发明内容
本发明实施方式提出一种基于个体、群体、总体多层次的智能证券比较的方法和***,从而提高了数据处理的效率和展示效率。
本发明实施方式的具体方案如下:
基于个体、群体、总体多层次的智能证券比较方法,该方法包括:
数据获取步骤:获取证券的实时数据、历史数据以及基础属性数据,构建证券品种数据库。
群体构建步骤:使用人工标识和***生成技术确定证券品种的属性,构建证券品种群体并进行属性参数计算。通过人工标识确定的属性有:地域、行业、概念、市场指数和用户自定义;通过***生成的属性有:量化、聚类和用户,也可以对人工标识的属性自动生成。
量化属性主要是按照量化指标中的特征描述和量化因子对证券品种进行划分。划分分为两种方式:一是按照单一的量化属性进行排序,对排序结果按比例对证券品种进行划分,二是对多个单一量化属性产生的结果进行组合,组合的计算方法为析取、合取、取反。
聚类属性是指按照基于时间序列的加权涨跌同向相似关系对证券品种进行聚类,相似关系计算方法为指定时间粒度走势同向概率超过阈值的划分为一类。
用户属性包括用户个人属性和用户群体属性。具有用户个人属性的证券品种集合是用户当前持仓的品种集合,具有用户群体属性的证券品种集合是该用户群体所有成员的持仓品种集合。用户属性在指定时间内具有时效性。
对证券品种构建出的每一个群体计算群体参数,群体参数有:群内成员数量、群体指数、群体成交量。群内成员可以是证券品种个体和证券品种群体,群内成员数量为个体成员数量和群体成员数量之和,群体指数计算是多层次的指数计算。
对证券品种的多属性按照重要性排序,确定证券品种的动态主属性,并将指定时间内最长时间的动态主属性作为该证券品种的基本主属性,只包含基本主属性的群体集合称为基本集。
跑道成员确定步骤:创建时间T、跑道N、涨幅Y三维结构模型。其中跑道对应着证券品种个体或者证券品种群体;涨幅则对应着证券品种个体或者证券品种群体的走势涨幅;时间维度是指证券品种群体的涨幅对应的时间段。为了更清晰更灵活的展示各跑道的涨幅变化,采用降维技术将三维结构转换为跑道——涨幅二维平面图,时间维度则以播放形式进行呈现,时间播放形式采用实时播放和回放的方式,采用回放方式进行播放展示时,播放时间段可以自由指定。
证券品种个体和证券品种群体等都可以添加到模型跑道上,每个跑道上的证券品种个体或者证券品种群体的涨幅以及涨幅波动范围以点线图的方式进行呈现,跑道使用固定跑道或动态跑道分配方法对成员的涨跌幅进行呈现,动态跑道采用拉链式,分为拉开部分和链接部分,拉开部分中的上半部分按涨幅排序从高到低显示前N个,下半部分按涨幅排序从低到高显示前N个,上下部分交叉呈现,链接部分表示其余成员的指数,分配最后一条跑道。
不同粒度集合的比较步骤:在指定的一段时间内进行不同粒度集合的比较。主要包含群体内证券品种个体成员之间的相互比较,不同证券品种群体之间的相互比较,证券品种个体与证券品种群体之间的相互比较,动态群体中个体变化与群体的比较。证券品种个体用来比较的是证券品种个体的价格在对应时间段的涨幅,群体用来比较的是相对于群体指数点位对应时间段的涨幅。
基于个体、群体、总体多层次的智能证券比较的方法中,构建的多层次的证券品种结构为树形结构。在该树形结构中,采用下寻上寻技术进行不同层次间切换比较,采用下寻对指定证券品种或集合在下一层进行比较,参与比较进行跑道分配的成员有该品种或集合、其所具有的所有下位属性品种或群体;采用上寻方法对指定证券品种或集合在上一层进行比较,参与比较进行跑道分配的成员有该品种或集合、其所具有的所有上位属性群体。
通过历史回放来判断用户历史品种对用户业绩的影响,其特征在于:用户业绩为用户指数,表现形式为横穿跑道的一条参照线,对比参考为指定的市场指数,跑道中成员为对应时间的持仓品种,新生成员的计算涨幅初始基点对应该时间点的用户指数点位,移出成员不再对用户指数产生影响,其性能评价可以展示在信息栏中。用户指数的计算方法为指数加权计算法。
基于个体、群体、总体多层次的智能证券比较***,该***包括构建证券品种群体并进行不同集合粒度比较模块:
