CN102034211A - 计算机平台结合Hurst模型显示股票数据反转点的统计方法 - Google Patents

Abstract

本发明涉及计算机程序技术领域，具体地说是一种计算机平台结合Hurst模型显示股票数据反转点的统计方法，其特征在于所述的方法包括以下步骤：1.对原始交易数据进行优化以剔除偏离程度较远的离散点；2.对优化后数据的同分布测试直到测试误差小于1％；3.用R/S重标极差算法计算Hurst指数数值；4.确定反转点及反转点反转强度；5.确定趋势方向及趋势强度；6.基于自有C++程序产生图形界面形式达到直观展示效果。本发明与现有技术相比，用非线性的分形布朗理论的方法揭示股指趋势运动的“内驱力”的强弱，并对股指趋势反转做出判断能够对股指趋势运行的强度做出判断，并且能够准确判断股票指数的周期大反转点及反转点的反转强度，能更准确的把握股指运行的长期趋势。

Description

计算机平台结合Hurst模型显示股票数据反转点的统计方法

[技术领域]

本发明涉及计算机程序技术领域，具体地说是一种计算机平台结合Hurst模型显示股票数据反转点的统计方法。

[背景技术]

关于股票价格能否预测一直存在很大的争议。传统的“有效市场假说(EMH)”认为市场的价格充分反映所有的可得信息。价格的变化互不相关，市场是随机波动的，未来趋势不可预测。然而现有研究表明，交易市场变动并不完全遵循正态分布规律，股票市场的收益率往往具有“尖峰厚尾”的特性，其方差也表现出不平稳、波动时聚性和长期记忆性的特征。有效市场假说和随机游走理论这种过于理想和简化的线性范式并不适合中国股市。

股票市场上的投资分析和风险评估大都是基于对未来价格走势的预测判断。目前对于股票趋势进行预测的证券分析方法也有很多，有基于传统技术分析方法的趋势分析理论，也有基于现代数量分析的预测技术，其原理要么是对直接反映证券市场交易行为的量价数据进行简单的分析以预测未来的价格趋势，要么是建立在对收益风险的预期均衡下对未来的价格进行预测。这些方法都局限与对短期趋势的预测，而我们知道股票市场是一个瞬息万变的复杂的系统，各种未知突发事件随时可能会对股价造成巨大冲击，价格的短期波动面临着很大的不确定性，绝对意义上的预测并不现实。

但从长期来看，股市牛熊交替，价格跌宕起伏，历史总在不停的重演，有一种内在的力量在驱动着趋势的周期波动了。既然股票市场是一个非线性的、复杂的、交互作用的系统。我们需要用非线性的方法来分析和解释股票市场的问题，挖掘其周期波动内在规律。赫斯特指数为分形布朗运动理论中定量描述时间序列长程记忆性的一个指标，最初由水文学家赫斯特在1951年提出。

[发明内容]

本发明的目的在于克服现有技术的不足，提供一种基于分形布朗理论Hurst模型和C++程序平台计算股指趋势强弱及确定股票数据反转点的方法，以便判断股票指数的长期趋势，以及确定反转点、反转点反转强度、趋势强度。

为实现上述目的设计一种计算机平台结合Hurst模型显示股票数据反转点的统计方法，包括计算机连接网络，其特征在于该方法包括以下步骤：

a、源数据输入：从外部数据源获取需要被处理的，能反映股市特征的指标数据，收盘价，开盘价，成交量存入本地数据库；

b、数据清理：通过一个嵌入该数据库的指定C++程序来前期处理该数据库，所述的程序逻辑如下：A.用基于GARCH时间序列模型对数据进行前期的数据清理，过滤信号噪声，消除偶然事件带来的偏离原分形布朗运动分布较大的离散点；B.并将处理过的优化数据存储在本地数据库中；

c、模拟测试：用同分布模拟数据进行模型测试，验证hurst指数参数估计的准确度，所述的验证步骤如下：A.先设定需要估计的一系列Hurst理论值，按照FGN分布随机生成一系列时间序列；B.通过重标极差算法方法计算该组随机序列的Hurst值并与理论值对比，并微调R/S拟合参数，得到模拟测试结果；

d、以上的模拟测试结果的误差需在1％以下；如果不满足误差需求，需要打回在数据初步清理部分调整作为标准的数据分布规律，然后重新清理，并继续用模拟数据进行模型测试，直到测试符合误差需求；

e、读取该数据库的优化数据，设置训练数据长度在150-400交易日之间变化，根据数据优化得到最佳训练数据长度T，作为整个方法的输入变量；

f、基于Hurst分形理论，以步骤b中所得到的优化数据为基础，步骤d中的训练数据长度为标准，应用重标极差算法得到所需要的Hurst值，由此计算出所需要的Hurst值，同时保存在本地数据库中；

