CN106651578A - 一种股价走势预测方法和系统 - Google Patents

Abstract

本发明属于计算机应用技术领域，尤其涉及一种股价走势预测方法和系统。所述方法包括如下步骤：S1，获取股票历史信息；S2，对股票历史信息进行查询调用，选取多个候选因子；S3，通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；S4，根据有效因子和股票历史信息构建多因子模型；S5，根据多因子模型对股票进行筛选，选取优质股票。本发明实现了简单容易地选股操作和在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好。

Description

一种股价走势预测方法和系统

技术领域

本发明属于计算机应用技术领域，尤其涉及一种股价走势预测方法和系统。

背景技术

根据历史股票对未来股价发展方向以及涨跌程度的预测称为股价走势预测，目前有一些关于股价预测的分析方法，但是会引入较多算法，十分复杂且不容易理解，使得非经济领域的人员很难对股票进行选股操作和在合适的时间进行买卖交易，从而获取收益，且在一定程度上耗时长，不实用，预测稳定性差。

发明内容

本发明所要解决的技术问题是现有技术中股价走势预测对于非经济领域的人员来说很难对股票进行选股操作和在合适的时间进行买卖交易，从而获取收益，且在一定程度上耗时长，不实用，预测稳定性差。

本发明解决上述技术问题的技术方案如下：一种股价走势预测方法，所述方法包括如下步骤：

S1，获取股票历史信息；

S2，对股票历史信息进行查询调用，选取多个候选因子；

S3，通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

S4，根据有效因子和股票历史信息构建多因子模型；

S5，根据多因子模型对股票进行筛选，选取优质股票。

本发明的有益效果是：通过获取股票历史信息确定要预测的股票数据，选取候选因子，通过股票历史信息根据皮尔逊系数对选取的候选因子进行有效性检验，检验出有效因子，为构建选股用的多因子模型做准备，根据有效因子和股票历史信息构建多因子模型，根据多因子模型对股票进行筛选，选取优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后构建的多因子模型预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步，所述S3包括如下步骤：

S31，通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度；

S32，根据相关度从候选因子中检验出有效因子，剔除有效但冗余的候选因子。

采用上述进一步方案的有益效果是：通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度，为检验出有效因子做准备，根据相关度检验出有效因子，剔除有效但冗余的候选因子，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

进一步，所述S31包括通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度AR_i,j，其计算公式为：

其中，R_i表示为每支股票的收益，N表示股票历史信息中所有股票的数量，表示收益均值，f_j表示第j个候选因子的分数，表示候选因子均值，σ_R表示收益标准差，σ_f表示候选因子标准差，i为N支股票中的一支股票，j为所有候选因子中的一个候选因子，所述R_i、f_j、σ_R和σ_f是通过股票历史信息得出。

采用上述进一步方案的有益效果是：通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度，为检验出有效因子做准备，实现候选因子的有效性检验，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

进一步，所述S32根据相关度从候选因子中检验出有效因子包括：根据所述相关度确定阈值范围，相关度在阈值范围外对应的候选因子检验为有效因子，相关度在阈值范围内对应的候选因子检验为非有效因子。

采用上述进一步方案的有益效果是：根据相关度和阈值范围检验出有效因子，有效因子与收益的相关性强，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

进一步，所述阈值范围内是-0.5至0.5，所述阈值范围外是-0.5至-1或0.5至1。

采用上述进一步方案的有益效果是：根据相关度和阈值范围检验出有效因子，有效因子与收益的相关性强，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

进一步，所述S5根据多因子模型对股票进行筛选，选取股票收益大于基准收益的股票作为候选优质股票。

进一步，在所述候选优质股票中选取总分排名靠前的预设数量的股票作为优质股票。

采用上述进一步方案的有益效果是：根据多因子模型对股票进行筛选，选取候选优质股票，对股票进行初步筛选，再从所述候选优质股票中选取总分排名靠前的预设数量的股票作为优质股票，对股票进行综合筛选，选取出优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好。

进一步，所述S2包括：对股票历史信息进行查询调用，分别从估值、成长性和资本构成三个方面选取多个候选因子。

采用上述进一步方案的有益效果是：通过对股票历史信息进行查询调用，分别从估值、成长性和资本构成三个方面选取候选因子，为选取优质股票和保证预测稳定性做准备，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好。

进一步，所述多个候选因子包括账面市值比、流通市值、盈利收益率、固定资产比例、主营毛利率、资产负债、净利率、动态市盈、总资产报酬率和净资产收益率的至少一个。

采用上述进一步方案的有益效果是：通过选取所述多个候选因子，为选取优质股票和保证预测稳定性做准备，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