数据获取模块:获取证券的实时数据、历史数据以及基础属性数据,构建证券品种数据库;
群体构建模块:使用人工标识和***生成技术确定证券品种的属性,构建证券品种群体并进行属性参数计算;
跑道成员确定模块:创建时间T、跑道N、涨幅Y三维结构模型,并将其降维成包含N轴在内的二维模型,确定跑道成员和时间间隔,获取成员数据,在模型中选择固定跑道或动态跑道分配方法对成员的涨跌幅进行呈现;
不同粒度集合的比较模块:在指定的一段时间内进行不同粒度集合的比较,通过下寻上寻技术进行不同层次间切换比较。
通过上述方案可知,本发明实施方式获得有益效果有:(1)构建起逐步完备的证券品种属性体系,涵盖了人工标识和***生成属性,并在此基础上构建起多层次结构;(2)发明了面向不同粒度的混合指数计算方法,实现了在多层次结构中不同粒度集合之间的比较;(3)通过动态属性计算构建基本集方法和动态拉链式呈现方法,提高了数据处理和数据展示效率;(4)通过下寻上寻和历史回放技术,便于用户在宏观和微观多层次上对历史和现状有更加清晰地认识,从而提高了用户进行理性证券投资的效率。
具体实施方式
为了使本发明所解决的技术问题以及要表达的技术方案和有益效果更加清楚、明白,以下结合本发明的附图和实施例,对本发明实施例中的技术方案进行详细描述和说明。
首先,需要对本发明所涉及的一些基础概念进行明确:
个体:不可再分的证券交易品种称为个体,例如:浦发银行;
群体:个体可以组合成群体,个体与群体、群体与群体组成的集合也构成群体;
属性:描述证券品种个体或者由个体组成的群体的特征称为属性;具有同一属性的证券品种个体可以构成同一属性的群体;
上位属性:在证券品种树形层次表达中,上位属性为父结点属性;
下位属性:群体的多个成员属性;在证券品种树形层次表达中,下位属性为子结点属性;
兄弟属性:拥有相同上位属性的成员;在证券品种树形层次表达中,拥有同一父结点;
上寻操作:展示当前结点的所有父结点,对比当前结点;
下寻操作:展示当前结点的所有子结点,对比当前结点。
在证券层次体系树中,所有的证券品种个体允许同时拥有多个上位属性,但其各个上位属性所处层级或者深度可能不同。上位属性集合、下位属性集合和当前属性集合是不同粒度的集合,不同粒度就是所在层次不同。
本发明实施例公开了一种基于个体、群体、总体多层次的智能证券比较的方法和***,以实现将证券品种信息更加全面直观的呈现给投资者,提高数据处理效率,便于用户对证券品种做出对比与鉴别。
图1为本发明实施方式的基于个体、群体、总体多层次的智能证券比较的方法流程图,该方法包括:
步骤S101:构建证券品种数据库,获取证券市场中各个证券品种的数据,构建一个证券品种数据库。
获取所有证券品种的交易数据和总市值等基础数据以及经过计算处理得到的市盈率、市净率等量化数据,并且进行实时更新,根据获得到的证券品种相关数据构建起证券品种数据库。
步骤S102:使用人工标识和***生成技术确定证券品种的属性,构建证券品种群体并进行属性参数计算。
每个证券品种个体具有一个或者多个群体属性,这些属性表达证券品种个体的特征信息。证券一般包括股票、债券、现金及等价物、权证等。下面以股票为例对本发明实施的基于个体、群体、总体多层次的智能证券比较的方法进行说明。图2中展示了本发明实施方式的证券品种属性树形层次结构。股票的属性可以归纳为:人工标识和***生成属性。
人工标识的属性有:地域、行业、概念、市场指数和用户自定义。
地域属性:证券品种对应上市公司所属的地域,例如:上海板块、新疆板块。
行业属性:证券品种所属的行业,如石油化工、电力设备、重工机械等。
概念属性:证券品种所属的概念,例如雄安概念、儿童医疗概念、壳资源概念等。
市场指数:按照市场动态变化产生的一些指数,例如:上证50 成分股,沪深300 成分股等。
用户自定义属性:随个人偏好而定,例如投资者自定义候选关注证券品种等。
通过***生成的属性有:量化、聚类和用户,同时***生成方式也可以生成人工标识的属性。