g、对保存于数据库中的Hurst值进行后期判断，定义“反转点”，可分为以下几个子步骤：A.绘制同样时间段、刻度相同的两幅图，一幅为指数收盘价走势图，一幅为Hurst曲线图，并在Hurst走势图上画出其长期均线图及其短期均线图；其中，短期均线，长期均线参数与大盘默认均线系统参数一致；B.用以下标准选取出满足条件的Hurst曲线反转点：1)H值比H的短期均线值低0.015以上；2)H小于长期均值；3)H满足1)2)之后的位于稳定小于均值区间段的最低点；C.将满足条件的Hurst反转点在A中原始指标数据的图示下特别标出；D.将每个交易日大盘收盘价数据曲线与Hurst值的数据曲线上下对应画出，统一时间轴；

h、由每个Hurst的反转点(局域低点)定义反转点强度，反转点强度由反转点具体的H值决定：

1)H＜0.44                        反转点强度：★★★★★

2)0.44≤H＜0.46                  反转点强度：★★★★☆

3)0.46≤H＜0.48                  反转点强度：★★★☆☆

4)0.48≤H＜0.50                反转点强度：★★☆☆☆

5)0.50≤H                      反转点强度：★☆☆☆☆

i、由每个交易日的Hurst值定义“趋势力量：强、中、弱”，趋势强度的对应如下：

1)H≥0.52，“趋势力量：强”，

2)0.51＜H＜0.52，“趋势力量：中”

3)0.50＜H＜0.51，“趋势力量：弱”

4)H＜0.5时，位于反转区，故不予提示；

j、计算结果，并显示股票数据反转点的效果图。

本发明与现有技术相比，用非线性的分形布朗理论的方法揭示股指趋势运动的“内驱力”的强弱，并对股指趋势反转做出判断能够对股指趋势运行的强度做出判断，并且能够准确判断股票指数的周期大反转点及反转点的反转强度，能更准确的把握股指运行的长期趋势。

[附图说明]

图1为本发明的流程示意图；

[具体的实施例]

下面结合附图和具体实施方式对本发明作详细描述：

本发明包括以下步骤：

1、对原始交易数据进行优化以剔除偏离程度较远的离散点

2、对优化后数据的同分布测试直到测试误差小于1％

3、用重标极差算法计算Hurst指数数值

4、确定反转点及反转点反转强度

5、确定趋势方向及趋势强度

6、基于C++程序产生图形界面形式达到直观展示效果。

通过以上步骤，就可以实现用分形布朗理论和重标极差算法计算的Hurst周期大反转指数，用户可以对比大盘指数走势图和Hurst曲线的形态确定当前大盘是处于趋势加强状态，还是趋势减弱甚至趋势反转状态，并对大盘的趋势强度及反转力度做出判断。

1、从外部数据源获取能反映股市特征的原始交易数据，如：收盘价，开盘价，成交量等，存入本地数据库；判断历史股票市场的大波段顶和底的时间。

2、通过一个嵌入该数据库的指定C++程序来前期处理该数据库，所述的程序逻辑如下：

A用基于GARCH的时间序列模型对数据进行前期筛选，筛除噪声点，以消除因偶然事件带来的偏离较大的离散点；

B并将优化好的数据存储在本地数据库中；

3、用同分布模拟数据进行模型测试，验证Hurst指数参数估计的准确度。验证步骤如下：

A先设定需要估计的一系列Hurst理论值，按照FGN分布随机生成一系列时间序列。

B通过重标极差算法方法(也称R/S算法：Rescaled Range Analysis)计算该组随机序列的Hurst值并与理论值对比，并微调R/S拟合参数，得到模拟测试结果。

4、以上的模拟测试结果的误差需在1％以下。如果不满足误差需求，需要打回在数据初步清理部分调整作为标准的数据分布规律，然后重新清理，并继续用模拟数据进行模型测试，直到测试符合误差需求。

5、读取该数据库的优化数据，设置训练数据长度在150-400交易日之间变化，根据数据优化得到最佳训练数据长度T，作为整个方法的输入变量；

6、基于Hurst分形理论，以步骤2中所得到的处理过数据为基础，步骤4中的训练数据长度为标准，应用重标极差算法得到所需要的Hurst值。由此计算出所需要的Hurst值，同时保存在本地数据库中。

7、对保存于数据库中的Hurst值进行后期判断，定义“反转点”。可分为以下几个子步骤：

A、绘制同样时间段、刻度相同的两幅图，一幅为Hurst曲线图，并在Hurst走势图上画出其长期均线图及其短期均线图；其中，短期均线，长期均线参数与大盘默认均线系统参数一致；

