CN108376301A - 股票走势预测装置、方法及可读存储介质 - Google Patents

股票走势预测装置、方法及可读存储介质 Download PDF

Info

Publication number
CN108376301A
CN108376301A CN201810298086.9A CN201810298086A CN108376301A CN 108376301 A CN108376301 A CN 108376301A CN 201810298086 A CN201810298086 A CN 201810298086A CN 108376301 A CN108376301 A CN 108376301A
Authority
CN
China
Prior art keywords
day
trade
state
hidden
transaction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810298086.9A
Other languages
English (en)
Inventor
李正洋
周璟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810298086.9A priority Critical patent/CN108376301A/zh
Publication of CN108376301A publication Critical patent/CN108376301A/zh
Priority to PCT/CN2018/102128 priority patent/WO2019192132A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种股票走势预测装置，包括存储器和处理器，存储器上存储有可在处理器上运行的股票走势预测程序，该程序被处理器执行时实现如下步骤：获取目标股票的历史交易数据，根据历史交易数据提取预设指标的数据；根据预设指标的数据获取观测状态，使用述观测状态训练隐马尔科夫模型以获取模型参数；根据维特比算法计算每个交易日的观测状态对应的隐藏状态的类别；绘制各类别的隐藏状态的收益走势图；获取目标交易日的观测状态，计算目标交易日的隐藏状态的类别；并生成针对目标交易日的交易指导信息。本发明还提出一种股票走势预测方法以及一种计算机可读存储介质。本发明提高了对于股票的走势判断的准确率。