量化属性主要是按照量化指标中的特征描述和量化因子对证券品种进行划分。例如:低市盈率、高成交量、高市净率、大市值、小市值、高换手率、低股价等,特征描述通常为高低大小等,可以通过特征排序按照比例进行划分。常见的量化因子有总市值、流通市值、总股本、流通股本、自由流通股本、静态市盈率、动态市盈率、市净率、市销率、开盘价、收盘价、成交量、换手率、净利润增长率、主营利润增长率、涨幅等。量化属性主要是按照量化因子中的特征对证券品种进行划分。划分分为两种方式:一是按照单一的量化属性进行排序,对排序结果按比例对证券品种进行划分,二是对多个单一量化属性产生的结果进行组合,组合的计算方法为析取、合取、取反。
单一量化属性划分实施例:量化因子为市盈率,将股票市场的所有股票(目前为3000多只)按照市盈率从低到高进行排序,按照比例进行量化划分群体,例如分配比例为0.1,0.2,0.4,0.2,0.1,对应低、中低、中、中高、高特征描述,则前10%的股票为低市盈率群体,……,后10%的股票为高市盈率群体。
多量化属性划分实施例:大市值股票表示市值从大到小排序前10%的股票构成的群体,那么大市值低市盈率股票就是对大市值股票和低市盈率股票进行合取,大市值或低市盈率股票就是对大市值股票和低市盈率股票进行析取;非大市值低市盈率股票就是对大市值股票取反后和低市盈率股票进行合取。
聚类属性是指按照基于时间序列的加权涨跌同向相似关系对证券品种进行聚类,相似关系计算方法为指定时间粒度走势同向概率超过阈值的划分为一类。相似度计算划分公式为:
其中N表示指定的时间粒度总数,
表示第i个粒度的涨跌是否同向,取值范围为{0,1},同向取1,逆向取0;
表示第i个粒度的相似权值,
的取值方法有:等权重分配和按照时间衰减方式分配,按照时间衰减方式又有等差衰减,倒数衰减方式。sign是分段函数,值为1时表示属于同一类,为0时表示不属于同一类,即
聚类属性实施例:指定时间为30个交易日,粒度为天,参考线为上证指数,超过上证指数的为相对涨,低于上证指数的为相对跌,阈值θ设为80%,第i个交易日的权值设为
(1=<i<=30)
当
为等权重分配时,则走势同向超过24个交易日的所有股票聚为一类。
当
为等差衰减时,例如差值为2,第一个交易日权重为1,第二个交易日权重为3,…,第30个交易日权重为59,则按照相似度计算划分公式进行计算,将涨跌同向超过阈值的股票聚为一类。
当
为倒数衰减时,从今到远的权值为1,1/2,1/3,…,1/30,即第30个交易日的权值分配为1,第1个交易日的权值分配为1/30,则按照相似度计算划分公式进行计算,将涨跌同向超过阈值的股票聚为一类。
用户属性包括用户个人属性和用户群体属性。具有用户个人属性的证券品种集合是用户当前持仓的品种集合,具有用户群体属性的证券品种集合是该用户群体所有成员的持仓品种集合。用户属性在指定时间内具有时效性。
用户个人属性实施例:在指定一段时间T,在该时间段T1时刻,用户的持仓证券品种集合为{证券品种1,证券品种2,…,证券品种n},则在T1时刻具有该用户个人属性的证券品种集合为上述用户持仓证券品种集合。当指定时间发生变化时,则用户个人属性的证券品种集合为该用户对应时间发生变化后的持仓品种集合。
用户群体属性实施例:在指定一段时间T,在该段时间中,用户1,用户2,…,用户m参加了证券投资大赛,则这段时间中这些用户就构成了用户群体,具有同样的用户群体属性,这m个成员的持仓品种集合就是该参赛群体的所有证券品种集合。
对构建出的每一个群体计算群体参数,群体参数有:群内成员数量、群体指数、群体成交量。群内成员可以是证券品种个体和证券品种群体,群内成员数量为个体成员数量和群体成员数量之和,群体成交量由成员中的个体成交量和群体成交量之和,群体指数计算是多层次的指数计算,指数计算方式如下:
设群体G中有n个成员{
,
,
,…,
},其中n>0,它们对应的价格或者指数的涨幅为{
,
,
,…,
},成员对应的市值为{
,
,
,…,
},设群体的基期指数为
,则当前的群体指数
