CN106355499A - 一种股票价格趋势预测及交易方法 - Google Patents
一种股票价格趋势预测及交易方法 Download PDFInfo
- Publication number
- CN106355499A CN106355499A CN201610861321.XA CN201610861321A CN106355499A CN 106355499 A CN106355499 A CN 106355499A CN 201610861321 A CN201610861321 A CN 201610861321A CN 106355499 A CN106355499 A CN 106355499A
- Authority
- CN
- China
- Prior art keywords
- stock
- price
- stock price
- trend
- state
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Abstract
本发明构建了一种股票价格趋势预测及交易方法。该方法通过股票价格趋势状态参数将股票价格趋势状态分为三类,分别为上涨、下跌和横盘整理三种状态。根据股票价格趋势状态,生成趋势状态标记序列。将股票历史交易数据构造为用于建模预测的特征量数据,使用当前时刻特征量预测下一时刻股票价格趋势。本发明的预测模型为多分类双子支持向量机模型。通过历史特征量数据训练预测模型,设置交叉验证集、测试集,检验模型的有效性。使用预测模型预测未来股票价格趋势,然后根据预测结果进行投资决策。
Description
技术领域
本发明涉及通过数据挖掘技术预测股票价格趋势进而指导股票交易的方法,属于金融数据挖掘技术领域。
背景技术
对于股市投资而言,虽然技术分析、基本面分析等传统投资方法取得了不错的成果,但是越来越多的传统投资方法为人熟知,这也意味着这些投资方法面临着失效的可能。为了获得超额收益和规避投资风险,基于数据挖掘技术的新的投资方法已经开始应用于股票投资市场。
目前,使用数据挖掘技术对股票价格预测主要有三种方式,第一种方式为股票价格趋势预测;第二种方式为股票未来收益率预测;第三种方式为股票未来价格预测。目前,股票趋势预测主要对股票涨跌进行预测,根据预测结果进行交易;收益率预测是根据股票历史收益率建立的预测模型,通过模型外推拟合出未来预期收益率;股票价格预测是根据股票历史交易价格建立的预测模型,最终根据近期交易数据预测未来股票价格。
股票市场存在大量随机的不确定因素,而这些因素往往会对股价造成直接影响,因此针对股票价格的准确预测很难实现。股票收益率预测方法一般是对股票历史收益率序列进行拟合建立模型,但是收益率序列存在高噪声,训练出的预测模型外推预测效果往往不尽如人意。股票价格趋势预测的目标为股票未来涨跌,实质上是将收益率序列进行离散化,收益率为正的元素用1来代替,收益率为负的元素用-1来代替。基于统计理论建立分类模型预测股票价格未来趋势,该类模型往往具有良好的泛化能力。
回顾以往的研究发现,对股票趋势预测往往针对股票涨跌两种趋势状态进行预测。但在实际股票交易中,考虑到股票交易成本和资金时间成本,可能出现交易利差无法覆盖这些成本的情况,因此单纯的涨跌预测将无法满足盈利需求。
本发明提供了一种新的股票趋势预测方法,该方法使用多分类双子支持向量机预测模型实现股票趋势的多分类预测,从而减少甚至避免以往单纯涨跌预测可能出现的问题。本发明采用的是三分类预测方法,即股票价格趋势有上涨、下跌、横盘整理三种状态,分别标记为+1、-1、0。同时本发明提供了状态分类设定功能,投资者可以根据自己的投资需要进行设定,以满足不同的投资盈利需求。
发明内容
本发明的目的在于提供一种股票趋势预测及交易方法来解决现有股票预测交易方法中存在的一些问题。
本发明构建了一种股票价格趋势三分类预测及交易方法。该方法将股票价格趋势划分为三种状态,通过多分类双子支持向量机建立预测模型,预测股票价格趋势,根据预测结果指导股票交易者进行交易。
具体内容包括以下几个步骤:
步骤1:获取股票的相关历史交易数据,包括开盘价、收盘价、最高价、最低价、成交量;对获取的数据进行预处理,包括转换数据格式,消除数据噪声,补全省缺项。使用处理后的交易数据进行特征量构造。特征量均为技术指标,包括离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日简单平均波动指标、n日加权滑动平均波动指标、能量指标、乖离率。特征量为预测模型的输入;
步骤2:结合股票价格趋势预测的区间长度T,将股票价格趋势状态分为三类,即上涨、下跌和横盘整理三种状态。股票价格趋势状态依据不同交易需求由趋势状态设定参数决定。通过趋势状态设定参数对股票价格趋势状态进行标记,上涨状态标记为+1,下跌状态标记为-1,横盘整理状态标记为0;
步骤3:将步骤1中的特征量作为样本,步骤2中的股票价格趋势状态标记作为样本标签,使用多分类双子支持向量机建立预测模型。使用训练集、交叉验证集训练预测模型并确定模型参数;然后将训练过的模型用于测试集,检验预测模型的有效性。预测模型的输出是一下交易时段股票价格趋势;
步骤4:根据预测模型输出结果进行股票交易。
步骤1中的数据可以从专业的金融数据库中获取,如Wind,CCER,CSMAR等。由于从数据库获取数据的数据类型和格式与本发明设计的预测交易系统数据类型和格式不匹配,因此需要进行数据类型和格式的转换以匹配本系统,通过编写数据转换程序实现。