Description

股票走势预测装置、方法及可读存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种股票走势预测装置、方法及可读存储介质。
背景技术
股票的价格都是实时波动的，在股票交易过程中，用户通过对股票的走势分析来判断是将要上涨、下跌还是盘整。如果判断其将上涨，则买入持有；如果判断其将下跌，则卖出清仓。但是，传统的量化分析大多基于技术分析、市场热度、宏观经济指标等角度进行的，此外，这些方法较多的依赖于研究人员的个人经验，缺乏对于市场走势深层次的刻画，导致对于股票的走势判断的准确率低。
发明内容
本发明提供一种股票走势预测装置、方法及计算机可读存储介质，其主要目的在于解决现有技术中股票走势的判断准确率低的技术问题。
为实现上述目的，本发明提供一种股票走势预测装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的股票走势预测程序，所述股票走势预测程序被所述处理器执行时实现如下步骤：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
可选地，所述根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数的步骤包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
可选地，所述绘制各类别的隐藏状态在所述多个交易日内的收益走势图的步骤包括：
计算各类别的隐藏状态在所述多个交易日的对数收益率；
根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；
以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
可选地，所述根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息的步骤包括：
获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；
根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
可选地，所述根据所述多个交易日内的多个预设指标的数据获取观测状态的步骤包括：
将所述多个交易日内的多个预设指标的数据进行标准化处理；
将每个交易日内标准化处理后的数据转换为多维向量，将一个交易日对应的多维向量作为该交易日的观测状态。
此外，为实现上述目的，本发明还提供一种股票走势预测方法，该方法包括：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
可选地，所述根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数的步骤包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
可选地，所述绘制各类别的隐藏状态在所述多个交易日内的收益走势图的步骤包括：
计算各类别的隐藏状态在所述多个交易日的对数收益率；
根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；
以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
可选地，所述根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息的步骤包括：
获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；
根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
此外，为实现上述目的，本发明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上存储有股票走势预测程序，所述股票走势预测程序可被一个或者多个处理器执行，以实现如下步骤：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
本发明提出的股票走势预测装置、方法及计算机可读存储介质，获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据获取的历史交易数据提取每个交易日内的多个预设指标的数据，根据多个交易日内的多个预设指标的数据获取观测状态，使用观测状态训练预先构建的隐马尔科夫模型，以确定该模型的模型参数，然后使用确定了模型参数的模型计算每个交易日的观测状态对应的隐藏状态的类别，绘制各类别的隐藏状态在多个交易日内的收益走势图，获取目标交易日的观测状态，根据隐马尔科夫模型和观测状态计算该目标交易日的隐藏状态的类别，结合该类别的收益走势图生成针对该目标交易日的交易指导信息，该方案通过使用隐马尔科模型对目标股票的历史交易数据进行深层次的特征的挖掘，获取其隐藏状态，进而根据隐藏状态对目标股票的走势进行预测，进而作出交易指导，这种方式不需要依赖研究人员的对各个指标数据的人工分析，并且提高了对于股票的走势判断的准确率。
附图说明
图1为本发明股票走势预测装置一实施例的示意图；
图2为本发明股票走势预测装置一实施例中各类别的隐藏状态在多个交易日内的收益走势图；
图3为本发明股票走势预测装置一实施例中股票走势预测程序的程序模块示意图；
图4为本发明股票走势预测方法一实施例的流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种股票走势预测装置。参照图1所示，为本发明股票走势预测装置较佳实施例的示意图。
在本实施例中，股票走势预测装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、便携计算机等终端设备。
该股票走势预测装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是股票走势预测装置1的内部存储单元，例如该股票走势预测装置1的硬盘。存储器11在另一些实施例中也可以是股票走势预测装置1的外部存储设备，例如股票走势预测装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括股票走势预测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于股票走势预测装置1的应用软件及各类数据，例如股票走势预测程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行股票走势预测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
