CN107437227A - 股票投资分析装置与方法 - Google Patents

Abstract

本发明提供了一种股票投资分析装置与方法，涉及金融投资领域。该股票投资分析装置与方法首先通过采集多个目标股票的多种股票评估参数；再依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；然后判断每个目标股票的预期收益率的所属分档区间；最后依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。通过上述的方式获得股票投资的参考价值高，可靠性高，对目标股票的收益的预估非常精确。

Description

股票投资分析装置与方法

技术领域

本发明涉及金融投资领域，具体而言，涉及一种股票投资分析装置与方法。

背景技术

股票(stock)是股份公司发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。每股股票都代表股东对企业拥有一个基本单位的所有权。每支股票的背后都会有一家上市公司。同时，每家上市公司都会发行股票。股票是股份公司资本的构成部分，可以转让、买卖，是资本市场的主要长期信用工具，但不能要求公司返还其出资。由于股票可以转让，买卖，因此有许多企业和个人通过炒股获取收益。股价的涨跌根据市场行情的波动而变化，之所以股价的波动经常出现差异化特征，源于资金的关注情况，他们之间的关系，好比水与船的关系。水溢满则船高，(资金大量涌入则股价涨)，水枯竭而船浅(资金大量流出则股价跌)，因此企业或个人在购买股票前需要对股票进行分析，以尽量规避风险。

现有技术中，对股票行情的分析仅仅局限于利用线性的方式分析股票的基本面与交易面的数据，从而获得股票投资策略，然而通过上述的方式获得的股票策略的参考价值低，可靠性差，对目标股票的收益的预估不够精确。

发明内容

有鉴于此，本发明实施例的目的在于提供一种股票投资分析装置与方法，以改善上述问题。

第一方面，本发明实施例一种股票投资分析装置，所述股票投资分析装置包括：

信息采集单元，用于采集多个目标股票的多种股票评估参数；

预期收益率计算单元，用于依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；

判断单元，用于判断每个目标股票的预期收益率的所属分档区间；

投资策略生成单元，用于依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

第二方面，本发明实施例还提供了一种股票投资分析方法，所述股票投资分析方法包括：

采集多个目标股票的多种股票评估参数；

依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；

判断每个目标股票的预期收益率的所属分档区间；

依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

与现有技术相比，本发明提供的股票投资分析装置与方法，首先通过采集多个目标股票的多种股票评估参数；再依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；然后判断每个目标股票的预期收益率的所属分档区间；最后依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。通过上述的方式获得股票投资的参考价值高，可靠性高，对目标股票的收益的预估非常精确。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的服务器的结构框图；

图2为本发明实施例提供的股票投资分析装置的功能单元框图；

图3为本发明实施例提供的股票投资分析装置的流程图。

图标：100-服务器；200-股票投资分析装置；101-存储器；102-存储控制器；103-处理器；104-外设接口；201-信息采集单元；202-预期收益率计算单元；203-判断单元；204-投资策略生成单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明较佳实施例所提供的股票投资分析装置与方法可应用于服务器。图1示出了本发明实施例中的服务器100的结构框图。如图1所示，服务器100包括股票投资分析装置200、存储器101、存储控制器102，一个或多个(图中仅示出一个)处理器103、外设接口104等。这些组件通过一条或多条通讯总线/信号线相互通讯。所述股票投资分析装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述服务器100的操作系统(operating system，OS)中的软件功能模块。

存储器101可用于存储软件程序以及模块，如本发明实施例中的图片处理装置及方法所对应的程序指令/模块，处理器103通过运行存储在存储器101内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的股票投资分析方法。

存储器101可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器103以及其他可能的组件对存储器101的访问可在存储控制器102的控制下进行。

外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104、处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

可以理解，图1所示的结构仅为示意，服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参阅图2，本发明实施例提供了一种股票投资分析装置200，应用于服务器100。股票投资分析装置200包括信息采集单元201、预期收益率计算单元202、判断单元203、投资策略生成单元204。

信息采集单元201用于采集多个目标股票的多种股票评估参数。

本实施例中，多种股票评估参数包括与每个目标股票关联的企业财务数据、企业交易数据、企业定增细则数据、企业高管相关数据、企业财务审计意见、企业违规相关数据、与每个目标股票关联的券商研报信息、历史涨跌数据、企业产品在电商平台的销售数据、产品与企业舆情、产品与企业搜索指数。

其中，企业财务数据包括资产负债表、损益表、现金流量表或财务状况变动表、附表以及附注，在很大程度上反映了企业财务数据运行情况；企业交易数据是指股票投资者之间按照市场价格对该企业已发行上市的股票所进行的买卖的交易数据；企业定增细则为该企业向符合条件的少数特定投资者非公开发行股份的行为关联的数据；企业高管相关数据为该企业的高管的离职情况、异动情况以及职称情况等等；企业财务审计意见是指审计人员对该企业的财务报表是否已按照适用的会计准则编制，以及财务报表是否在所有重大方面的公允，反映了该企业的财务状况、经营成果和现金流量发表意见；企业违规相关数据是指该企业在运营的过程中被工商局或别的政府部门被处罚过的违规历史记录；与每个目标股票关联的券商研报信息是指是指证券公司的研究人员对该企业的证券及相关产品的价值，或者影响其市场价格的因素进行分析，所作出的研究报告；产品与企业舆情是指社会公众关于该企业中各种现象、问题所表达的信念、态度、意见和情绪等等表现的总和。产品与企业搜索指数指的是社会公众在互联网上对该产品与企业搜索的次数，客观上反正该企业与产品的热度。

需要说明的是上述的多种股票评估参数可以通过互联网爬虫采集或通过WIND等数据提供商获取。通过上述的多做股票评估参数作为评估因子，参考范围广，因此最终获得的投资策略也更具备可靠性、参数价值以及精确度高。

预期收益率计算单元202用于依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率。

本实施例中，所述非线性收益率计算模型为预先利用每个目标股票的多种历史股票评估参数以及历史收益率训练后的决策树算法模型或神经网络算法模型或支持向量机算法模型。

其中，决策树算法模型为决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树构造可以分两步进行，第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。神经网络算法模型具有自适应与自组织能力，利用给定的样本标准进行分类或模仿，在依据训练样本进行学习或训练过程中改变突触权重值，以适应周围环境的要求。支持向量机算法模型是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析，给定一组训练样本，每个标记为属于两类，一个SVM训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。

判断单元203用于判断每个目标股票的预期收益率的所属分档区间。

其中，分档区间为用户根据实际情况预先定义的，本实施例中，依据股票的实际风险判定情况所取的分档区间为大于等于10％、处于-10％～10％的之间、小于等于-10％三个区间。当然地，分档区间不仅仅可以为上述的3个区间，还可以为4个区间、5个区间以及6个区间等等，在此不做限制，具体可以根据实际情况预先定义，分档区间所取的值也可以根据用户的实际需求预先定义。

投资策略生成单元204用于依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

具体地，投资策略生成单元204用于若其中一个目标股票的预期收益率大于等于10％时，生成建议选择该目标股票投资的投资策略，若其中一个目标股票的预期收益率处于-10％～10％的之间时，生成谨慎投资该目标股票的投资策略，若其中一个目标股票的预期收益率小于等于-10％时，生成不建议投资该目标股票的投资策略。

请参阅图3，本发明实施例还提供了一种股票投资分析方法，需要说明的是，本实施例所提供的股票投资分析方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述股票投资分析方法包括：

步骤S301：采集多个目标股票的多种股票评估参数。

可以理解地，步骤S301可以通过信息采集单元201执行。

其中，所述多种股票评估参数包括与每个目标股票关联的企业财务数据和/或企业交易数据和/或企业定增细则数据和/或企业高管相关数据和/或企业财务审计意见和/或企业违规相关数据和/或与每个目标股票关联的券商研报信息和/或历史涨跌数据和/或企业产品在电商平台的销售数据和/或产品与企业舆情和/或产品与企业搜索指数。