为了提高原始数据的准确性,同时从多个数据源获取数据进行比对,完全相同的项为正常项,反之为异常项。异常项出现的原因:1.数据中错误项;2.数据缺省项。数据比对过程由程序完成,手动修改异常项。
本发明中预测模型输入特征为常见技术指标,分别为:离散指标(A/D)、顺势指标(CCI)、威廉姆斯指标(R%)、相对强弱指标(RSI)、KD指标(K %)、KD指标(D %)、动量指标(Momentum)、n日加权滑动平均波动指标(WDMA %)、n日简单滑动平均波动指标(SDMA %)、能量指标(CR)、乖离率(BIAS)。
下文列出本发明用于预测的特征指标的基本描述及计算公式。
离散指标(A/D):描述价格波动趋势;
顺势指标(CCI):用来判断价格偏离度;
威廉姆斯指标(R%):度量股票是否处于超买超卖;
相对强弱指标(RSI):根据股价涨跌幅度显示市场强弱;
随机指标(K% , D%):表示股票在特定时期内相对高度;
动量指标(Momentum):表示股票价格在一段时间内的变化量;
n日滑动平均波动(SDMA%):衡量股票n日简单平均价格变化趋势;
n日加权滑动平均波动(WDMA%):衡量股票n日加权平均价格变化趋势;
能量指标(CR):分析市场多空力量对比;
乖离率(BIAS):测量股价偏离均线的程度;
5日收益率(Return 5):股票5日的收益率;
20日收益率(Return 10):股票20日的收益率;
其中分别表示t日最高价、最低价和收盘价;分别表示t日之前n日内的最高价和最低价;,,;为第t日相较前一日的涨幅,为第t日相较前一日的跌幅;为指数移动平均指标,,。
在特征构造过程中参数可以调整。特征量构造完成后对特征量进行归一化处理,即将特征量按比例缩放到区间[-1, 1]。
设时间区间长度参数为T,可以分钟、小时、日、周为单位,根据投资要求确定T。以T=1天为例说明,即预测股票下一时段的涨跌等价于预测股票下一日的涨跌。
本发明对股票价格趋势进行预测,趋势状态分为三类,分别为上涨、下跌、横盘整理。通过设定状态参数对各个状态进行划分。状态参数可根据投资者实际需求进行设定,目的是为了覆盖交易成本等其他因素。根据中国A股市场交易成本分析,本发明状态参数设定为x+ = 0.5和x- = 0,当前交易时刻t相较上一交易时刻t-1股票上涨0.5%为上涨状态;股票下跌为下跌状态;涨幅在0-0.5%之间为横盘整理状态。
根据趋势时间区间长度T计算股票收益率序列r。
其中,P为收盘价序列。
将收益率序列与状态参数比较,生成趋势状态标记序列s。上涨状态用+1表示,下跌状态用-1表示,横盘整理用0表示。
本发明为基于多分类双子支持向量机(MLTSVM)算法的股票预测方法。MLTSVM将用于预测的特征量(非线性数据)映射到高维线性空间,使用一种高效逐次超松弛算法(SOR)解决MLTSVM算法中包含的多个二次规划问题(QPPs),通过对样本学习训练构造出多组非平行超平面来解决分类预测问题。就多分类问题而言,MLTSVM算法寻找k个非平行分类超平面,即
使第k类样本接近第k类的分类超平面,从而达到分类的目的。
由于股票市场具有非线性特性,因此需要将训练样本通过核函数映射到高维核空间,从而使样本在核空间中线性可分。即
其中,为核函数,本发明中核函数为高斯核函数
根据结构风险最小化理论,原始的多分类问题可以被表述为
其中,为经验风险惩罚参数,为正则化项,为松弛变量。
这样原始问题被描述为凸优化问题。通过引入拉格朗日算子,可以将优化问题转化为相应的对偶问题。最终得到的对偶问题为
其中,为拉格朗日乘子向量族,,为了避免为奇异矩阵时上式不成立,引入,其中,为单位矩阵。
通过SOR优化方法可以有效求解该对偶问题,最终能够得到的解。原始问题的近似解可以表述为
通过求解可以得到k组分类超平面。本发明中的分类预测为三分类问题,即上述多分类问题中k=3。最终通过学习训练和交叉检验完成本发明中MLTSVM预测模型的构建。
根据MTLSVM模型的预测结果制定股票交易策略:预测结果为+1,增加目标股票仓位,下一交易时段获利交易;预测结果为-1,减少目标股票仓位以规避风险;预测结果为0,保持仓位,股票交易处于停止状态。
为避免系统性风险,本发明设置了止损参数,其中包括异常风险止损参数和偏差止损参数。两种止损参数使用方法如下:当预测结果连续为0时,回顾预测结果为0这段时间内股票实际累计涨跌幅度,若实际累计跌幅超出偏差止损线,减少股票仓位;当预测结果为+1时,实时监测股票价格相对于买入点的涨跌幅度,若跌幅超过异常风险止损线,抛出买入股票。
附图说明
图1 是本发明中股票趋势预测及交易方法流程图;
图2是本发明方法的股票预测交易系统图;
图3是数据获取与处理模块实现方法流程图;
图4是趋势标记序列生成模块实现方法流程图;
图5是趋势预测模块实现方法流程图;
图6是交易模块实现方法流程图。
元件标号说明如下:
1 数据获取与处理;
2 趋势标记序列生成模块;
3 趋势预测模块;
4 交易模块;
S11~S43 步骤。
具体实施方式
以下结合附图和发明内容说明本发明的实施方式,所举实例用于解释说明,并非限定本发明的实施方式,本发明也可以通过其它不同的具体实施方式实施。
本实施例中,预测目标为某只股票每日变化趋势,即T=1天。所有程序均由Matlab语言编写完成。
如图1所示,股票趋势预测及其交易的过程为步骤S1-S4。
步骤S1:获取股票的相关历史交易数据,包括开盘价、收盘价、最高价、最低价、成交量;对获取的数据进行预处理,包括转换数据格式,消除数据噪声,补全省缺项。使用处理后的交易数据进行特征量构造,特征量均为技术指标,包括离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日简单平均波动指标、n日加权滑动平均波动指标、能量指标、乖离率。