进一步，所述S1包括从量化交易平台上获取股票历史信息。

采用上述进一步方案的有益效果是：通过获取股票历史信息实现要预测的股票数据。

进一步，还包括：

S6，根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。

采用上述进一步方案的有益效果是：通过根据选取的优质股票及对应股票历史信息构建支持向量机，为确定买入时间点或卖出时间点做准备，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别的方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好。

进一步，所述S6包括如下步骤：

S61，根据选取的优质股票及对应股票历史信息构建时间和蜡烛图形态的矩阵，矩阵的行代表日期，列代表涨跌的蜡烛图形态；

S62，所述蜡烛图形态是看涨形态则赋值为1，蜡烛图形态是看跌形态则赋值为-1，其他情况则赋值为0，赋值后的矩阵作为支持向量机的输入向量；

S63，若当天的收盘价大于前一天的收盘价，则定义股票上涨，把代表当天的矩阵值设为1，若当天的收盘价小于前一天的收盘价，则定义股票下跌，把代表当天的矩阵值设为-1，设值后的矩阵作为支持向量机的输出向量；

S64，根据所述输入向量和所述输出向量构建所述支持向量机，通过支持向量对所述优质股票进行识别，有看涨信号出现为买入时间点，有看跌信号出现为卖出时间点。

采用上述进一步方案的有益效果是：通过根据选取的优质股票及对应股票历史信息构建时间和蜡烛图形态的矩阵，蜡烛图形态易于观察，赋值后的矩阵为输入向量，设值后的矩阵为输出向量，根据输入向量和输出向量构建支持向量机，通过支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好，蜡烛图形态与多因子模型结合，对股价走势预测准确性更高。

本发明解决上述技术问题的另一技术方案如下：一种股价走势预测系统，包括：

获取模块，用于获取股票历史信息；

候选因子选取模块，用于对股票历史信息进行查询调用，选取多个候选因子；

检验模块，用于通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

模型建立模块，用于根据有效因子和股票历史信息构建多因子模型；

选股模块，用于根据多因子模型对股票进行筛选，选取优质股票。

本发明的有益效果是：通过获取模块获取股票历史信息，确定要预测的股票数据，候选因子选取模块选取候选因子，检验模块检验出有效因子，为构建选股用的多因子模型做准备，模型建立模块根据有效因子和股票历史信息构建多因子模型，选股模块根据多因子模型进行筛选，即可选取优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后构建的多因子模型预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步，还包括：

识别模块，用于根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。

采用上述进一步方案的有益效果是：通过识别模块根据选取的优质股票及对应股票历史信息构建支持向量机，为确定买入时间点或卖出时间点做准备，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别的方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好，蜡烛图形态与多因子模型结合，对股价走势预测准确性更高。

附图说明

图1为本发明一实施例提供的一种股价走势预测方法流程示意图；

图2为本发明另一实施例提供的一种股价走势预测方法流程示意图；

图3为本发明另一实施例所述的蜡烛图形态示意图；

图4为本发明一实施例提供的一种股价走势预测系统结构示意框图；

图5为本发明另一实施例提供的一种股价走势预测系统结构示意框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本发明一实施例提供的一种股价走势预测方法，所述方法包括如下步骤：

S1，获取股票历史信息；

S2，对股票历史信息进行查询调用，选取多个候选因子；

具体地，对股票历史信息中的财务数据进行查询调用，选取多个候选因子。

S3，通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

S4，根据有效因子和股票历史信息构建多因子模型；

S5，根据多因子模型对股票进行筛选，选取优质股票。

上述实施例提供的股价走势预测方法，通过获取股票历史信息确定要预测的股票数据，选取候选因子，通过股票历史信息根据皮尔逊系数对选取的候选因子进行有效性检验，检验出有效因子，为构建选股用的多因子模型做准备，根据有效因子和股票历史信息构建多因子模型，根据多因子模型对股票进行筛选，选取优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后构建的多因子模型预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

可选地，作为本发明一个实施例，所述S3包括如下步骤：

S31，通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度；

S32，根据相关度从候选因子中检验出有效因子，剔除有效但冗余的候选因子。

上述实施例中，通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度，为检验出有效因子做准备，根据相关度检验出有效因子，剔除有效但冗余的候选因子，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

可选地，作为本发明一个实施例，所述S31包括通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度AR_i,j，其计算公式为：

其中，R_i表示为每支股票的收益，N表示股票历史信息中所有股票的数量，表示收益均值，f_j表示第j个候选因子的分数，表示候选因子均值，σ_R表示收益标准差，σ_f表示候选因子标准差，i为N支股票中的一支股票，j为所有候选因子中的一个候选因子，所述R_i、f_j、σ_R和σ_f是通过股票历史信息得出。

该实施例中，候选因子的分数通过打分法计算得出，根据各个因子的大小对股票进行打分，按照一定的权重配比进行加权得到总分数，即候选因子的分数，候选因子均值是对所有候选因子的得分求和后再除以候选因子的数量得到。

该实施例中，相关度是正数时，候选因子与收益的关系是正相关，即收益会随着候选因子的增大而增大，相关度是负数时，候选因子与收益的关系是负相关，即收益会随着候选因子的增大而减小，相关度是0时，候选因子与收益不相关。相关度的范围在-1至1之间，越趋近于0候选因子与收益的相关度越低，越趋近于1或-1候选因子与收益的相关度越高。

上述实施例中，通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度，为检验出有效因子做准备，实现候选因子的有效性检验，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

可选地，作为本发明一个实施例，所述S32根据相关度从候选因子中检验出有效因子包括根据所述相关度确定阈值范围，相关度在阈值范围外对应的候选因子检验为有效因子，相关度在阈值范围内对应的候选因子检验为非有效因子。

该实施例中，相关度在阈值范围外，候选因子与收益的相关性强，检验相关性强的候选因子为有效因子构建的多因子模型判定股票的优劣的稳定性强，相关度在阈值范围内，候选因子与收益的相关性弱，若检验相关性弱的候选因子为有效因子构建的多因子模型判定股票的优劣的稳定性差，故相关度在阈值范围内对应的候选因子检验为非有效因子。

上述实施例中，根据相关度和阈值范围检验出有效因子，有效因子与收益的相关性强，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

具体地，该实施例中，所述阈值范围内是-0.5至0.5，所述阈值范围外是-0.5至-1或0.5至1。

上述实施例中，根据相关度和阈值范围检验出有效因子，有效因子与收益的相关性强，实现候选因子的有效性检验，检验出与收益相关度高的有效因子，检验过程简单易操作，使得一定程度上减少耗时，且预测稳定性好，进而获取收益。

可选地，作为本发明一个实施例，所述S5根据多因子模型对股票进行筛选，选取股票收益大于基准收益的股票作为候选优质股票，在所述候选优质股票中选取总分排名靠前的预设数量的股票作为优质股票。

该实施例中，通过多因子模型中有效因子的影响作用，对于有效因子对收益影响从小到大进行升序的顺序排列，对应样本月份收益呈现一定相关性，部分股票的收益明显高于基准收益，所述部分股票作为候选优质股票被选取，所述S5采用打分法根据多因子模型对股票进行筛选，在所述候选优质股票中选取总分排名前5支股票作为优质股票，总分排名靠前的股票可能在未来一段时间发展态势良好。。

可选地，作为本发明一个实施例，所述S5根据多因子模型对股票进行筛选，选取股票收益大于基准收益的股票作为候选优质股票，在所述候选优质股票中选取总分排名靠前的预设数量的股票作为优质股票，并保存。

该实施例中，优质股票保存到股票池中，保存优质股票历史信息留作在合适的时间进行买卖交易。

上述实施例中，根据多因子模型对股票进行筛选，选取候选优质股票，对股票进行初步筛选，再从所述候选优质股票中选取总分排名靠前的预设数量的股票作为优质股票，对股票进行综合筛选，选取出优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好。

可选地，作为本发明一个实施例，所述S2包括：对股票历史信息进行查询调用，分别从估值、成长性和资本构成三个方面选取多个候选因子。

上述实施例中，通过对股票历史信息进行查询调用，分别从估值、成长性和资本构成三个方面选取候选因子，为选取优质股票和保证预测稳定性做准备，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好。

具体地，该实施例中，所述多个候选因子包括账面市值比、流通市值、盈利收益率、固定资产比例、主营毛利率、资产负债、净利率、动态市盈、总资产报酬率和净资产收益率的至少一个。

该实施例中，估值方面的候选因子是：账面市值比、盈利收益率和动态市盈；

成长性方面的候选因子是：净资产收益率、总资产报酬率、主营毛利率和净利率；

资本方面的候选因子是：资产负债、固定资产比例和流通市值。

该实施例中，通过本发明实施例所述的方法对上述10个候选因子进行有效性检验，检验出有效因子可以是：账面市值比、净利率、流通市值、固定资产比例和动态市盈。根据有效因子和采用的股票历史信息构建多因子模型，对某个股票计算有效因子得分，按一定权重求得所有有效因子的平均分，如遇有效因子在设定时间内没有取值时，按照剩余的有效因子求值求加权平均，通过对某个股票的加权平均得分进行排序，选取排名靠前的股票为优质股票。