计算公式为:
其中
为权值,当采用权值相等的简单加权计算法对指数进行计算时,
;当采用市值加权计算法进行指数计算时,
;新生群体的基期指数可以定义为100,1000或其他指定值。
群体参数计算实施例1:群体G1的成员有证券品种个体{S1,S2,S3,S4,S5},它们的涨幅对应为{10%,5%,2%,0%,-5%},它们对应的市值为{120,140,100,110,70},单位亿元,它们的成交量对应为{5.4,3.2,2.4,1.2,2.4},单位亿元,群体G1的基期指数为120,则群内成员数量为5。当群体指数采用权值相等的简单加权计算法进行计算为:((10%*1+5%*1+2%*1+0%*1-5%*1)/5 + 1 ) * 120 = 122.88;当群体指数采用市值加权法进行计算时为:((10%*120+5%*140+2%*100+0%*110-5%*70)/(120+140+100+110+70) + 1 ) * 120=123.89。群体成交量为5.4+3.2+2.4+1.2+2.4=14.6亿。
群体参数计算实施例2:群体G2的成员有证券品种个体{S10,S11,S12,S13,S14}以及群体{G1,G3},证券品种个体的涨幅为{2%,3%,1%,-4%,-5%},成交量为{5.4,3.2,2,1.2,1.8},市值为{200,120,140,80,60},群体G1、G3的涨幅为{2.4%,3.2%},成交量为{14.6,20.8},市值为{540,660},群体G2的基期指数为112,则群内成员数量为5+2=7。群体指数采用权值相等的简单计算法时为:((2%*1+3%*1+1%*1-4%*1-5%*1+2.4%*1+3.2%*1)/7 + 1)*112=112.416;当群体指数采用市值加权法进行计算时,设v为成员的市值增长,则v=2%*200+3%*120+1%*140-4%*80-5%*60+2.4%*540+3.2%*660=36.88,则群体指数为:(v/(200+120+140+80+60+540+660)+1)*112=114.29。群体成交量为5.4+3.2+2+1.2+1.8+14.6+20.8=49亿。
在指定时间段内,根据证券品种个体与群体的走势相似度来描述证券品种个体与证券品种群体之间的关联关系,关联关系反应了证券品种群体对应属性对证券品种个体之间的重要性。对个体证券品种的多属性的重要性进行排序,排在第一的属性为该证券品种的动态主属性,重要性排序的计算方法为:指定时间走势相似法。
指定时间走势相似法:在给定时间段中,考虑证券品种个体与其所属证券品种群体的走势涨跌相似情况计算证券品种个体与其所属群体之间的关联关系。证券品种个体s与其所属群体G之间的相关参数计算公式如下:
其中n表示指定的n个交易时间粒度,若时间粒度为天,则
表示证券品种s第i个交易日的涨跌幅,
表示证券品种群体G第i个交易日的涨跌幅。
表示证券品种个体s与群体G之间走势的偏差,称为走势相似距离,当
越小时表示该证券品种群体对该证券品种的重要性越大。
计算出证券品种个体与其所属的所有群体之间的
,按照
从小到大的顺序进行排列,将排在第一的群体对应的属性作为该证券品种的动态主属性。
动态主属性实施例:假设在指定的10个连续的交易日内,证券品种A所属属性有{
,
,
,
,
,
},在这段时间中证券品种A与证券品种群体之间的走势相似距离分别对应为{0.2,0.32,1.2,0.9,1.6,2.4},对走势相似距离进行排序得
最小,因此属性
为证券品种A的动态主属性。
证券品种的动态主属性随着指定时间的变化而改变,这是因为证券品种群体的走势与证券品种个体的走势随着时间不断改变,证券品种群体走势与证券品种个体的走势相似性在不断变化,对应的证券品种属性与证券品种个体之间的关联程度也在不断发生变化,因此按照重要性进行排序后的结果也是动态变化的,从而导致动态主属性的不确定性。将指定时间内证券品种的最长时间的动态主属性作为该证券品种的基本主属性,只包含基本主属性的群体集合称为基本集。
基本主属性实施例:指定时间段为1个月,证券品种A的某个属性
作为动态主属性的时间为14天,为该时间段作为动态主属性的时间最长,因此属性
为该证券品种的主属性。
步骤S103:创建时间T、跑道N、涨幅Y三维结构模型,并将其降维成包含N轴在内的二维模型,确定跑道成员和时间间隔,获取成员数据,在模型中选择固定跑道或动态跑道分配方法对成员的涨跌幅进行呈现。
创建三维结构模型图,三维结构模型中的三个维度指的是跑道N、涨幅Y和时间T。其中,跑道对应着证券品种个体或者证券品种的群体;涨幅则对应着证券品种个体价格涨幅或者证券品种群体指数的涨幅,时间维度是指定时间段。
在真实世界中,由于资源的限制,需要将三维模型降维成二维。常见的降维方式有涨幅——时间二维图,但问题在于在一张图上多个成员会出现交叉、重叠、接触,难以清晰地展现多个成员的走势,参见图3。因此本发明采用跑道——涨幅二维平面图,时间维度采用播放形式呈现。跑道的涨幅随着时间的播放动态的变化,采用点线图的方式进行呈现。其中点的位置表示跑道在当前时间相对于初始时间的涨幅,线为一条竖线,表示跑道到当前时间为止相对于初始时间走势的变化范围。
时间播放形式采用实时播放和回放的方式,回放的方式可以自由的指定历史时间段。实时播放指的是在证券日常交易时间段中,跑道上对应的证券品种个体价格的涨跌幅或者群体指数点位的涨跌幅的变化会实时的展现出来,播放的时间粒度通常为秒。历史回放的方式,指的是自由选中一段过去的时间,跑道上对应的证券品种个体的价格涨跌幅或者群体指数点位的涨跌幅是相对于选中的初始时间的价格或者指数点位的变化,播放的时间通常为天或更大粒度。通过时间播放方式,可以有效地利用二维图形展示三维效果。
在跑道——涨幅二维平面图中,实际跑道的数量取决于需要展示的证券品种个体或者证券品种群体的数量,当数量超过M(M>0)时,可以采用分页的方式进行分页查看,也可以通过缩放跑道的宽度以容纳更多的跑道的方式进行展示。
在跑道——涨幅二维平面图中,跑道的之间的顺序可以使用固定的方式进行呈现,即成员对应的跑道的位置在数据初始加载时会根据用户指定的顺序或者由***生成的方式给出,一旦给定了顺序,即使时间变化,成员所在跑道不变,如图4所示。固定跑道结合时间播放方式能够帮助用户了解指定时间内所关注的成员和其他成员的走势对比。
固定跑道通常用于用户感兴趣的少数个体的走势情况,属于微观层次。在宏观情况下,由于数量众多,人们更关心的是表现最好和最差的那些品种,往往忽略中间部分。在这种情况下采用拉链跑道动态分配形式,将市场突出活跃的证券品种个体或群体的信息强调出来,有利于用户更好的把握市场宏观行情。在图5中展示了本发明实施方式的证券品种动态跑道平面图。拉链式分为拉开部分和链接部分,拉开部分中的上半部分按涨幅排序从高到低显示前N个(N≤1/2 * 成员数量),下半部分按涨幅排序从低到高显示前N个,上下部分交叉呈现,链接部分表示其余成员的指数,分配最后一条跑道,其他成员数量为0时不分配跑道。可以通过拉链进行调整拉开部分N的大小来适应不同用户的需求。
拉链式实施例:给定群体,共100个成员,设n=10,在T1时刻涨跌幅排名为S1至S100,拉链式展示前10名,则上半段涨幅前十的成员排序为:S1到S10,下半段跌幅前十的成员排序为S100到S91,中间未拉开部分是S11到S90,跑道个数为2n+1,分配的顺序为涨跌幅交叉进行,即S1,S100,S2,S99,…,S10,S91共计20个,第21个跑道显示剩余群体的指数涨幅即对应S11到S90共计80个成员的指数涨幅。
步骤S104:在指定的一段时间内进行不同粒度集合的比较,通过下寻上寻技术进行不同层次间切换比较。