步骤S2:将股票价格趋势状态分为三类,即上涨、下跌和横盘整理。股票价格趋势根据不同交易需求由趋势状态设定参数决定。根据趋势状态设定参数对股票价格趋势进行标记,建立预测样本集。
步骤S3:使用多分类双子支持向量机(MLTSVM)作为预测模型;通过训练集、交叉验证集训练预测模型并确定模型参数;将训练后的模型用于测试集,检验预测模型有效性。预测模型输出是一下交易时段的股票价格趋势。
步骤S4:根据预测模型输出结果进行股票交易。
以下对步骤S1-S4的实施进行详细说明。
步骤S1,数据获取与处理。
步骤S11,在专业的金融数据库下载某只股票的日交易数据,包括开盘价、收盘价、最高价、最低价、成交量、换手率。本实施例同时选取三种金融数据库,分别为Wind,CCER,CSMAR。所得数据格式均为*.txt*格式。
步骤S12,将从三个数据源获取的数据分别导入Matlab,并保存。编写数据处理程序。将三个数据源获取的数据进行比对,完全相同的项为正常项,反之为异常项。将异常项数据手动修改并保存。
步骤S13,将修改保存过的交易数据进行特征量构造。特征量均为技术指标,包括离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日简单平均波动指标、n日加权滑动平均波动指标、能量指标、乖离率。特征量由Matlab编写的特征构造函数求得,构造公式如表1所示。特征量作为预测模型的输入。作为模型输入特征的技术指标可以由其它技术指标更换。在特征构造过程中参数可以调整。
步骤S14,特征量构造完成后对特征量进行归一化处理,即将特征量按比例缩放到区间[-1, 1]。
步骤S2,生成股票价格趋势状态序列。
股票趋势状态有三种,分别为上涨、下跌、横盘整理。通过设定状态参数对各个状态进行划分。状态参数可根据投资者实际需求进行设定,目的是为了覆盖交易成本等其他因素。
步骤S21,本实例中趋势时间区间长度T=1天,根据参数T计算股票收益率序列r。
步骤S22,根据中国A股市场交易成本分析,本发明状态参数设定为x+ = 0.5和x-= 0,当前交易时刻t比上一交易时刻t-1股票上涨0.5%为上涨状态;股票下跌为下跌状态;涨幅在0-0.5%之间为横盘整理状态。
步骤S23,将收益率序列与状态参数比较,生成状态标记序列s。上涨状态标记为+1,下跌状态标价为-1,横盘整理标价为0。
如图5所示,步骤S31,将特征量与趋势标记序列s结合生成样本集。步骤S32,使用MLTSVM算法训练样本。步骤S33,进行交叉检验验证模型可信度。当交叉验证集样本的预测准确度达到70%时模型有效。步骤S34,对新样本进行预测。
基于多分类双子支持向量机(MLTSVM)算法的股票预测方法,其原理是通过对样本学习训练构造出多组非平行超平面来解决分类预测问题。MLTSVM中的核函数可以将非线性可分样本特征数据映射到高维线性空间实现线性可分。本实施例中MLTSVM核函数为高斯核函数。
步骤S4,根据预测结果进行交易决策。
如图5所示,根据预测结果进行交易。步骤S43交易决策由步骤S42参数设定影响。步骤S42中参数设定为止损参数设定,包括异常风险止损、偏差止损。两种参数使用情形如下:当预测结果连续为0时,回顾预测为0时股票实际累计涨跌幅度,当累计跌幅超出偏差止损线,减少股票仓位。当预测结果为+1时,实时监测股票价格相对于买入点的涨跌幅度,当跌幅超过异常风险止损线,抛出买入股票。
本实例中异常风险止损参数设置为4%,偏差止损参数设置为2%。
根据MTLSVM模型的预测结果制定是的股票交易策略为:预测结果为+1,增加该股票仓位,下一交易时段获利交易;预测结果为-1,减少该股票仓位以规避风险;预测结果为0,保持仓位。当预测结果连续多个交易时段为0时,回顾期间股票实际累计涨跌幅度,如果累计跌幅超过2%,卖出该股票;预测结果为+1时,实时监测股票价格相对于买入点的涨跌幅度,当跌幅超过异常风险止损线,抛出买入股票。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种股票价格趋势预测及交易方法,其特征在于,包括以下步骤:
步骤1:获取股票相关历史交易数据,包括开盘价、收盘价、最高价、最低价、成交量;对获取的数据进行预处理,预处理包括数据格式地转换,数据噪声地消除,省缺项地补全;使用Matlab编写特征构造函数,特征构造函数的输入为股票相关交易数据,特征构造函数的输出为特征量;特征量包括:离散指标、顺势指标、威廉姆斯指标、相对强弱指标、随机指标、动量指标、n日加权滑动平均波动指标、n日简单滑动平均波动指标、能量指标、乖离率;
步骤2:结合股票价格趋势预测的预测区间长度T,将股票价格趋势状态分为三类,即上涨、下跌和横盘整理三种状态;股票价格趋势状态依据不同交易需求由趋势状态设定参数决定;通过趋势状态设定参数对股票价格趋势状态进行标记,上涨状态标记为+1,下跌状态标记为-1,横盘整理状态标记为0;
步骤3:将步骤1中的特征量作为样本,步骤2中的股票价格趋势状态标记作为样本标签,使用多分类双子支持向量机建立预测模型;使用训练集、交叉验证集训练预测模型并确定模型参数;将训练过的模型用于测试集,检验预测模型的有效性;预测模型的输出是当前交易时刻相较一下交易时刻股票价格趋势;
步骤4:根据预测模型的输出结果进行股票交易,具体交易方法为:预测结果为+1,增加目标股票仓位,下一交易时段获利交易;预测结果为-1,减少目标股票仓位,规避风险;预测结果为0,保持仓位。