图1仅示出了具有组件11-14以及股票走势预测程序01的股票走势预测装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在股票走势预测装置1中处理的信息以及用于显示可视化的用户界面。
在图1所示的装置1实施例中，存储器11中存储有股票走势预测程序01；处理器12执行存储器11中存储的股票走势预测程序01时实现如下步骤：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据。
本实施例的方案中，作为观测标的的目标股票可以是个股，也可以是包含有多个成分股的板块股，例如深沪300、上证50、中证500等。当目标股票是个股时，对个股的价格走势进行分析；当目标股是板块股时，对其股票指数进行分析。以下内容中以深沪300为例，对深沪300指数的走势进行分析。如果要对目标交易日的深沪300指数的走势进行预测，则要获取深沪300在该目标交易日之前的连续多个交易日内的历史交易数据，例如，目标交易日为2018年1月1日，则获取在这之前过去十一年内每一天的历史交易数据，即获取2007年1月1日至2017年12月31日期间每一天的交易数据。此外，本方案中，针对不通过的股票，需要从交易数据中提取与目标股票匹配的预设指标的数据。
以沪深300为例，主要包括如下13个预设指标：中债企业债到期收益率(AAA)10年-中债国债10年期、风险溢价、股息率、SlowKD(慢速随机指标)、MACD Histogram(MovingAverage Convergence/Divergence，平均乖离的振荡指标)、Bollinger Bands(布林线指标)、MA of RSI(14)[M＝22](Moving Average of Relative Strength Index，相对强弱指数的滑动平均值)、4-period MA of 4-week MA of modified OBV(MA：Moving Average，滑动平均值；OBV：On Balance Volume，能量潮)、CR指标(current ratio，流动比率)、大小盘换手率比值、RSRS指标(Resistance Support Relative Strength，阻力支撑相对强度指标)、沪深300溢价率以及沪深300主动买入额。
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数。
从2007年1月1日至2017年12月31日期间的交易数据，提取每个交易日对应的上述13个预设指标的数据，根据这些数据获取观测状态。
具体地，根据所述多个交易日内的多个预设指标的数据获取观测状态的步骤包括：将所述多个交易日内的多个预设指标的数据进行标准化处理；将每个交易日内标准化处理后的数据转换为多维向量，将一个交易日对应的多维向量作为该交易日的观测状态。
本实施例中，可以采用标准化公式Z(Xt)＝(Xt-x)/a对各个预设指标的数据的值进行标砖化处理，其中，Z(Xt)是标准化后的指标数值，x指标序列的均值，a为指标序列的标准差。
针对每一个交易日标准化处理后的13个指标的数据，构建一个13维的向量，将这个13维的向量作为该交易日的观测观测状态。根据连续过去连续十一年内每一天的观测状态可以得到一个连续十一年的观测状态序列。
根据上述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数。本实施例中，采用Baum-Welch算法来学习隐马尔科夫模型的参数，这种算法能够在模型的隐藏状态序列未知的情况下学习得到模型参数。根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数的步骤包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
具体地，基于提取的观测状态构建训练样本。确定每个样本的长度K。也就是说，每个样本的观测状态序列由连续K天的观测状态构成。其中，提取到的过去十一年内的观测状态有T个(T＝4015，并且T大于K)，则由上述数据可以构建T-K+1个样本，其中，第i个样本的观测状态序列为第i天到第i+K-1天的观测状态构的值构成的序列。根据上述T-K+1个样本构建样本库。将上述样本库中的样本数据作为训练样本，采用随机赋值对隐马尔科夫模型参数进行初始化，即随机设置隐藏状态的初始概率矩阵、隐藏状态间的转移概率矩阵，以及混淆矩阵的初始值，并设置初始迭代次数；按照梯度下降原则，使用Baum-Welch算法朝梯度下降方向不断迭代进行模型参数的调整，获得更新的隐藏状态的概率矩阵，隐藏状态间的转移概率矩阵以及混淆矩阵，使得模型达到收敛，获取最终更新得到的模型参数。
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别。
绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
用户预先设置隐藏状态的类别数量N，确定了模型参数后，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别。其中，N的值可以由用户根据模型的计算结果调整。优选地，本实施例中，N＝5-10。
对于隐马尔科夫模型来说，其隐藏状态是不直接可见的，但是通过该模型对观测状态的分析计算，可以得到能够反映股票指数的走势状态的隐藏状态。预先设置好隐藏状态的类别数量，通过模型又能够将隐藏状态进行分类，得到各个类别的隐藏状态在过去十一年间的分布情况。进而绘制出各类别的隐藏状态在所述多个交易日内的收益走势图，参照图2所示，为本发明股票走势预测装置一实施例中各类别的隐藏状态在多个交易日内的收益走势图。
具体地，绘制各类别的隐藏状态在所述多个交易日内的收益走势图的步骤包括：计算各类别的隐藏状态在所述多个交易日的对数收益率；根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
计算目标股票在每一个交易日的对数收益率，进而将2007年1月1日作为起点，计算后续每一个交易日的累计对数收益率，然后以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图，该收益走势图可以反映出各类别的隐藏状态的走势情况。
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别。
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
在对目标交易日的交易进行指导时，获取目标交易日的观测状态，获取方式参见上文，采用同样的方式获取一个13维的向量，在此不再赘述。根据隐马尔科夫模型计算该观测状态对应的隐藏状态类别，即可以获取该目标交易日属于隐藏状态中的哪一类。而从该类别的收益走势图可以看出该类别的历史走势情况，进而可以推断出后续时间内可能的走势，进而作出增持、维持现状或减持的投资建议。
具体地，获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
例如，将累计收益率分为多个预设区间，建立预设区间与交易指导信息之间的映射关系，例如，将0-6的累计对数收益率分为(0，1)，(1，3)，(3，6)，若判断目标交易日的隐藏状态的类别的收益走势图的最终累计对数收益率位于(0，1)这个区间，则认为当前走势较差，可以作出减持的交易指导；若位于(1，3)这个区间，则认为当前走势平稳，可以作为维持现状的指导；若位于(3，6)这个区间，则认为当前走势较好，可以作为增持的交易指导。
此外，本实施例的上述方案经过实证回测，如果基于走势较好的状态类别的交易日，对沪深300ETF(Exchange Traded Funds，交易型开放式指数基金)采取买入操作，对走势较差的状态分类的交易日，对沪深300ETF采取卖出操作。通过在长周期时间区间内的择时交易，可取得远高于原始指数的收益。
本实施例提出的股票走势预测装置，获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据获取的历史交易数据提取每个交易日内的多个预设指标的数据，根据多个交易日内的多个预设指标的数据获取观测状态，使用观测状态训练预先构建的隐马尔科夫模型，以确定该模型的模型参数，然后使用确定了模型参数的模型计算每个交易日的观测状态对应的隐藏状态的类别，绘制各类别的隐藏状态在多个交易日内的收益走势图，获取目标交易日的观测状态，根据隐马尔科夫模型和观测状态计算该目标交易日的隐藏状态的类别，结合该类别的收益走势图生成针对该目标交易日的交易指导信息，该方案通过使用隐马尔科模型对目标股票的历史交易数据进行深层次的特征的挖掘，获取其隐藏状态，进而根据隐藏状态对目标股票的走势进行预测，进而作出交易指导，这种方式不需要依赖研究人员的对各个指标数据的人工分析，并且提高了对于股票的走势判断的准确率。
可选地，在其他的实施例中，股票走势预测程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述股票走势预测程序在股票走势预测装置中的执行过程。
例如，参照图3所示，为本发明股票走势预测装置一实施例中的股票走势预测程序的程序模块示意图，该实施例中，股票走势预测程序可以被分割为数据获取模块10、模型训练模块20、状态计算模块30、走势绘制模块40、类别确定模块50和交易指导模块60，示例性地：
数据获取模块10用于：获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
模型训练模块20用于：根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
状态计算模块30用于：基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
走势绘制模块40用于：绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
类别确定模块50用于：获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
交易指导模块60用于：根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
上述数据获取模块10、模型训练模块20、状态计算模块30、走势绘制模块40、类别确定模块50和交易指导模块60等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明还提供一种股票走势预测方法。参照图4所示，为本发明股票走势预测方法第一实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，股票走势预测方法包括：
步骤S10，获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据。
本实施例的方案中，作为观测标的的目标股票可以是个股，也可以是包含有多个成分股的板块股，例如深沪300、上证50、中证500等。当目标股票是个股时，对个股的价格走势进行分析；当目标股是板块股时，对其股票指数进行分析。以下内容中以深沪300为例，对深沪300指数的走势进行分析。如果要对目标交易日的深沪300指数的走势进行预测，则要获取深沪300在该目标交易日之前的连续多个交易日内的历史交易数据，例如，目标交易日为2018年1月1日，则获取在这之前过去十一年内每一天的历史交易数据，即获取2007年1月1日至2017年12月31日期间每一天的交易数据。此外，本方案中，针对不通过的股票，需要从交易数据中提取与目标股票匹配的预设指标的数据。
以沪深300为例，主要包括如下13个预设指标：中债企业债到期收益率(AAA)10年-中债国债10年期、风险溢价、股息率、SlowKD(慢速随机指标)、MACD Histogram(MovingAverage Convergence/Divergence，平均乖离的振荡指标)、Bollinger Bands(布林线指标)、MA of RSI(14)[M＝22](Moving Average of Relative Strength Index，相对强弱指数的滑动平均值)、4-period MA of 4-week MA of modified OBV(MA：Moving Average，滑动平均值；OBV：On Balance Volume，能量潮)、CR指标(current ratio，流动比率)、大小盘换手率比值、RSRS指标(Resistance Support Relative Strength，阻力支撑相对强度指标)、沪深300溢价率以及沪深300主动买入额。
步骤S20，根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数。
从2007年1月1日至2017年12月31日期间的交易数据，提取每个交易日对应的上述13个预设指标的数据，根据这些数据获取观测状态。
具体地，根据所述多个交易日内的多个预设指标的数据获取观测状态的步骤包括：将所述多个交易日内的多个预设指标的数据进行标准化处理；将每个交易日内标准化处理后的数据转换为多维向量，将一个交易日对应的多维向量作为该交易日的观测状态。
本实施例中，可以采用标准化公式Z(Xt)＝(Xt-x)/a对各个预设指标的数据的值进行标砖化处理，其中，Z(Xt)是标准化后的指标数值，x指标序列的均值，a为指标序列的标准差。
针对每一个交易日标准化处理后的13个指标的数据，构建一个13维的向量，将这个13维的向量作为该交易日的观测观测状态。根据连续过去连续十一年内每一天的观测状态可以得到一个连续十一年的观测状态序列。
根据上述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数。本实施例中，采用Baum-Welch算法来学习隐马尔科夫模型的参数，这种算法能够在模型的隐藏状态序列未知的情况下学习得到模型参数。步骤S20包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
具体地，基于提取的观测状态构建训练样本。确定每个样本的长度K。也就是说，每个样本的观测状态序列由连续K天的观测状态构成。其中，提取到的过去十一年内的观测状态有T个(T＝4015，并且T大于K)，则由上述数据可以构建T-K+1个样本，其中，第i个样本的观测状态序列为第i天到第i+K-1天的观测状态构的值构成的序列。根据上述T-K+1个样本构建样本库。将上述样本库中的样本数据作为训练样本，采用随机赋值对隐马尔科夫模型参数进行初始化，即随机设置隐藏状态的初始概率矩阵、隐藏状态间的转移概率矩阵，以及混淆矩阵的初始值，并设置初始迭代次数；按照梯度下降原则，使用Baum-Welch算法朝梯度下降方向不断迭代进行模型参数的调整，获得更新的隐藏状态的概率矩阵，隐藏状态间的转移概率矩阵以及混淆矩阵，使得模型达到收敛，获取最终更新得到的模型参数。
步骤S30，基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别。
步骤S40，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
用户预先设置隐藏状态的类别数量N，确定了模型参数后，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别。其中，N的值可以由用户根据模型的计算结果调整。优选地，本实施例中，N＝5-10。
对于隐马尔科夫模型来说，其隐藏状态是不直接可见的，但是通过该模型对观测状态的分析计算，可以得到能够反映股票指数的走势状态的隐藏状态。预先设置好隐藏状态的类别数量，通过模型又能够将隐藏状态进行分类，得到各个类别的隐藏状态在过去十一年间的分布情况。进而绘制出各类别的隐藏状态在所述多个交易日内的收益走势图，参照图2所示，为本发明股票走势预测装置一实施例中各类别的隐藏状态在多个交易日内的收益走势图。
具体地，步骤S40包括：计算各类别的隐藏状态在所述多个交易日的对数收益率；根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
计算目标股票在每一个交易日的对数收益率，进而将2007年1月1日作为起点，计算后续每一个交易日的累计对数收益率，然后以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图，该收益走势图可以反映出各类别的隐藏状态的走势情况。
步骤S50，获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别。
步骤S60，根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
在对目标交易日的交易进行指导时，获取目标交易日的观测状态，获取方式参见上文，采用同样的方式获取一个13维的向量，在此不再赘述。根据隐马尔科夫模型计算该观测状态对应的隐藏状态类别，即可以获取该目标交易日属于隐藏状态中的哪一类。而从该类别的收益走势图可以看出该类别的历史走势情况，进而可以推断出后续时间内可能的走势，进而作出增持、维持现状或减持的投资建议。
具体地，获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
例如，将累计收益率分为多个预设区间，建立预设区间与交易指导信息之间的映射关系，例如，将0-6的累计对数收益率分为(0，1)，(1，3)，(3，6)，若判断目标交易日的隐藏状态的类别的收益走势图的最终累计对数收益率位于(0，1)这个区间，则认为当前走势较差，可以作出减持的交易指导；若位于(1，3)这个区间，则认为当前走势平稳，可以作为维持现状的指导；若位于(3，6)这个区间，则认为当前走势较好，可以作为增持的交易指导。
此外，本实施例的上述方案经过实证回测，如果基于走势较好的状态类别的交易日，对沪深300ETF(Exchange Traded Funds，交易型开放式指数基金)采取买入操作，对走势较差的状态分类的交易日，对沪深300ETF采取卖出操作。通过在长周期时间区间内的择时交易，可取得远高于原始指数的收益。
本实施例提出的股票走势预测方法，获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据获取的历史交易数据提取每个交易日内的多个预设指标的数据，根据多个交易日内的多个预设指标的数据获取观测状态，使用观测状态训练预先构建的隐马尔科夫模型，以确定该模型的模型参数，然后使用确定了模型参数的模型计算每个交易日的观测状态对应的隐藏状态的类别，绘制各类别的隐藏状态在多个交易日内的收益走势图，获取目标交易日的观测状态，根据隐马尔科夫模型和观测状态计算该目标交易日的隐藏状态的类别，结合该类别的收益走势图生成针对该目标交易日的交易指导信息，该方案通过使用隐马尔科模型对目标股票的历史交易数据进行深层次的特征的挖掘，获取其隐藏状态，进而根据隐藏状态对目标股票的走势进行预测，进而作出交易指导，这种方式不需要依赖研究人员的对各个指标数据的人工分析，并且提高了对于股票的走势判断的准确率。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有股票走势预测程序，所述股票走势预测程序可被一个或多个处理器执行，以实现如下操作：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。本发明计算机可读存储介质具体实施方式与上述股票走势预测装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种股票走势预测装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的股票走势预测程序，所述股票走势预测程序被所述处理器执行时实现如下步骤：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
2.如权利要求1所述的股票走势预测装置，其特征在于，所述根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数的步骤包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
3.如权利要求1所述的股票走势预测装置，其特征在于，所述绘制各类别的隐藏状态在所述多个交易日内的收益走势图的步骤包括：
计算各类别的隐藏状态在所述多个交易日的对数收益率；
根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；
以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
4.如权利要求3所述的股票走势预测装置，其特征在于，所述根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息的步骤包括：
获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；
根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
5.如权利要求1至4中任一项所述的股票走势预测装置，其特征在于，所述根据所述多个交易日内的多个预设指标的数据获取观测状态的步骤包括：
将所述多个交易日内的多个预设指标的数据进行标准化处理；
将每个交易日内标准化处理后的数据转换为多维向量，将一个交易日对应的多维向量作为该交易日的观测状态。
6.一种股票走势预测方法，其特征在于，所述方法包括：
获取目标股票在目标交易日前的连续多个交易日内的历史交易数据，根据所述历史交易数据提取每个交易日内的多个预设指标的数据；
根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数；
基于确定了模型参数的隐马尔科夫模型，根据维特比算法和预设的隐藏状态的类别数量计算每个交易日的观测状态对应的隐藏状态的类别；
绘制各类别的隐藏状态在所述多个交易日内的收益走势图；
获取所述目标交易日的观测状态，根据所述隐马尔科夫模型和该观测状态计算目标交易日的隐藏状态的类别；
根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息。
7.如权利要求6所述的股票走势预测方法，其特征在于，所述根据所述多个交易日内的多个预设指标的数据获取观测状态，使用述观测状态训练预先构建的隐马尔科夫模型，以确定模型参数的步骤包括：
根据所述多个交易日内的多个预设指标的数据获取观测状态，根据所述观测状态生成样本数据；
采用随机赋值对隐马尔科夫模型参数进行初始化，并设置初始迭代次数；
使用生成的样本数据，按照梯度下降原则，基于Baum-Welch算法朝梯度下降方向不断迭代以对所述隐马尔科夫模型的参数进行调整，使得模型达到收敛，并确定模型参数。
8.如权利要求6所述的股票走势预测方法，其特征在于，所述绘制各类别的隐藏状态在所述多个交易日内的收益走势图的步骤包括：
计算各类别的隐藏状态在所述多个交易日的对数收益率；
根据计算得到的对数收益率计算各类别的隐藏状态在所述多个交易日内的累计对数收益率；
以累计对数收益率为纵坐标，以时间为横坐标，绘制各类别的隐藏状态在所述多个交易日内的收益走势图。
9.如权利要求8所述的股票走势预测方法，其特征在于，所述根据所述目标交易日的隐藏状态的类别和该类别的收益走势图生成针对所述目标交易日的交易指导信息的步骤包括：
获取所述目标交易日对应的隐藏状态的类别的收益走势图的最终累计对数收益率，并确定最终累计对数收益率所属的收益率区间；
根据预先设置的收益率区间与交易指导信息之间的映射关系，确定当前的累计对数收益率所属的收益率区间对应的交易指导信息，所述交易指导信息包括增持所述目标股票、减持所述目标股票或者维持现状。
10.一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上存储有股票走势预测程序，所述股票走势预测程序可被一个或者多个处理器执行，以实现如权利要求6至9中任一项所述的股票走势预测方法的步骤。
CN201810298086.9A 2018-04-03 2018-04-03 股票走势预测装置、方法及可读存储介质 Pending CN108376301A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810298086.9A CN108376301A (zh) 2018-04-03 2018-04-03 股票走势预测装置、方法及可读存储介质
PCT/CN2018/102128 WO2019192132A1 (zh) 2018-04-03 2018-08-24 股票走势预测装置、方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810298086.9A CN108376301A (zh) 2018-04-03 2018-04-03 股票走势预测装置、方法及可读存储介质