B、用以下标准选取出满足条件的Hurst曲线反转点：

1)H值比H的短期均线值低0.015以上；

2)H小于长期均值；

3)H满足1)2)之后的位于稳定小于均值区间段的最低点。

C、将满足条件的Hurst反转点在A中原始指标数据的图示下特别标出；

D、将每个交易日大盘收盘价数据曲线与Hurst值的数据曲线上下对应画出，统一时间轴。

8、由每个Hurst的反转点(局域低点)定义反转点强度。反转点强度由反转点具体的H值决定：

a)H＜0.44                      反转点强度：★★★★★

b)0.44≤H＜0.46                反转点强度：★★★★☆

c)0.46≤H＜0.48                反转点强度：★★★☆☆

d)0.48≤H＜0.50                反转点强度：★★☆☆☆

e)0.50≤H                      反转点强度：★☆☆☆☆

9、由每个交易日的Hurst值定义“趋势力量：强、中、弱”，趋势强度的对应如下：

--H≥0.52，“趋势力量：强”，

--0.51＜H＜0.52，“趋势力量：中”

--0.50＜H＜0.51，“趋势力量：弱”

--H＜0.5时，位于反转区，故不予提示。

10、最后基于自有C++程序产生图形界，就可以直观方便的判断股指趋势强弱和反转点的反转强度。

Claims (1)

1.一种计算机平台结合Hurst模型显示股票数据反转点的统计方法，包括计算机连接网络，其特征在于该方法包括以下步骤：

a、源数据输入：从外部数据源获取需要被处理的，能反映股市特征的指标数据，收盘价，开盘价，成交量存入本地数据库；

b、数据清理：通过一个嵌入该数据库的指定C++程序来前期处理该数据库，所述的程序逻辑如下：A.用基于GARCH时间序列模型对数据进行前期的数据清理，过滤信号噪声，消除偶然事件带来的偏离原分形布朗运动分布较大的离散点；B.并将处理过的优化数据存储在本地数据库中；

c、模拟测试：用同分布模拟数据进行模型测试，验证Hurst指数参数估计的准确度，所述的验证步骤如下：A.先设定需要估计的一系列Hurst理论值，按照FGN分布随机生成一系列时间序列；B.通过重标极差算法方法计算该组随机序列的Hurst值并与理论值对比，并微调R/S拟合参数，得到模拟测试结果；

d、以上的模拟测试结果的误差需在1％以下；如果不满足误差需求，需要打回在数据初步清理部分调整作为标准的数据分布规律，然后重新清理，并继续用模拟数据进行模型测试，直到测试符合误差需求；

e、读取该数据库的优化数据，设置训练数据长度在150-400交易日之间变化，根据数据优化得到最佳训练数据长度T，作为整个方法的输入变量；

f、基于Hurst分形理论，以步骤b中所得到的优化数据为基础，步骤d中的训练数据长度为标准，应用重标极差算法得到所需要的Hurst值，由此计算出所需要的Hurst值，同时保存在本地数据库中；

g、对保存于数据库中的Hurst值进行后期判断，定义“反转点”，可分为以下几个子步骤：A.绘制同样时间段、刻度相同的两幅图，一幅为指数收盘价走势图，一幅为Hurst曲线图，并在Hurst走势图上画出其长期均线图及其短期均线图；其中，短期均线，长期均线参数与大盘默认均线系统参数一致；B.用以下标准选取出满足条件的Hurst曲线反转点：1)H值比H的短期均线值低0.015以上；2)H小于长期均值；3)H满足1)2)之后的位于稳定小于均值区间段的最低点；C.将满足条件的Hurst反转点在A中原始指标数据的图示下特别标出；D.将每个交易日大盘收盘价数据曲线与Hurst值的数据曲线上下对应画出，统一时间轴；

h、由每个Hurst的反转点(局域低点)定义反转点强度，反转点强度由反转点具体的Hurst值决定：

1)H＜0.44                      反转点强度：★★★★★

2)0.44≤H＜0.46                反转点强度：★★★★☆

3)0.46≤H＜0.48                反转点强度：★★★☆☆

4)0.48≤H＜0.50                反转点强度：★★☆☆☆

5)0.50≤H                      反转点强度：★☆☆☆☆

i、由每个交易日的Hurst值定义“趋势力量：强、中、弱”，趋势强度的对应如下：

1)H≥0.52，“趋势力量：强”，

2)0.51＜H＜0.52，“趋势力量：中”

3)0.50＜H＜0.51，“趋势力量：弱”

4)H＜0.5时，位于反转区，故不予提示；

j、计算结果，并显示股票数据反转点的效果图。

Images