2.根据权利要求1所述的一种股票价格趋势预测及交易方法,其特征在于,步骤2中趋势状态标记的具体方法为:设t-1时刻至t时刻的时间长度为T,T为可变参数,具体表现为,T的数量级为分钟、小时、日、周中任意一种;T的大小和数量级根据投资者投资需求进行设定;状态设定参数分别为x-、x+,当t时刻股票价格相较t-1时刻下跌x-%,股市状态为下跌状态,标记为-1;当t时刻股票价格相较t-1时刻上涨x+%,股市状态为上涨状态,标记为+1;当t时刻股票价格相较t-1时刻价格波动在x-% ~ x+%,股市状态为横盘整理,标记为0。
3.根据权利要求1所述的一种股票价格趋势预测及交易方法,其特征在于,步骤3中使用多分类双子支持向量机作为预测模型;通过训练预测模型,最终得到三组非平行分类超平面,并以最优方式将样本分为三类;将训练好的模型用于预测,即将t时刻特征量数据输入预测模型,模型输出t+1时刻相较于t时刻的股票价格趋势。
4.根据权利要求1所述的一种股票价格趋势预测及交易方法,其特征在于,在步骤4的交易过程中设置止损参数,其中包括异常风险止损参数和偏差止损参数;两种止损参数使用方法如下:当预测结果连续为0时,回顾预测结果为0这段时间内股票实际累计涨跌幅度,若实际累计跌幅超出偏差止损线,减少股票仓位;当预测结果为+1时,实时监测股票价格相对于买入点的涨跌幅度,若跌幅超过异常风险止损线,抛出买入股票。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610861321.XA CN106355499A (zh) | 2016-09-29 | 2016-09-29 | 一种股票价格趋势预测及交易方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610861321.XA CN106355499A (zh) | 2016-09-29 | 2016-09-29 | 一种股票价格趋势预测及交易方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106355499A true CN106355499A (zh) | 2017-01-25 |
Family
ID=57865783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610861321.XA Pending CN106355499A (zh) | 2016-09-29 | 2016-09-29 | 一种股票价格趋势预测及交易方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355499A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133699A (zh) * | 2017-05-12 | 2017-09-05 | 百度国际科技(深圳)有限公司 | 电影票房趋势预测方法和装置、设备、存储介质 |
CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
CN109034229A (zh) * | 2018-07-17 | 2018-12-18 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于趋势预测的云资源智能分配方法 |
CN109271971A (zh) * | 2018-11-02 | 2019-01-25 | 广东工业大学 | 一种用于时序金融数据的降噪方法 |
CN109360107A (zh) * | 2018-10-16 | 2019-02-19 | 成都四方伟业软件股份有限公司 | 一种证券分析方法、装置及其存储介质 |
CN109408531A (zh) * | 2018-09-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 |
CN109739895A (zh) * | 2018-12-07 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种虚拟物品交易预测方法及装置 |
CN110222951A (zh) * | 2019-05-17 | 2019-09-10 | 知量科技(深圳)有限公司 | 基于市场形态的交易策略自适应调整方法 |
CN110555541A (zh) * | 2018-05-31 | 2019-12-10 | 国信优易数据有限公司 | 一种风险预测系统及方法 |
CN111369073A (zh) * | 2020-03-19 | 2020-07-03 | 华泰证券股份有限公司 | 一种基于拉普拉斯算子的股指趋势预测方法 |
TWI705408B (zh) * | 2019-05-06 | 2020-09-21 | 元大證券投資信託股份有限公司 | 金融商品價格趨勢的預測方法及其系統 |
CN111815456A (zh) * | 2020-09-09 | 2020-10-23 | 北京口袋财富信息科技有限公司 | 一种资产自动管理方法、装置、可读存储介质及计算设备 |
CN113781222A (zh) * | 2021-09-10 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种基于机器学习的构建股票交易决策模型的方法 |
