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時態(tài)聯(lián)動挖掘的股票預(yù)測方法。

背景技術(shù)：

股票作為金融市場最主要的金融工具之一,其價格波動能否預(yù)測、以及用何種方法進行預(yù)測,一直以來都是金融領(lǐng)域研究的焦點問題之一。

股票價格預(yù)測是指根據(jù)調(diào)查統(tǒng)計收集的股票價格數(shù)據(jù)，從股票市場的歷史、現(xiàn)狀和規(guī)律性出發(fā)，采用科學(xué)預(yù)測方法對股票價格未來變化趨勢做出準(zhǔn)確預(yù)測。

在當(dāng)前的股票分析中,普遍采用的方法有兩種:基本分析法和技術(shù)分析法?；痉治龇ㄍㄟ^對影響股市的供求關(guān)系的基本因素進行分析,確定股票的真正價值,判斷股市走勢,提供投資者選擇股票的依據(jù)。而技術(shù)分析關(guān)心證券市場本身的變化,通過對股價、成交量以及漲跌指數(shù)等技術(shù)指標(biāo)的分析,研究市場過去及現(xiàn)在的行為反應(yīng),以推測未來價格的變動趨勢。本發(fā)明方法屬于技術(shù)分析的方法。

國內(nèi)外對股票價格進行預(yù)測的模型種類很多。但依據(jù)其建模理論不同,可將這些預(yù)測模型劃分為兩個大類:一類是以統(tǒng)計原理為基礎(chǔ)的傳統(tǒng)型波動率預(yù)測模型,目前較為流行且具有代表性的模型包括ARCH模型和SV模型;另一類是以神經(jīng)網(wǎng)絡(luò)、灰色理論、支持向量機等為基礎(chǔ)的創(chuàng)新型預(yù)測模型。這兩類模型在對股票價格進行預(yù)測時各有特點,但其預(yù)測的準(zhǔn)確度仍有待提高。

本發(fā)明提出的基于時態(tài)聯(lián)動挖掘的股票預(yù)測方法可對股票近期幾天是否大漲或大跌的情況進行預(yù)測，從而為股民決策提供較大的指導(dǎo)價值。

技術(shù)實現(xiàn)要素：

本發(fā)明公開了一種基于時態(tài)聯(lián)動挖掘的股票預(yù)測方法。方法用于挖掘類似的規(guī)則：如果A股票大漲（或大跌），那么k日后B股票大漲（或大跌）的概率為x%。方法分為兩個階段：規(guī)則挖掘階段和規(guī)則應(yīng)用階段。在規(guī)則挖掘階段，針對所有股票的每日漲跌幅數(shù)據(jù)，經(jīng)過簡單量化后，統(tǒng)計不同股票之間在間隔的一小段時間內(nèi)聯(lián)動大漲或大跌的次數(shù)，同時計算出現(xiàn)該聯(lián)動的支持度和置信度，最后生成聯(lián)動規(guī)則。在規(guī)則應(yīng)用階段，每日根據(jù)每只股票的漲跌情況進行觸發(fā)生成，生成的規(guī)則分為大漲正面、大漲反面、大跌正面、大跌反面四種類型。方法可為股票短線操作提供決策支持。

本發(fā)明方法是一種近期預(yù)測的方法，即如1日預(yù)測，2日預(yù)測，3日預(yù)測等；預(yù)測結(jié)果簡化地分為4類：大漲(>=2%)、不會大漲(<2%)、大跌(<=-2%)、不會大跌(>-2%)，括號內(nèi)的值為類別對應(yīng)的漲跌幅定義。

本發(fā)明方法將首先挖掘如下這樣類似的規(guī)則，“如果A股票大漲（或大跌），那么k日后B股票大漲（或大跌）的概率為x%”，在得到規(guī)則后，根據(jù)每日股票的具體漲跌幅情況，對聯(lián)動股票在近期幾天的大漲或大跌，以及相應(yīng)的概率做出預(yù)測。

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)明方法分為兩個階段，規(guī)則挖掘階段和規(guī)則應(yīng)用階段。具體步驟如下：

一、規(guī)則挖掘階段

（1）對基礎(chǔ)統(tǒng)計數(shù)據(jù)及映射數(shù)據(jù)進行準(zhǔn)備；

（2）加載大漲和大跌的股票數(shù)據(jù)，并各自填充到二維統(tǒng)計數(shù)組里面；

（3）基于統(tǒng)計數(shù)組進行時態(tài)間隔時間為1天、2天和3天的聯(lián)動統(tǒng)計，包括大漲聯(lián)動統(tǒng)計和大跌聯(lián)動統(tǒng)計；