借鉴于市场上比喻业绩良好或者表现突出的公司股票为白马股或黑马股,股票市场可以比喻为一片草原,上市公司股票的走势就是草原上不同马的运动轨迹。选择好的上市公司股票或者好的行业股票就相当于选择骏马或者好的马群,不仅要看马的本身素质,还要看和其他马或者马群之间的走势比较。群体等价于集合,最小是一个个体,最大是包含了所有个体的总体。群体的粒度指的是群体所在层次。一般来说,一至多个体组成群体,个体和群体可以组成新的群体。基于群体粒度的对比主要包含群体内证券品种成员之间的相互比较,不同证券品种群体之间的相互比较,证券品种个体与证券品种群体之间的相互比较,动态群体中个体变化与群体的比较。证券品种个体用来比较的是证券品种个体的价格在对应时间段的涨幅,群体用来比较的是相对于群体指数点位对应时间段的涨幅。
在不同粒度集合走势比较中,证券品种群体与其成员之间的比较,可以计算成员对群体的贡献程度。其中,群体指数的表现形式为横穿跑道的一条参照线,跑道内群体成员可以为个体或群体,群体成员的当前点位可以和表示群体指数的参照线进行比较,群体成员涨幅点位高于群体指数参照线,说明该群体成员对群体有贡献,群体成员涨幅点位低于群体指数参照线,说明该群体成员对群体指数有拖累。
证券品种个体之间比较实施例:图6展示了证券品种个体与个体间的涨幅比较,从图中可知参与比较的股票数量共21个,其中走势最好的是平潭发展,走势最差的是香梨股份。图中均线为这21个证券品种个体组成的群体指数,成员涨幅点位高于群体指数参照线,说明该成员对群体有贡献,反之则拖累。
证券品种群体之间比较实施例:图7展示了部分行业群体之间的比较图,参与比较的群体数量共13个,其中证券、保险及其他和通信财务群体涨幅较好,光学光电子、半导体及元件涨幅靠后,图中还给出上证指数线作为参照。
群体和个体之间的比较实施例1:图8为多层次智能证券比较中群体与个体之间的比较。图中展示了群体园区开发与个体品种:电子城、南京高科、张江高科、市北高新等之间的对比。
群体和个体之间的比较实施例2:上述拉链式的对比,当其余部分数量大于1时,也属于个体品种与群体指数的对比。
动态群体个体变化与群体的比较实施例:实施例选择某一投资用户YH000147的持仓品种集合,2018年1月24日该用户持有浦发银行和上海机场,2018年1月25日该用户对持仓品种进行了调整,移出了浦发银行,新增了太极集团和中国电影。动态变化过程中个体和群体的比较如图9和图10所示,呈现了动态群体个体变化与群体的比较示意图,展现了动态群体中成员动态变化与群体进行比较的过程。
通过不同粒度集合之间的比较和使用群体指数线作为参照线,能够帮助用户快速直观的了解一类群体的走势表现,缩小了信息获取的时间,提高了信息获取的效率。
在基于个体、群体、总体多层次的智能证券比较的方法中,其中构建的证券层次体系为树形结构。在该树形结构中,采用下寻上寻技术进行不同层次间切换比较,采用下寻对指定证券品种或集合在下一层进行比较,参与比较进行跑道分配的成员有该品种或集合、其所具有的所有下位属性品种或群体;采用上寻方法对指定证券品种或集合在上一层进行比较,参与比较进行跑道分配的成员有该品种或集合、其所具有的所有上位属性群体。
下寻实施例:在图2中选择一个结点进行下寻操作,例如选择行业结点,指定时间为2019年1月份,得到行业类下不同的行业在该段时间的相互比较,如图11所示。在行业群体中选择银行进行下寻操作,此时,停留在银行跑道的竖向虚线表示被选中,结果如图12所示,参与比较进行跑道分配的有银行群体以及该群体下所有的下位证券个体品种。
下寻操作常见于自顶向下比较法,通常用于从总体全景到群体比较再到个体品种比较,通过群体粒度不同的具体实例的比较,让人对从上到下完整的多层次市场有个清晰的了解。就像了解一个学校的学生,先看看这个学校各个班级在全校的排名表现,选择所关注的一个班级再看这个班级里各个学生的成绩排名,就会以较高的效率对整个学校有一个较为清晰的认识。
上寻实施例:图12中展示的是银行群体采用下寻操作得到的银行群体与其成员股之间的比较。选择其中的平安银行进行上寻操作,得到平安银行与其上位属性之间的比较,结果如图13所示。参与比较进行跑道分配的有平安银行,以及平安银行所具有的上位属性群体。