具体地，该实施例中，所述多个候选因子包括账面市值比、流通市值、盈利收益率、固定资产比例、主营毛利率、资产负债、净利率、动态市盈、总资产报酬率、净资产收益率、收益增长率、市盈率、股息率、现金收益率和有赢收益率中的至少一个。

上述实施例中，通过选取所述多个候选因子，为选取优质股票和保证预测稳定性做准备，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

可选地，作为本发明一个实施例，所述S1包括从量化交易平台上获取股票历史信息。通过获取股票历史信息实现要预测的股票数据。

如图2所示，本发明另一实施例提供的一种股价走势预测方法，所述方法包括：

S1，获取股票历史信息；

S2，对股票历史信息进行查询调用，选取多个候选因子；

S3，通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

S4，根据有效因子和股票历史信息构建多因子模型；

S5，根据多因子模型对股票进行筛选，选取优质股票；

S6，根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。

上述实施例提供的股价走势预测方法，首先选取出优质股票，通过根据选取的优质股票及对应股票历史信息构建支持向量机，为确定买入时间点或卖出时间点做准备，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别的方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好。

可选地，作为本发明一个实施例，所述S6包括如下步骤：

S61，根据选取的优质股票及对应股票历史信息构建时间和蜡烛图形态的矩阵，矩阵的行是代表日期，列代表涨跌的蜡烛图形态；

该实施例中，如图3所示，通过对优质股票及对应股票历史信息制作得到蜡烛图，采用模式识别的方法识别蜡烛图的形态，股票历史信息包括开盘价、收盘价、最高价和最低价等信息。

S62，所述蜡烛图形态是看涨形态则赋值为1，蜡烛图形态是看跌形态则赋值为-1，其他情况则赋值为0，赋值后的矩阵作为支持向量机的输入向量；

该实施例中，采用模式识别的方法识别所述矩阵的蜡烛图形态，蜡烛图形态是看涨形态则将此蜡烛图形态赋值为1，蜡烛图形态是看跌形态则将此蜡烛图形态赋值为-1，其他情况则赋值为0，赋值后的矩阵作为支持向量机的输入向量。

S63，若当天的收盘价大于前一天的收盘价，则定义股票上涨，把代表当天的矩阵值设为1，若当天的收盘价小于前一天的收盘价，则定义股票下跌，把代表当天的矩阵值设为-1，设值后的矩阵作为支持向量机的输出向量；

S64，根据所述输入向量和所述输出向量构建所述支持向量机，通过支持向量对所述优质股票进行识别，有看涨信号出现为买入时间点，有看跌信号出现为卖出时间点。

该实施例中，使用者根据买入时间点进行买入股票操作，卖出时间点进行卖出股票操作。

上述实施例中，通过根据选取的优质股票及对应股票历史信息构建时间和蜡烛图形态的矩阵，蜡烛图形态易于观察，赋值后的矩阵为输入向量，设值后的矩阵为输出向量，根据输入向量和输出向量构建支持向量机，通过支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好，蜡烛图形态与多因子模型结合，对股价走势预测准确性更高。

如图4所示，本发明一实施例提供的一种股价走势预测系统，包括：获取模块，用于获取股票历史信息；候选因子选取模块，用于对股票历史信息进行查询调用，选取多个候选因子；检验模块，用于通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；模型建立模块，用于根据有效因子和股票历史信息构建多因子模型；选股模块，用于根据多因子模型对股票进行筛选，选取优质股票。

上述实施例提供的股价走势预测系统，通过获取模块获取股票历史信息，确定要预测的股票数据，候选因子选取模块选取候选因子，检验模块检验出有效因子，为构建选股用的多因子模型做准备，模型建立模块根据有效因子和股票历史信息构建多因子模型，选股模块根据多因子模型进行筛选，即可选取优质股票，实现选股操作简单容易，能够获取收益，程序简单使得一定程度上减少耗时，实用性强，候选因子经过检验后构建的多因子模型预测稳定性好，市场的变化过程中总有一部分有效因子在发挥作用。

如图5所示，本发明另一实施例提供的一种股价走势预测系统，所述系统包括：获取模块，用于获取股票历史信息；候选因子选取模块，用于对股票历史信息进行查询调用，选取多个候选因子；检验模块，用于通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；模型建立模块，用于根据有效因子和股票历史信息构建多因子模型；选股模块，用于根据多因子模型对股票进行筛选，选取优质股票；识别模块，用于根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。