步骤S302：依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率。

可以理解地，步骤S302可以通过预期收益率计算单元202执行。

其中，所述非线性收益率计算模型为预先利用每个目标股票的多种历史股票评估参数以及历史收益率训练后的决策树算法模型或神经网络算法模型或支持向量机算法模型。

步骤S303：判断每个目标股票的预期收益率的所属分档区间。

可以理解地，步骤S303可以通过判断单元203执行。

步骤S304：依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

可以理解地，步骤S304可以通过投资策略生成单元204执行。

具体地，步骤S304可以包括若其中一个目标股票的预期收益率大于等于10％时，生成建议选择该目标股票投资的投资策略，若其中一个目标股票的预期收益率处于-10％～10％的之间时，生成谨慎投资该目标股票的投资策略，若其中一个目标股票的预期收益率小于等于-10％时，生成不建议投资该目标股票的投资策略。

综上所述，本发明提供的股票投资分析装置与方法，首先通过采集多个目标股票的多种股票评估参数；再依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；然后判断每个目标股票的预期收益率的所属分档区间；最后依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。通过上述的方式获得股票投资的参考价值高、可靠性高，对目标股票的收益的预估非常精确。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种股票投资分析装置，其特征在于，所述股票投资分析装置包括：

信息采集单元，用于采集多个目标股票的多种股票评估参数；

预期收益率计算单元，用于依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；

判断单元，用于判断每个目标股票的预期收益率的所属分档区间；

投资策略生成单元，用于依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

2.根据权利要求1所述的股票投资分析装置，其特征在于，所述多种股票评估参数包括与每个目标股票关联的企业财务数据和/或企业交易数据和/或企业定增细则数据和/或企业高管相关数据和/或企业财务审计意见和/或企业违规相关数据。

3.根据权利要求2所述的股票投资分析装置，其特征在于，所述多种股票评估参数还包括与每个目标股票关联的券商研报信息和/或历史涨跌数据和/或企业产品在电商平台的销售数据和/或产品与企业舆情和/或产品与企业搜索指数。

4.根据权利要求1所述的股票投资分析装置，其特征在于，所述投资策略生成单元用于若其中一个目标股票的预期收益率大于等于10％时，生成建议选择该目标股票投资的投资策略，若其中一个目标股票的预期收益率处于-10％～10％的之间时，生成谨慎投资该目标股票的投资策略，若其中一个目标股票的预期收益率小于等于-10％时，生成不建议投资该目标股票的投资策略。

5.根据权利要求1所述的股票投资分析装置，其特征在于，所述非线性收益率计算模型为预先利用每个目标股票的多种历史股票评估参数以及历史收益率训练后的决策树算法模型或神经网络算法模型或支持向量机算法模型。

6.一种股票投资分析方法，其特征在于，所述股票投资分析方法包括：

采集多个目标股票的多种股票评估参数；

依据采集到的多种股票评估参数、预先训练的非线性收益率计算模型、预存储的每个目标股票关联的多种股票评估参数训练样本以及每个目标股票的历史收益率生成每个目标股票的预期收益率；

判断每个目标股票的预期收益率的所属分档区间；

依据每个目标股票的预期收益率的所属分档区间生成股票投资策略。

7.根据权利要求6所述的股票投资分析方法，其特征在于，所述多种股票评估参数包括与每个目标股票关联的企业财务数据和/或企业交易数据和/或企业定增细则数据和/或企业高管相关数据和/或企业财务审计意见和/或企业违规相关数据。

8.根据权利要求7所述的股票投资分析方法，其特征在于，所述多种股票评估参数还包括与每个目标股票关联的券商研报信息和/或历史涨跌数据和/或企业产品在电商平台的销售数据和/或产品与企业舆情和/或产品与企业搜索指数。

9.根据权利要求6所述的股票投资分析方法，其特征在于，所述依据每个目标股票的预期收益率的所属分档区间生成股票投资策略的步骤包括：若其中一个目标股票的预期收益率大于等于10％时，生成建议选择该目标股票投资的投资策略，若其中一个目标股票的预期收益率处于-10％～10％的之间时，生成谨慎投资该目标股票的投资策略，若其中一个目标股票的预期收益率小于等于-10％时，生成不建议投资该目标股票的投资策略。

10.根据权利要求6所述的股票投资分析方法，其特征在于，所述非线性收益率计算模型为预先利用每个目标股票的多种历史股票评估参数以及历史收益率训练后的决策树算法模型或神经网络算法模型或支持向量机算法模型。