上寻操作常见于自底向上比较法,通常用于从个体到群体比较再到上位群体乃至总体的比较。图14中展示了本发明实施方式的多层次智能证券比较中自底向上结构示意图。在整个证券品种层次体系树中,证券品种个体上寻方法为对该证券品种所具有的所有上位属性对应的群体和该证券品种进行比较,证券品种群体上寻方法为该群体所具有的所有上位属性对应的群体和该证券品种群体进行比较。很多情况下,投资者已经有了自己的个体投资品种,他们更关注其具体投资品种的表现,而对其投资品种所在群体的表现和市场总体的表现缺乏了解,群体和总体对个体的相互影响认识不足,这不利于进行正确的理性投资。就好像知道了一个学生的成绩,但不了解她在整个班级的排名,也不知道班级在学校的排名表现,这样就很难评价该生的成绩优劣。为此有必要为投资者提供从具体品种到总体表现的自底向上的比较方法。
结合上述自顶向下和自底向上的两个例子,投资者可以根据实际操作以及个人投资兴趣,灵活运用两种方式,在群体间自由穿梭,更好地了解整个市场,从而能够高效地进行判势以及选股。
用户持仓经常发生变化,用户的持仓与用户的业绩息息相关。了解用户的历史持仓表现能够帮助用户更好地总结经验教训,并进行针对性改进,提高理性投资效率,这可以通过历史回放来实现。历史回放可以判断用户历史品种对用户业绩的影响,用户业绩为用户指数,表现形式为横穿跑道的一条参照线,对比参考为指定的市场指数,跑道中成员为对应时间的持仓品种,新生成员的计算涨幅初始基点对应该时间点的用户指数点位,移出成员不再对用户指数产生影响,其性能评价可以展示在信息栏中。用户指数的计算方法为指数加权计算法。该方法计算在指定的时间点用户的持仓品种的涨幅以及持仓品种在用户资产中的占比,进行加权求和计算用户指数的涨幅。历史持仓品种高于用户指数参照线,说明该品种对用户指数有贡献,历史持仓品种低于用户指数参照线,说明该品种对用户指数有拖累。
用户持仓对用户业绩影响实施例:图15为用户2018年1月23日的资产收益率与持仓情况图。图中用户指数线为横穿跑道的一条直线,指定的市场指数为上证指数,为方便对比,第一条跑道为用户资产。当天用户1满仓持有股票1,累积涨幅为7.2%,因此用户指数为7.2%,当日的上证指数累积涨幅为2.36%,用户指数跑赢了上证指数。图16为用户2018年1月24日的资产收益率与持仓情况图。图中显示,用户卖出部分股票1,满仓持有股票1和股票2,当前股票1的累积涨幅为5%,股票2的起始基点位为用户前一个交易日的用户指数即7.2%,当天股票2的涨幅为0.5%,最终用户指数涨幅为6%。从图16中可以看出,股票2的涨幅只有0.5%,但其点位高于当前用户指数线,说明股票2在建仓后对用户指数有拉升。而股票1的涨幅虽然有5%,但其点位低于当前用户指数线,说明股票1在部分换仓到股票2后拉低了用户指数,但是股票1的点位高于上证指数,总体上对用户指数跑赢上证指数有贡献。
采用该比较方法的特点在于:不仅展示了持仓品种的绝对收益率,而且通过持仓品种的涨幅点与用户资产线的相对位置对比,清晰地呈现了持仓品种对用户业绩在不同时间段不同投资组合下的贡献。
信息栏实施例:图10中展示了投资用户YH000147在2018年1月25日的持仓情况,在图右边的操盘平仓记录中显示了用户移出品种浦发银行对用户收益的影响,从图中可以看出,浦发银行收益为17790.45元,收益率为3.8%,增加了用户资产。
基于个体、群体、总体多层次的智能证券比较***,该***包括以下四个模块:数据获取模块:获取证券的实时数据、历史数据以及基础属性数据,构建证券品种数据库;群体构建模块:使用人工标识和***生成技术确定证券品种的属性,构建证券品种群体并进行属性参数计算;跑道成员确定模块:创建时间T、跑道N、涨幅Y三维结构模型,并将其降维成包含N轴在内的二维模型,确定跑道成员和时间间隔,获取成员数据,在模型中选择固定跑道或动态跑道分配方法对成员的涨跌幅进行呈现;不同粒度集合的比较模块:在指定的一段时间内进行不同粒度集合的比较,通过下寻上寻技术进行不同层次间切换比较。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。