（4）基于聯(lián)動統(tǒng)計結(jié)果，挖掘生成大漲的正反面規(guī)則和大跌的正反面規(guī)則；

二、規(guī)則應(yīng)用階段

（5）加載每日大漲股票的漲幅，搜索應(yīng)用大漲的正反面規(guī)則，生成聯(lián)動規(guī)則結(jié)果；

（6）加載每日大跌股票的跌幅，搜索應(yīng)用大跌的正反面規(guī)則，生成聯(lián)動規(guī)則結(jié)果。

其中，步驟(1)的基礎(chǔ)統(tǒng)計數(shù)據(jù)是指每只股票的大漲次數(shù)、大跌次數(shù)和歷史交易的總次數(shù)；映射數(shù)據(jù)是指股票與編號的雙向哈希映射表：Hash(Stock:ID) 和Hash(ID:Stock)；交易日期與編號的雙向哈希映射表：Hash(Date:ID)和Hash(ID:Date)。

其中，步驟(2)的對二維統(tǒng)計數(shù)組的填充，是指以所有股票的數(shù)量和所有交易日期的數(shù)量交叉形成兩個二維數(shù)組StatUp和StatDown，而后根據(jù)每只股票大漲的交易日期在StatUp數(shù)組的相應(yīng)位置填1，根據(jù)每只股票大跌的交易日期在StatDown數(shù)組的相應(yīng)位置填1，其余位置填0。

其中，步驟(3)的聯(lián)動統(tǒng)計分為大漲聯(lián)動統(tǒng)計和大跌聯(lián)動統(tǒng)計?；赟tatUp數(shù)組，進行時態(tài)間隔時間為1天、2天和3天的大漲聯(lián)動統(tǒng)計，基本過程是對于每一行，即每只股票，逐位掃描StatUp數(shù)組，在碰到1的時候，對該列位置的前1、2、3列分別進行豎方向的掃描，并分別對1出現(xiàn)的個數(shù)進行統(tǒng)計累加，最后計算該股票與其他各股票大漲聯(lián)動統(tǒng)計的支持度和置信度；大跌聯(lián)動統(tǒng)計基于StatDown數(shù)組，其計算過程類似大漲聯(lián)動統(tǒng)計。

其中，步驟(4) 的規(guī)則生成，在設(shè)定參數(shù)最小支持度minSupport、最小置信度minConfidence和最少交易次數(shù)minTradeCount參數(shù)、最大置信度maxConfidence后，大漲正面規(guī)則是指對于每只股票獲取支持度大于minSupport，置信度大于minConfidence，交易次數(shù)大于minTradeCount的元組；大漲反面規(guī)則是指支持度大于minSupport，置信度小于maxConfidence，交易次數(shù)大于minTradeCount的元組；大跌正面規(guī)則是指支持度大于minSupport，置信度大于minConfidence，交易次數(shù)大于minTradeCount的元組；大跌反面規(guī)則是指支持度大于minSupport，置信度小于maxConfidence，交易次數(shù)大于minTradeCount的元組。

其中，步驟(5)在應(yīng)用大漲的正反面規(guī)則，進行聯(lián)動結(jié)果的生成過程中，由于是要生成規(guī)則右邊涉及股票的挖掘結(jié)果，因此對于每只股票的代碼，是通過匹配規(guī)則右邊的股票來獲取規(guī)則左邊所有相關(guān)的股票代碼，然后判斷這些相關(guān)股票代碼是否在當(dāng)日大漲了，以此來確定規(guī)則是否適用。如果適用成功，則輸出相應(yīng)聯(lián)動規(guī)則。

其中，步驟(6)在應(yīng)用大跌的正反面規(guī)則，進行聯(lián)動結(jié)果的生成過程中，由于是要生成規(guī)則右邊涉及股票的挖掘結(jié)果，因此對于每只股票的代碼，是通過匹配規(guī)則右邊的股票來獲取規(guī)則左邊所有相關(guān)的股票代碼，然后判斷這些相關(guān)股票代碼是否在當(dāng)日大跌了，以此來確定規(guī)則是否適用。如果適用成功，則輸出相應(yīng)聯(lián)動規(guī)則。

附圖說明

圖1 是本發(fā)明基于時態(tài)聯(lián)動挖掘的股票預(yù)測方法的流程圖。上半部分為規(guī)則的挖掘過程，下半部分為規(guī)則的應(yīng)用過程。

圖2 是基于本發(fā)明方法輸出的某一股票近期的大漲正面規(guī)則。

圖3 是基于本發(fā)明方法輸出的某一股票近期的大漲反面規(guī)則。

圖4 是基于本發(fā)明方法輸出的某一股票近期的大跌正面規(guī)則。

圖5 是基于本發(fā)明方法輸出的某一股票近期的大跌反面規(guī)則。

圖2~圖5的結(jié)果是在設(shè)定最小支持度minSupport=20%、最少交易次數(shù)minTradeCount=500，正面規(guī)則的最小置信度minConfidence=25%，反面規(guī)則的maxConfidence=5%后，以某一交易日如2016/09/29的收盤數(shù)據(jù)進行時態(tài)聯(lián)動挖掘后得到的。

具體實施方式

下面結(jié)合附圖和實例，對本發(fā)明進行詳細的描述。

本發(fā)明方法首先挖掘如下這樣類似的規(guī)則，“如果A股票大漲（或大跌），那么k日后B股票大漲（或大跌）的概率為x%”在得到規(guī)則后，根據(jù)每日股票的具體漲跌幅情況，對聯(lián)動股票在近期幾天的大漲或大跌，以及相應(yīng)概率做出預(yù)測。

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)明方法分為兩個階段：規(guī)則挖掘階段和規(guī)則應(yīng)用階段。

一、規(guī)則挖掘階段。

本發(fā)明方法針對所有股票的日線數(shù)據(jù)進行時態(tài)聯(lián)動規(guī)則的挖掘。先對預(yù)測結(jié)果4個分類的對應(yīng)漲跌幅作定義: 大漲(>=2%)、不會大漲(<2%)、大跌(<=-2%)、不會大跌(>-2%)。具體定義數(shù)值作為參數(shù)可調(diào)。本發(fā)明中提到的“大漲”或“大跌”皆表示了其對應(yīng)的漲跌幅。

（1）基礎(chǔ)統(tǒng)計數(shù)據(jù)及映射數(shù)據(jù)準(zhǔn)備。

1.1 獲取所有股票的列表，并為每只股票從0開始進行順序編號，形成股票與編號的哈希映射表Hash(Stock:ID)，和編號與股票的哈希映射表Hash(ID:Stock)。

1.2 通過上證指數(shù)，獲取某個時間以來(如2005年1月1日)所有交易日期，并對日期從小到大排序后，從0開始順序編號，形成交易日期與編號的哈希映射表Hash(Date:ID)，和編號與交易日期的哈希映射表Hash(ID:Date)。

1.3 獲取每只股票在歷史交易中的大漲次數(shù)和大跌次數(shù)，形成股票與大漲次數(shù)的哈希映射表Hash(Stock:UpCount)，和股票與大跌次數(shù)的哈希映射表Hash(Stock:DownCount)。

1.4獲取每只股票的歷史交易的次數(shù)，形成股票與交易次數(shù)的哈希映射表Hash(Stock:Count)。

（2）大漲和大跌股票數(shù)據(jù)的加載。

2.1 定義兩個二維統(tǒng)計數(shù)組: StatUp[n,m] 和 StatDown[n,m]，其中n代表所有股票的數(shù)量，m代表上證指數(shù)某段時間以來交易日期的數(shù)量，即所有交易日期的數(shù)量。

2.2 獲取每只股票大漲的交易日期，以1填充StatUp[n,m]的相應(yīng)位置。具體為：對于每只股票，在得到其股票代碼及大漲的交易日期后，通過Hash(Stock:ID)獲取行編號，通過Hash(Date:ID)獲取列編號，最后設(shè)置StatUp數(shù)組的行列編號對應(yīng)位置為1。其余位值設(shè)置為0。

2.3 獲取每只股票大跌的交易日期，以1填充StatDown[n,m]的相應(yīng)位置。具體為：對于每只股票，在得到其股票代碼及大跌的交易日期后，通過Hash(Stock:ID)獲取行編號，通過Hash(Date:ID)獲取列編號，最后設(shè)置StatDown數(shù)組的行列編號對應(yīng)位置為1。其余位值設(shè)置為0。

（3）時態(tài)聯(lián)動統(tǒng)計。

通過以上步驟，所有待統(tǒng)計數(shù)據(jù)已經(jīng)準(zhǔn)備好了。接下來對StatUp和StatDown兩個數(shù)組分別進行時態(tài)聯(lián)動統(tǒng)計。時態(tài)是指不同股票間隔一小段時間的狀態(tài)，而時態(tài)聯(lián)動是指對間隔小段時間的不同股票的狀態(tài)進行統(tǒng)計，以挖掘這些狀態(tài)間是否有聯(lián)動的現(xiàn)象。為避免數(shù)據(jù)量過于龐大，時態(tài)間隔時間僅取3種情況：間隔1天，間隔2天，間隔3天。

3.1 大漲聯(lián)動統(tǒng)計。分別對時態(tài)間隔時間的3種情況進行大漲的聯(lián)動統(tǒng)計。具體為：

a. 設(shè)置3個一維跟蹤數(shù)組Stat1[n]、Stat2[n]、Stat3[n]，n為所有股票的數(shù)量；

b. 對于StatUp中的每一行，逐位進行掃描，如果位值為1，則進入下一步，否則跳過；

c. 獲取該1位置所對應(yīng)的列編號，對該列位置減1，減2和減3的三列進行豎的掃描，如果位值為1，則將該值累加統(tǒng)計到跟蹤數(shù)組中。列位置減1，減2和減3的三列的掃描統(tǒng)計數(shù)據(jù)分別記錄到Stat1[n]、Stat2[n]、Stat3[n]。跟蹤數(shù)組的每行實際上是與每只股票一一對應(yīng)的；

d．計算支持度和置信度。對于3個跟蹤數(shù)組的每一行，通過Hash(ID:Stock)獲取股票代碼，通過Hash(Stock:UpCount)獲取大漲次數(shù)，通過Hash(Stock:Count)獲取交易次數(shù)。最后大漲聯(lián)動統(tǒng)計的支持度和置信度定義為：

支持度_up = 100*大漲次數(shù)/交易次數(shù)；

置信度_up=100*跟蹤數(shù)組的統(tǒng)計次數(shù)/大漲次數(shù)。

3.2 大跌聯(lián)動統(tǒng)計。分別對時態(tài)間隔時間的3種情況進行大跌的聯(lián)動統(tǒng)計。具體過程與大漲聯(lián)動統(tǒng)計過程類似。統(tǒng)計對象為StatDown二維數(shù)組，大跌次數(shù)通過Hash(Stock:DownCount)獲得。最后大跌聯(lián)動統(tǒng)計的支持度和置信度定義為：

支持度_down=100*大跌次數(shù)/交易次數(shù);

置信度_down=100*跟蹤數(shù)組的統(tǒng)計次數(shù)/大跌次數(shù)。

（4）規(guī)則挖掘生成與挑選。規(guī)則的挖掘生成過程分為兩種：正面規(guī)則和反面規(guī)則。

4.1 大漲聯(lián)動規(guī)則生成。

大漲正面規(guī)則生成：設(shè)定最小支持度minSupport、最小置信度minConfidence和最少交易次數(shù)minTradeCount參數(shù)，基于大漲聯(lián)動統(tǒng)計和計算的結(jié)果，獲取支持度大于minSupport，置信度大于minConfidence，交易次數(shù)大于minTradeCount的元組，這些元組構(gòu)成大漲正面規(guī)則的元組組合：

UpRule+ = {StockA,StockB,Interval,Support,Confidence}

其中，每條元組代表股票StockA大漲，在間隔時間Interval后，在支持度Support下，股票StockB大漲的置信度（或概率）為Confidence。

大漲反面規(guī)則生成：設(shè)定最小支持度minSupport、最大置信度maxConfidence和最少交易次數(shù)minTradeCount參數(shù)，基于大漲聯(lián)動統(tǒng)計和計算的結(jié)果，獲取支持度大于minSupport，置信度小于maxConfidence，交易次數(shù)大于minTradeCount的元組，這些元組構(gòu)成大漲反面規(guī)則的元組組合：

UpRule- = {StockA,StockB,Interval,Support,Confidence}

其中，每條元組代表股票StockA大漲，在間隔時間Interval后，在支持度Support下，股票StockB不會大漲的置信度（或概率）為Confidence。

4.2 大跌聯(lián)動規(guī)則生成。

大跌正面規(guī)則生成：設(shè)定最小支持度minSupport、最小置信度minConfidence和最少交易次數(shù)minTradeCount參數(shù)，基于大跌聯(lián)動統(tǒng)計和計算的結(jié)果，獲取支持度大于minSupport，置信度大于minConfidence，交易次數(shù)大于minTradeCount的元組，這些元組構(gòu)成大跌正面規(guī)則的元組組合：