上述实施例提供的股价走势预测系统，首先选取出优质股票，通过识别模块根据选取的优质股票及对应股票历史信息构建支持向量机，为确定买入时间点或卖出时间点做准备，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点，根据支持向量机识别的方式简单容易，实现简单容易地在合适的时间进行买卖交易，从而获取收益，且在一定程度上减少耗时，实用性强，预测稳定性好，蜡烛图形态与多因子模型结合，对股价走势预测准确性更高。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (10)

1.一种股价走势预测方法，其特征在于，所述方法包括如下步骤：

S1，获取股票历史信息；

S2，对股票历史信息进行查询调用，选取多个候选因子；

S3，通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

S4，根据有效因子和股票历史信息构建多因子模型；

S5，根据多因子模型对股票进行筛选，选取优质股票。

2.根据权利要求1所述的一种股价走势预测方法，其特征在于，所述S3包括如下步骤：

S31，通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度；

S32，根据相关度从候选因子中检验出有效因子，剔除有效但冗余的候选因子。

3.根据权利要求2所述的一种股价走势预测方法，其特征在于，所述S31包括通过股票历史信息根据皮尔逊系数计算每个候选因子与收益的相关度AR_i,j，其计算公式为:

${\mathrm{AR}}_{i,j}=\frac{1}{N-1}\underset{i=1,j=1}{\overset{N}{\Σ}}\left(\frac{R_i-\stackrel{\‾}{R}}{{\mathrm{\σ}}_R}\right)\left(\frac{f_j-\stackrel{\‾}{f}}{{\mathrm{\σ}}_f}\right)$

其中，R_i表示为每支股票的收益，N表示股票历史信息中所有股票的数量，表示收益均值，f_j表示第j个候选因子的分数，表示候选因子均值，σ_R表示收益标准差，σ_f表示候选因子标准差，i为N支股票中的一支股票，j为所有候选因子中的一个候选因子，所述R_i、f_j、σ_R和σ_f是通过股票历史信息得出。

4.根据权利要求2所述的一种股价走势预测方法，其特征在于，所述S32根据相关度从候选因子中检验出有效因子包括：根据所述相关度确定阈值范围，相关度在阈值范围外对应的候选因子检验为有效因子，相关度在阈值范围内对应的候选因子检验为非有效因子。

5.根据权利要求4所述的一种股价走势预测方法，其特征在于，所述阈值范围内是-0.5至0.5，所述阈值范围外是-0.5至-1或0.5至1。

6.根据权利要求1所述的一种股价走势预测方法，其特征在于，所述S2包括：对股票历史信息进行查询调用，分别从估值、成长性和资本构成三个方面选取多个候选因子；所述多个候选因子包括帐面市值比、流通市值、盈利收益率、固定资产比例、主营毛利率、资产负债、净利率、动态市盈、总资产报酬率和净资产收益率的至少一个。

7.根据权利要求1-6任意一项所述的一种股价走势预测方法，其特征在于，还包括：

S6，根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。

8.根据权利要求7所述的一种股价走势预测方法，其特征在于，所述S6包括如下步骤：

S61，根据选取的优质股票及对应股票历史信息构建时间和蜡烛图形态的矩阵，矩阵的行代表日期，列代表涨跌的蜡烛图形态；

S62，所述蜡烛图形态是看涨形态则赋值为1，蜡烛图形态是看跌形态则赋值为-1，其他情况则赋值为0，赋值后的矩阵作为支持向量机的输入向量；

S63，若当天的收盘价大于前一天的收盘价，则定义股票上涨，把代表当天的矩阵值设为1，若当天的收盘价小于前一天的收盘价，则定义股票下跌，把代表当天的矩阵值设为-1，设值后的矩阵作为支持向量机的输出向量；

S64，根据所述输入向量和所述输出向量构建所述支持向量机，通过支持向量对所述优质股票进行识别，有看涨信号出现为买入时间点，有看跌信号出现为卖出时间点。

9.一种股价走势预测系统，其特征在于，包括：

获取模块，用于获取股票历史信息；

候选因子选取模块，用于对股票历史信息进行查询调用，选取多个候选因子；

检验模块，用于通过股票历史信息根据皮尔逊系数对选取的多个候选因子进行有效性检验，检验出有效因子；

模型建立模块，用于根据有效因子和股票历史信息构建多因子模型；

选股模块，用于根据多因子模型对股票进行筛选，选取优质股票。

10.根据权利要求9所述的一种股价走势预测系统，其特征在于，还包括：

识别模块，用于根据选取的优质股票及对应股票历史信息构建支持向量机，根据支持向量机识别所述优质股票的买入时间点或是卖出时间点。