Publications (1)

Publication Number Publication Date
CN108376301A true CN108376301A (zh) 2018-08-07

Family

ID=63031929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810298086.9A Pending CN108376301A (zh) 2018-04-03 2018-04-03 股票走势预测装置、方法及可读存储介质

Country Status (2)

Country Link
CN (1) CN108376301A (zh)
WO (1) WO2019192132A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409663A (zh) * 2018-09-20 2019-03-01 众安信息技术服务有限公司 一种区块链资产场外交易热度监测指标的构建方法及***
WO2019192132A1 (zh) * 2018-04-03 2019-10-10 平安科技（深圳）有限公司 股票走势预测装置、方法及可读存储介质
CN110415119A (zh) * 2019-07-30 2019-11-05 中国工商银行股份有限公司 模型训练、票据交易预测方法、装置、存储介质及设备
CN114282169A (zh) * 2021-10-12 2022-04-05 腾讯科技（深圳）有限公司 一种异常数据的检测方法以及相关装置
CN114282169B (zh) * 2021-10-12 2024-07-12 腾讯科技（深圳）有限公司 一种异常数据的检测方法以及相关装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778215A (zh) * 2014-01-17 2014-05-07 北京理工大学 一种基于情感分析和隐马尔科夫模型融合的股市预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110001815A (ko) * 2009-06-30 2011-01-06 에이제이아이 인코포레이티드 디/비/에이 주닥 네트워크를 통한 모의 주식 투자 방법 및 시스템
CN106530082A (zh) * 2016-10-25 2017-03-22 清华大学 基于多机器学习的股票预测方法及***
CN106779145A (zh) * 2016-11-18 2017-05-31 北京信息科技大学 一种基于神经网络集成的股票趋势预测方法
CN108376301A (zh) * 2018-04-03 2018-08-07 平安科技（深圳）有限公司 股票走势预测装置、方法及可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778215A (zh) * 2014-01-17 2014-05-07 北京理工大学 一种基于情感分析和隐马尔科夫模型融合的股市预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余文利 等: "一种新的基于隐马尔可夫模型的股票价格时间序列预测方法", 《计算机应用与软件》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019192132A1 (zh) * 2018-04-03 2019-10-10 平安科技（深圳）有限公司 股票走势预测装置、方法及可读存储介质
CN109409663A (zh) * 2018-09-20 2019-03-01 众安信息技术服务有限公司 一种区块链资产场外交易热度监测指标的构建方法及***
CN110415119A (zh) * 2019-07-30 2019-11-05 中国工商银行股份有限公司 模型训练、票据交易预测方法、装置、存储介质及设备
CN110415119B (zh) * 2019-07-30 2022-03-25 中国工商银行股份有限公司 模型训练、票据交易预测方法、装置、存储介质及设备
CN114282169A (zh) * 2021-10-12 2022-04-05 腾讯科技（深圳）有限公司 一种异常数据的检测方法以及相关装置
CN114282169B (zh) * 2021-10-12 2024-07-12 腾讯科技（深圳）有限公司 一种异常数据的检测方法以及相关装置

Also Published As

Publication number Publication date
WO2019192132A1 (zh) 2019-10-10

Similar Documents

Publication Publication Date Title
US11568480B2 (en) Artificial intelligence derived anonymous marketplace
TWI686760B (zh) 保險欺詐識別的資料處理方法、裝置、設備及伺服器
CN109767038A (zh) 农作物产量预测方法、装置及计算机可读存储介质
US11645522B2 (en) Method and system using machine learning for prediction of stocks and/or other market instruments price volatility, movements and future pricing by applying random forest based techniques
CN109472700A (zh) 股票价格的预测方法、服务器及存储介质
CN111523678A (zh) 业务的处理方法、装置、设备及存储介质
CN108376301A (zh) 股票走势预测装置、方法及可读存储介质
US8781937B2 (en) Optimal portfolio withdrawal during retirement in the presence of longevity risk
CN113326852A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN105027125A (zh) 概率碳信用额计算器
CA3150696A1 (en) SYSTEM AND METHOD FOR AN AUTONOMOUS, INTELLIGENT AND ADJUSTABLE COMPARTMENTATION OF MONETARY TRANSACTIONS
US11861633B2 (en) Machine learning for improving mined data quality using integrated data sources
CN111612581A (zh) 一种物品推荐的方法、装置、设备及存储介质
US20230360160A1 (en) Machine learning based forest management
US11379865B2 (en) Machine learned models for item price planning
CN108985501A (zh) 基于指数特征提取的股指预测方法、服务器及存储介质
CN108846687A (zh) 客户分类方法、装置及存储介质
CN107633421A (zh) 一种市场预测数据的处理方法及装置
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
Lin et al. Evaluating natural resource projects with embedded options and limited reserves
CN110286587A (zh) 实现模型迭代控制的方法、服务器及计算机可读存储介质
CN108681968A (zh) 股票卖出预警方法、装置及计算机可读存储介质
CN109034542A (zh) 投资组合生成方法、装置及计算机可读存储介质
CN108764981A (zh) 服务器、文本数据的处理方法及存储介质
CN108710994A (zh) 基于舆情因子的投资选股方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180807

RJ01 Rejection of invention patent application after publication