CN113781224A (zh) * | 2021-09-13 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种股票交易数据的预测方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
-
2016
- 2016-09-29 CN CN201610861321.XA patent/CN106355499A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985055A (zh) * | 2014-05-30 | 2014-08-13 | 西安交通大学 | 一种基于网络分析和多模型融合的股市投资决策方法 |
Non-Patent Citations (1)
Title |
---|
张玉川等: "支持向量机在股票价格预测中的应用", 《北京交通大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133699A (zh) * | 2017-05-12 | 2017-09-05 | 百度国际科技(深圳)有限公司 | 电影票房趋势预测方法和装置、设备、存储介质 |
US11195111B2 (en) | 2017-05-12 | 2021-12-07 | Baidu International Technology (Shenzhen) Co., Ltd. | Method and device for predicting box office trend of film, and storage medium |
CN108537382A (zh) * | 2018-04-09 | 2018-09-14 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
CN108537382B (zh) * | 2018-04-09 | 2020-11-06 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
CN110555541A (zh) * | 2018-05-31 | 2019-12-10 | 国信优易数据有限公司 | 一种风险预测系统及方法 |
CN109034229A (zh) * | 2018-07-17 | 2018-12-18 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于趋势预测的云资源智能分配方法 |
CN109408531A (zh) * | 2018-09-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 |
CN109408531B (zh) * | 2018-09-25 | 2023-04-18 | 平安科技(深圳)有限公司 | 缓慢下跌型数据的检测方法及装置、电子设备、存储介质 |
CN109360107A (zh) * | 2018-10-16 | 2019-02-19 | 成都四方伟业软件股份有限公司 | 一种证券分析方法、装置及其存储介质 |
CN109271971A (zh) * | 2018-11-02 | 2019-01-25 | 广东工业大学 | 一种用于时序金融数据的降噪方法 |
CN109739895A (zh) * | 2018-12-07 | 2019-05-10 | 中国联合网络通信集团有限公司 | 一种虚拟物品交易预测方法及装置 |
TWI705408B (zh) * | 2019-05-06 | 2020-09-21 | 元大證券投資信託股份有限公司 | 金融商品價格趨勢的預測方法及其系統 |
CN110222951A (zh) * | 2019-05-17 | 2019-09-10 | 知量科技(深圳)有限公司 | 基于市场形态的交易策略自适应调整方法 |
CN111369073A (zh) * | 2020-03-19 | 2020-07-03 | 华泰证券股份有限公司 | 一种基于拉普拉斯算子的股指趋势预测方法 |
CN111815456A (zh) * | 2020-09-09 | 2020-10-23 | 北京口袋财富信息科技有限公司 | 一种资产自动管理方法、装置、可读存储介质及计算设备 |
CN113781222A (zh) * | 2021-09-10 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种基于机器学习的构建股票交易决策模型的方法 |
CN113781224A (zh) * | 2021-09-13 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种股票交易数据的预测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355499A (zh) | 一种股票价格趋势预测及交易方法 | |
Lu et al. | A CNN-BiLSTM-AM method for stock price prediction | |
Li et al. | Re-examining bitcoin volatility: a CAViaR-based approach | |
Sayavong et al. | Research on stock price prediction method based on convolutional neural network | |
Choudhury et al. | A real time clustering and SVM based price-volatility prediction for optimal trading strategy | |
Farooq et al. | Predicting multistage financial distress: Reflections on sampling, feature and model selection criteria | |
Huang et al. | Convolutional neural network forecasting of European Union allowances futures using a novel unconstrained transformation method | |
Huang et al. | CAViaR-based forecast for oil price risk | |
Liu et al. | Forecasting the occurrence of extreme electricity prices using a multivariate logistic regression model | |
Li | Design a management information system for financial risk control | |
Jiang | Application and comparison of multiple machine learning models in finance | |
Pan et al. | Daily prediction of short-term trends of crude oil prices using neural networks exploiting multimarket dynamics | |
Bakhsh et al. | Can digital financial inclusion facilitate renewable energy consumption? Evidence from nonlinear analysis | |
Iglesias et al. | Economic analysis of supplementing sugarcane with corn for ethanol production in Brazil: a case study in Uberaba | |
Zhang et al. | Intraday and interday features in the high-frequency data: Pre-and post-Crisis evidence in China’s stock market | |
Guo et al. | Forecasting the mid-price movements with high-frequency lob: A dual-stage temporal attention-based deep learning architecture | |
Faye et al. | Exogeneous shocks, risk, and market convergence of real alternative and financial assets: evidence from nonlinear dynamics | |
Zhu et al. | Application Research of the XGBoost-SVM Combination Model in Quantitative Investment Strategy | |
Chen et al. | The factors that influence exchange-rate risk: Evidence in China | |
Ping et al. | Risk Early Warning Research on China’s Futures Company | |
Cui et al. | Carbon trading price prediction based on a two-stage heterogeneous ensemble method | |
EL AMRANI et al. | USING BIG DATA TO MEASURE GENERAL PRICE INCREASES IN LOGISTICS | |
Yang et al. | Systemic risk prediction based on Savitzky-Golay smoothing and temporal convolutional networks | |
Bätje et al. | Macro determinants of US stock market risk premia in bull and bear markets | |
Wang et al. | New Forecasting Framework for Portfolio Decisions with Machine Learning Algorithms: Evidence from Stock Markets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |