CN106504092A - 一种基于涨跌幅排序的股票异动跟踪方法 - Google Patents
一种基于涨跌幅排序的股票异动跟踪方法 Download PDFInfo
- Publication number
- CN106504092A CN106504092A CN201610999978.2A CN201610999978A CN106504092A CN 106504092 A CN106504092 A CN 106504092A CN 201610999978 A CN201610999978 A CN 201610999978A CN 106504092 A CN106504092 A CN 106504092A
- Authority
- CN
- China
- Prior art keywords
- amount
- stock
- increase
- unusual fluctuation
- tracking
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于涨跌幅排序的股票异动跟踪方法。方法首先对于每只股票的涨跌幅进行变换,计算基于某个时间点以来的每天的基准收盘价;而后计算当前交易日的基准收盘价相对于高点的跌幅和相对于低点的涨幅;然后对高点跌幅和低点涨幅分别进行排序,并计算综合排序位;最后基于综合排序位进行股票异动的跟踪。方法主要用于对所有的股票进行全景的跟踪,可为买卖股票的时间点提供决策支持。
Description
技术领域
本发明涉及股票数据挖掘技术领域,尤其是涉及一种基于涨跌幅排序的股票异动跟踪方法。
背景技术
股票市场从诞生的那天起就牵挂着数以万计投资者的心,它的风险与利润具有巨大的魅力,每一个投资者都想从中获利,因此股票的价格预测在金融数据挖掘方面一直是个比较热门的研究领域。人们采用各种方法,如K线图分析法、点数图分析法、移动平均线法,甚至抛硬币等方法来预测股票市场的波动。
大量学者对股票价格进行了深入研究,其预测原理为: 通过对历史和当前的股票数据进行分析,对股票未来的价格走势进行预测,从而为股民提供参考依据。股票价格与一个国家的政治和经济等因素有关,是一种非线性复杂的系统,采用传统方法无法准确的预测股票价格,不能满足股民要求。
市场上股票众多,股票可以根据不同的依据划分成不同的板块,投资者希望能够对所有的股票进行全景的监控,当局部某只股票或某个板块有异动时,能够迅速发现并跟进。基于此本发明公开了一种基于涨跌幅排序的股票异动跟踪方法。
发明内容
本发明公开了一种基于涨跌幅排序的股票异动跟踪方法。方法首先对于每只股票的涨跌幅进行变换,计算基于某个时间点以来的每天的基准收盘价;而后计算当前交易日的基准收盘价相对于高点的跌幅和相对于低点的涨幅;然后对高点跌幅和低点涨幅分别进行排序,并计算综合排序位;最后基于综合排序位进行股票异动的跟踪。
本发明方法主要用于对所有的股票进行全景的跟踪,可为买卖股票的时间点提供决策支持。
假设股票列表为S,S=[S1, S2,…,Si,…,Sn],n为股票池中股票的数量,如中国上市股票的数量或美国上市股票的数量。
本发明方法的步骤如下:
(1)对股票池中的每只股票进行数据预处理;
(2)计算每只股票当前交易日相对高点的跌幅和相对低点的涨幅;
(3)对所有股票的高点跌幅和低点涨幅分别进行排序,并计算综合排序位;
(4)基于综合排序位对股票进行异动跟踪。
其中,步骤(1)中对每只股票进行数据预处理,主要是对于每只股票,以某个时间点作为起点,如2005-01-01,截取自该时间点以来到现今的涨跌幅数据;然后设置起始时间点的收盘价为1作为基准,后续时间点的收盘价根据涨跌幅进行变换得到,如第二天的涨跌幅为Change2,则第二天的基准收盘价为:1*(1+Change2/100); 第三天的的涨跌幅为Change3,则第三天的基准收盘价为:1*(1+Change2/100) (1+Change3/100);以此类推,最终形成每只股票的基准收盘价数组。
其中,步骤(2) 计算每只股票当前交易日相对高点的跌幅和相对低点的涨幅,具体为对于某只股票Si,先获取其基准收盘价的最大值Highest和最小值Lowest,假设当前交易日的基准收盘价为aL,则:
每只股票Si相对于历史高位的跌幅Decreasei为:Decreasei=100*(aL-Highest)/Highest;
每只股票Si相对于历史低位的涨幅Increasei为: Increasei=100*(aL-Lowest)/Lowest。
其中,步骤(3)的排序过程具体为:将所有股票相对历史高位跌幅的绝对值从大到小排序,排序后从1到n按顺序对股票进行编号,每只股票获得其对应的排序位Order1i。将所有股票相对历史低位涨幅的从小到大排序,排序后从1到n按顺序对股票进行编号。每只股票获得其对应的排序位Order2i。综合排序位为两个排序位之和,即Orderi = Order1i +Order2i。
其中,步骤(4)的基于综合排序位对股票进行异动跟踪分为两种情况:单只股票的异动跟踪和多只股票的异动跟踪。单只股票的异动跟踪为记录一段时间里所有股票每日的综合排序位值,并计算每日综合排序位值的变动情况;对变动值从大到小排序后,获取头尾几只股票即为异动的股票。多只股票的异动跟踪为对预先设定在同一个板块的多只股票,对每只股票每日的综合排序位值进行求和作为每日的最终排序值,当每日最终排序值具有显著变化时,则表明这些板块股票存在异动情况。
附图说明
图1 是本发明基于涨跌幅排序的股票异动跟踪方法的流程图。
图2 是股票的涨跌幅排序及综合排序的示意图。具体为图中上半部分为股票瑞凌股份(300154)在2016年10月28日的涨跌幅排序,当日的综合排序位为2152。下半部分为其在下一个交易日2016年10月31日的涨跌幅排序,当日的综合排序位为2195。
具体实施方式
下面结合附图和实例,对本发明进行详细的描述。
本发明方法先对每只股票某段时间以来的数据进行预处理,计算当前交易日股价相对于历史高位的跌幅和历史低位的涨幅;而后分别对所有股票的跌幅和涨幅进行排序,获得跌幅和涨幅的排序位,并综合为每只股票各自的排序位。最后通过对排序位一段时间的跟踪发现异动的股票或股票板块。
假设股票列表为S,S=[S1, S2,…,Si,…,Sn],n为股票池中股票的数量,如中国上市股票的数量或美国上市股票的数量。
一、股票数据预处理。
1.1 对于股票池中的每只股票Si,以某个时间点作为起点,如2005-01-01,截取自该时间点以来到现今的数据。
1.2 令起始时间点的收盘价以1为基准,其后续时间点的收盘价根据涨跌幅进行变换得到,如第二天的涨跌幅为Change2,则第二天的基准收盘价为:1*(1+Change2/100);第三天的的涨跌幅为Change3,则第三天的基准收盘价为:1*(1+Change2/100) (1+Change3/100);以此类推。最后每只股票Si形成一个对应的基准收盘价数组Ai,
Ai=[a1,a2,…,aj,…aL]
L为Ai的长度,aL代表最近一个交易日的基准收盘价。每只股票的L长度是可能不一样的,因为股票中间有停牌等因素的影响。
进行以上预处理是因为获取的股价数据受除权除息等因素的影响,经常处于不连续状态,但是涨跌幅数据不会处于不连续状态。
二、计算相对高点跌幅和相对低点涨幅。
2.1 对于每只股票Si对应的Ai,获取Ai的最大值Highest和最小值Lowest。
2.2 计算每只股票Si相对于历史高位的跌幅Decreasei
Decreasei=100*(aL-Highest)/ Highest。
2.3 计算每只股票Si相对于历史低位的涨幅Increasei
Increasei=100*(aL-Lowest)/ Lowest。
三、跌幅排序和涨幅排序。
3.1 将所有股票相对历史高位跌幅的绝对值从大到小排序,排序后从1到n按顺序对股票进行编号。每只股票获得其对应的排序位Order1i。
3.2将所有股票相对历史低位涨幅的从小到大排序,排序后从1到n按顺序对股票进行编号。每只股票获得其对应的排序位Order2i。
3.3 将Order1i和Order2i求和,获得股票Si对应的综合排序位Orderi,
Orderi = Order1i +Order2i。
3.4 对每只股票Si对应的Orderi进行从小到大的排序,排序后,越靠前的股票代表目前该股票的股价跌得越多涨得越少。该综合排序位值可以作为选股的一种参考。
四、基于综合排序位进行股票异动跟踪。
异动跟踪分为两种:单只股票的异动跟踪和多只股票的异动跟踪。
4.1 单只股票的异动跟踪。记录一段时间里所有股票每日的综合排序位值,并计算每日综合排序位值的变动情况。变动情况定义为新综合排序位值减旧综合排序位值。对变动值从大到小排序后,前面几个即为股票上涨的异动,而后面几个则为股票下跌的异动。
4.2 多只股票的异动跟踪。指定的这些多只股票可能是在同一个板块,或具有相同的主题。对这些跟踪股票每日记录综合排序位值,并求和作为当日的最终排序值。当每日最终排序值具有显著变化时,则表明这些股票存在异动情况。
综上所述,本发明公开了一种基于涨跌幅排序的股票异动跟踪方法。方法通过计算每只股票的综合排序位来实现对股票的异动跟踪。方法可对所有的股票进行全景监控,为用户的买卖股票时间点提供决策支持。
本发明方法同样可应用于证券类具有时间序列特征的数据,如基金、期货等。因此,尽管为说明目的公开了本发明的具体实施例和附图,其目的在于帮助理解本发明的内容并据以实施,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是不可能的。因此,本发明不应局限于最佳实施例和附图所公开的内容。当前公开的实施例在所有方面应被理解为说明性的而非对其请求保护的范围的限制。
Claims (5)
1.一种基于涨跌幅排序的股票异动跟踪方法,其特征在于所述方法包括如下步骤:
(1)对股票池中的每只股票进行数据预处理;
(2)计算每只股票当前交易日相对高点的跌幅和相对低点的涨幅;
(3)对所有股票的高点跌幅和低点涨幅分别进行排序,并计算综合排序位;
(4)基于综合排序位对股票进行异动跟踪。
2.根据权利要求1所述的一种基于涨跌幅排序的股票异动跟踪方法,其特征在于,在预处理阶段,为了避免因除权除息等因素造成股价不连续的影响,以及重点分析股票走势的最近期大波浪,方法截取某个时间点以来的涨跌幅数据并以该时间点为基准,转换成每日的基础收盘价数据。
3.根据权利要求1所述的一种基于涨跌幅排序的股票异动跟踪方法,其特征在于,综合排序位的计算综合考虑了当前基准收盘价相对高点的跌幅和相对低点的涨幅,以更好体现股票当前的状态特征。
4.根据权利要求1所述的一种基于涨跌幅排序的股票异动跟踪方法,其特征在于,对股票异动的跟踪区分单只股票和多只股票,跟踪过程是通过对变动值进行大小排序后,区分获得了上涨的异动和下跌的异动。
5.根据权利要求3所述的综合排序位的计算过程,其特征在于,为了使相对高点跌幅的排序位和相对低点涨幅的排序位能够进行综合,相对高点的跌幅排序方法是按其绝对值从大到小进行排序;而相对低点的涨幅排序方法是直接按从小到大进行排序的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610999978.2A CN106504092A (zh) | 2016-11-14 | 2016-11-14 | 一种基于涨跌幅排序的股票异动跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610999978.2A CN106504092A (zh) | 2016-11-14 | 2016-11-14 | 一种基于涨跌幅排序的股票异动跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106504092A true CN106504092A (zh) | 2017-03-15 |
Family
ID=58324352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610999978.2A Pending CN106504092A (zh) | 2016-11-14 | 2016-11-14 | 一种基于涨跌幅排序的股票异动跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106504092A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179077A (zh) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN112667699A (zh) * | 2019-10-15 | 2021-04-16 | 深圳海知科技有限公司 | 基于个体、群体、总体多层次的智能证券比较方法和系统 |
-
2016
- 2016-11-14 CN CN201610999978.2A patent/CN106504092A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667699A (zh) * | 2019-10-15 | 2021-04-16 | 深圳海知科技有限公司 | 基于个体、群体、总体多层次的智能证券比较方法和系统 |
CN111179077A (zh) * | 2019-12-19 | 2020-05-19 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
CN111179077B (zh) * | 2019-12-19 | 2023-09-12 | 成都数联铭品科技有限公司 | 股票异常交易的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Application of eXtreme gradient boosting trees in the construction of credit risk assessment models for financial institutions | |
Muller et al. | A hybrid adaptive large neighborhood search heuristic for lot-sizing with setup times | |
Salehi | A hybrid fuzzy MCDM approach for project selection problem | |
Zoroja et al. | Impact of information and communication technology to the competitiveness of European countries-cluster analysis approach | |
CN107833137A (zh) | 基于多目标优化的量化交易策略生成方法及装置、设备和存储介质 | |
CN103942375A (zh) | 基于区间的高速压力机滑块尺寸稳健设计方法 | |
Ştefan | A comparison of data classification methods | |
Solimanpur et al. | Optimum portfolio selection using a hybrid genetic algorithm and analytic hierarchy process | |
Long et al. | Clustering stock data for multi-objective portfolio optimization | |
CN106504092A (zh) | 一种基于涨跌幅排序的股票异动跟踪方法 | |
Koenig et al. | Value-at-risk optimal policies for revenue management problems | |
CN106447135A (zh) | 一种基于最相似走势的股票短期预测方法 | |
Hargreaves et al. | Does the use of technical & fundamental analysis improve stock choice?: A data mining approach applied to the Australian stock market | |
Atanassova et al. | Sum-and average-based approach to criteria shortlisting in the InterCriteria Analysis | |
Kokoç et al. | Comparison of AHP-TOPSIS and AHP-VIKOR Methods in Product Selection in terms of Inventory Management | |
CN106408417A (zh) | 一种基于近期预测涨跌幅及其一致性统计的股票推荐方法 | |
Yang et al. | Applying EMD-based neural network to forecast NTD/USD exchange rate | |
Berisha et al. | Time-varying predictability of financial stress on inequality in United Kingdom | |
CN110245823A (zh) | 基于逾期天数的门店分配方法及系统 | |
CN104572900A (zh) | 一种作物育种评价的性状特征选择方法 | |
Zhu et al. | Surface quality prediction and quantitative evaluation of process parameter effects for 3D printing with transfer learning-enhanced gradient-boosting decision trees | |
Yu et al. | Multi-attribute portfolio selection with genetic optimization algorithms | |
Huang et al. | A genetic-search model for first-day returns using IPO fundamentals | |
Yadav et al. | Prioritising of banking firms in India using entropy-TOPSIS method | |
Ghodrati et al. | A Monte Carlo simulation technique to determine the optimal portfolio |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |