定義模式，如反L型、大V型等模式。

反L型模式是指股票先經(jīng)過一段時(shí)間的低位調(diào)整，而后在近幾天股價(jià)開始急速拉升的走勢形態(tài)。

大V型模式是指股票經(jīng)過一段時(shí)間的急速下跌，而后在近幾天股價(jià)突然急速拉起的走勢形態(tài)。

對于一個(gè)長度為k的模式M，M定義為：M=[m₀,…m_j…m_k],其中j=[0,k]。

為簡化人工設(shè)置模式的過程，模式里面元素m_j的取值一般僅取0, 1二種情況，代表低位和高位。

如K=30，反L型和大V型模式可以定義為：

M_反L=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]

M_大V=[1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]

當(dāng)然也可以設(shè)置更為精細(xì)和復(fù)雜的模式，如模式元素m_j取值為[0,1]區(qū)間的任意小數(shù)值。

三、待匹配近期股票數(shù)據(jù)的獲取。

根據(jù)預(yù)先定義的模式的長度，從股票基準(zhǔn)收盤價(jià)二維數(shù)組MyClose中獲取待匹配股票數(shù)據(jù)。假設(shè)定義了一個(gè)長度為k的模式M,則從股票列表從獲取近期k個(gè)交易日的數(shù)據(jù)，具體為對于每個(gè)數(shù)組MyClose_i，截取近期k個(gè)交易日的基準(zhǔn)收盤價(jià)數(shù)據(jù)。為描述方便，最后形成的二維數(shù)組仍記為MyClose=[MyClose_i], i=1,…,n，不同的是MyClose_i的長度僅為k，具體為：MyClose_i= [C₀,…C_j…C_k],其中j=[0,k]。

四、股票數(shù)據(jù)格式化。

本步驟進(jìn)一步對上一步驟中獲得的近期基準(zhǔn)收盤價(jià)數(shù)組MyClose_i進(jìn)行格式化處理。這里使用[0,1]區(qū)間的格式化。

假設(shè)一個(gè)數(shù)組A，A=[a_t],t=1,…,L，L為數(shù)組長度，對其[0,1]區(qū)間格式化的過程為：對A數(shù)組中的每個(gè)a_t進(jìn)行變換，a_t = (a_t-Min(A))/(Max(A)-Min(A)),t=1…L

對MyClose_i進(jìn)行格式化處理后，仍記為MyClose_i。

五、股票模式匹配。

本步驟用預(yù)先定義的模式M與格式化后的股票二維數(shù)組MyClose進(jìn)行匹配，對于MyClose中的每一行元組MyClose_i,與其長度同為k的模式M的匹配過程如下。

5.1將M記為X，MyClose_i記為Y，其中X,Y長度相等，都為k。

5.2使用動態(tài)時(shí)間規(guī)整方法(Dynamic Time Warping，DTW)進(jìn)行X,Y距離計(jì)算。

由于k的取值一般不會太大，這里規(guī)整匹配的時(shí)間窗口設(shè)置為2，然后以動態(tài)規(guī)劃的方法求兩個(gè)時(shí)間序列X和Y的最短距離Dist(X,Y)。假設(shè)i是X的坐標(biāo)，j是Y的坐標(biāo)，這里需要尋找一個(gè)規(guī)整路徑W，W必須從W₁=(1,1)開始，到W_L=(k,k)結(jié)尾，并保證X和Y中的每個(gè)坐標(biāo)都在W中出現(xiàn)，同時(shí)i和j必須是單調(diào)增加的。

規(guī)整路徑是距離最短的一個(gè)規(guī)整路徑:

D(i,j) = Distance(i,j)+min[D(i-1,j), D(i,j-1), D(i-1,j-1)]

Distance(i,j)為歐幾里得距離。

最后X和Y的最短規(guī)整距離為：Dist(X,Y) = D(L1,L2)

對股票二維數(shù)組MyClose中的所有元組都與M進(jìn)行匹配，得到與M的匹配距離一維數(shù)組DistM。數(shù)組中每個(gè)元素代表M與MyClose_i的距離。

六、獲取模式的強(qiáng)匹配股票列表。

對數(shù)組DistM進(jìn)行從小到大排序，獲取數(shù)值最小的前T個(gè)對應(yīng)的股票，這些股票就構(gòu)成了預(yù)定義模式M的強(qiáng)匹配股票列表。所獲得的T只股票即為推薦的股票。

這里L(fēng)值的取得有以下幾種方法，

a.人為設(shè)定T值大小，如T=10;

b. 根據(jù)數(shù)組DistM的長度設(shè)置一個(gè)百分比值，從而得到T值大小

c. 根據(jù)數(shù)組DistM中距離值的分布，設(shè)置一個(gè)分布的概率，從而得到T值。

綜上所述，本發(fā)明提出了一種基于預(yù)定義模式匹配的股票推薦選股方法。方法通過預(yù)先定義的模式，在所有股票的歷史數(shù)據(jù)中，以非對稱匹配的動態(tài)時(shí)間規(guī)整方法搜索最相似的匹配模式，最后將獲得的強(qiáng)匹配列表作為推薦的股票列表。方法可以為用戶的選股提供決策支持。

本發(fā)明方法同樣可應(yīng)用于證券類具有時(shí)間序列特征的數(shù)據(jù)，如基金、期貨等。因此，盡管為說明目的公開了本發(fā)明的具體實(shí)施例和附圖，其目的在于幫助理解本發(fā)明的內(nèi)容并據(jù)以實(shí)施，但是本領(lǐng)域的技術(shù)人員可以理解：在不脫離本發(fā)明及所附的權(quán)力要求的精神和范圍內(nèi)，各種替換、變化和修改都是不可能的。因此，本發(fā)明不應(yīng)局限于最佳實(shí)施例和附圖所公開的內(nèi)容。當(dāng)前公開的實(shí)施例在所有方面應(yīng)被理解為說明性的而非對其請求保護(hù)的范圍的限制。