DownRule+ = {StockA,StockB,Interval,Support,Confidence}

其中，每條元組代表股票StockA大跌，在間隔時間Interval后，在支持度Support下，股票StockB大跌的置信度（或概率）為Confidence。

大跌反面規(guī)則生成：設(shè)定最小支持度minSupport、最大置信度maxConfidence和最少交易次數(shù)minTradeCount參數(shù)，基于大跌聯(lián)動統(tǒng)計和計算的結(jié)果，獲取支持度大于minSupport，置信度小于maxConfidence，交易次數(shù)大于minTradeCount的元組，這些元組構(gòu)成大跌反面規(guī)則的元組組合：

DownRule- = {StockA,StockB,Interval,Support,Confidence}

其中，每條元組代表股票StockA大跌，在間隔時間Interval后，在支持度Support下，股票StockB不會大跌的置信度（或概率）為Confidence。

二、規(guī)則應(yīng)用階段。

規(guī)則的應(yīng)用頻率是每天一次。規(guī)則的應(yīng)用對象是每只股票。在每個交易日交易結(jié)束后即可應(yīng)用規(guī)則對每只股票進行預(yù)測。具體過程如下。

（1）當(dāng)日大漲和大跌股票數(shù)據(jù)的加載。

每個交易日交易結(jié)束后，獲取每天大漲股票的當(dāng)日漲幅，形成股票與漲幅的哈希映射表Hash(Stock:ChangeUp)；獲取每天大跌股票的當(dāng)日跌幅，形成股票與跌幅的哈希映射表Hash(Stock:ChangeDown)。

（2）大漲時態(tài)聯(lián)動規(guī)則應(yīng)用。

2.1 大漲正面規(guī)則應(yīng)用：

基于UpRule+ = {StockA,StockB,Interval,Support,Confidence}，對于每只股票的代碼，通過匹配StockB列，獲取StockA列所有相關(guān)的股票代碼，如果元組StockA列的股票代碼存在于Hash(Stock:ChangeUp)，則說明規(guī)則條件成立，獲取StockA的具體漲幅X%，生成聯(lián)動規(guī)則： StockA大漲X%，StockB在Interval天后大漲的概率為Confidence%。

2.2 大漲反面規(guī)則應(yīng)用：

基于UpRule- = {StockA,StockB,Interval,Support,Confidence}，對于每只股票的代碼，通過匹配StockB列，獲取StockA列所有相關(guān)的股票代碼，如果元組StockA列的股票代碼存在于Hash(Stock:ChangeUp)，則說明規(guī)則條件成立，獲取StockA的具體漲幅X%，生成聯(lián)動規(guī)則： StockA大漲X%，StockB在Interval天后不會大漲的概率為Confidence%。

（3）大跌時態(tài)聯(lián)動規(guī)則應(yīng)用。

3.1大跌正面規(guī)則應(yīng)用：

基于DownRule+ = {StockA,StockB,Interval,Support,Confidence}，對于每只股票的代碼，通過匹配StockB列，獲取StockA列所有相關(guān)的股票代碼，如果元組StockA列的股票代碼存在于Hash(Stock:ChangeDown)，則說明規(guī)則條件成立，獲取StockA的具體跌幅X%，生成聯(lián)動規(guī)則：StockA大跌X%，StockB在Interval天后大跌的概率為Confidence%。

3.2 大跌反面規(guī)則應(yīng)用：

基于DownRule- = {StockA,StockB,Interval,Support,Confidence}，對于每只股票的代碼，通過匹配StockB列，獲取StockA列所有相關(guān)的股票代碼，如果元組StockA列的股票代碼存在于Hash(Stock:ChangeDown)，則說明規(guī)則條件成立，獲取StockA的具體跌幅X%，生成聯(lián)動規(guī)則：StockA大跌X%，StockB在Interval天后不會大跌的概率為Confidence%。

綜上所述，本發(fā)明公開了一種基于時態(tài)聯(lián)動挖掘的股票預(yù)測方法。方法可用于挖掘類似這樣的規(guī)則：“如果A股票大漲（或大跌），那么k日后B股票大漲（或大跌）的概率為x%”。需要說明的是，大漲正面、大漲反面、大跌正面、大跌反面4種類型規(guī)則具體應(yīng)用到某一只股票時，并不一定會生成聯(lián)動規(guī)則，因為觸發(fā)規(guī)則的條件不一定成立。本發(fā)明方法可以預(yù)測股票近期幾個交易日的大漲或大跌的概率，從而為股票短線操作提供決策支持。

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)局限于最佳實施例和附圖所公開的內(nèi)容。當(dāng)前公開的實施例在所有方面應(yīng)被理解為說明性的而非對其請求保護的范圍的限制。