CN107918813A - 趋势预测分析方法、设备及存储介质 - Google Patents

趋势预测分析方法、设备及存储介质 Download PDF

Info

Publication number
CN107918813A
CN107918813A CN201711338601.3A CN201711338601A CN107918813A CN 107918813 A CN107918813 A CN 107918813A CN 201711338601 A CN201711338601 A CN 201711338601A CN 107918813 A CN107918813 A CN 107918813A
Authority
CN
China
Prior art keywords
trend
probability
cycle
plate
current period
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
Application number
CN201711338601.3A
Other languages
English (en)
Inventor
李贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Wide Intelligent Technology Co Ltd
Original Assignee
Shanghai Wide Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Wide Intelligent Technology Co Ltd filed Critical Shanghai Wide Intelligent Technology Co Ltd
Priority to CN201711338601.3A priority Critical patent/CN107918813A/zh
Publication of CN107918813A publication Critical patent/CN107918813A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Abstract

本发明提供一种趋势预测分析方法、设备及存储介质，所述方法包括：预设分析标的范围、时间区间和周期；获取预设标的行情数据；统计所述时间区间内每个周期各个趋势的标的数量，根据每个周期中各趋势的标的数量计算相应周期的趋势概率，所述趋势包括上涨、平盘、下跌；生成所述时间区间内的趋势概率曲线，根据当前周期趋势概率预测下一周期的趋势；显示时间区间内的趋势概率曲线。本发明通过当前的趋势概率大小来预测下阶段的趋势，能第一时间得到趋势的转变拐点，避免信息的延后；引入概率平滑算法，对趋势概率进行平滑可减少概率毛刺，使得概率稳定连续分布，可以比较稳定的预测一段未来行情，并提供准确的概率。

Description

趋势预测分析方法、设备及存储介质
技术领域
本发明涉及数据处理领域，特别地，涉及金融领域中关于价格趋势预测的分析方法、设备及存储介质。
背景技术
金融市场发展到今天人们进行了大量的研究，包括技术分析法、基本面分析法、价值投资法等，随着科技的发展、信息革命潮流和传统投资方法为人熟知，将使得预测金融产品价格走势需要更多更精准的预测分析方法，但是新的预测方法将会更加复杂，非经济和计算机应用技术领域的人们很难把握价格走势和进行技术分析。
现有的技术指标对非经济和计算机应用技术领域的人们来说，很难掌握市场动态和价格走势。现有的技术指标对趋势预测普遍采用价格均线系统，具有严重的滞后性，再加上人为的主观判断，因此不够准确和稳定。
综上所述，现有技术的主要缺点在于趋势预测的方法缺乏准确性，对于非专业人员来说应用起来有较大困难。
发明内容
为克服上述缺陷，本发明提供一种趋势预测分析方法、设备及存储介质，通过当前的趋势概率大小来预测下阶段的趋势，并将信息实时推送给用户参考，能第一时间得到趋势的转变拐点。
本发明提供一种趋势预测分析方法，适于在计算设备中执行，包括以下步骤：
(A1)预设分析标的的范围、时间区间和周期；
(A2)获取预设标的的行情数据；
(A3)统计所述时间区间内每个周期各个趋势的标的数量，根据每个周期中各趋势的标的数量计算相应周期的趋势概率；
(A4)生成所述时间区间内的趋势概率曲线，根据当前周期趋势概率预测下一周期的趋势；
(A5)显示时间区间内的趋势概率曲线。
所述步骤(A4)中的预测方法包括：
根据步骤(A3)中每个周期生成的所述各趋势概率分别生成时间区间内相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定当前周期的趋势概率；
比较当前周期趋势概率的大小，对概率大的趋势进行标识，并以此预测下一周期的趋势；
或
根据步骤(A3)中每个周期生成的所述各趋势概率分别生成时间区间内相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定当前周期的趋势概率；
当前周期趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。
所述步骤(A4)中的预测方法包括：
根据步骤(A3)中每个周期生成的所述趋势概率分别生成时间区间内相应的趋势概率曲线；
比较当前周期趋势概率的大小，对概率较大的趋势进行标识，并以此预测下一周期的趋势；
或
根据步骤(A3)中每个周期生成的所述趋势概率分别生成时间区间内相应的趋势概率曲线；
当前周期趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。
当当前周期趋势概率大小相等时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势；
当所述差值相等时，则比较当前周期趋势概率与前两个周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势。
在所述步骤(A5)后，还包括信息推送步骤，将标识的时间区间的趋势概率曲线推送给用户终端。
本发明还提供一种板块趋势预测分析方法，适于在计算设备中执行，包括以下步骤：
(B1)预设分析板块的范围、时间区间和周期；
(B2)获取预设板块的行情数据；
(B3)统计所述时间区间内各个板块中每个周期各趋势的标的数量，根据每个周期中各趋势的标的数量计算各个板块相应周期的趋势概率；
(B4)生成所述时间区间内的各个板块的趋势概率曲线，根据当前周期趋势概率预测相应板块下一周期的趋势；
(B5)统计所述时间区间内每个周期各趋势的板块数量，根据每个周期中各趋势的板块数量计算相应周期的总趋势概率，并通过当前总趋势概率预测下一周期总趋势概率；
(B6)显示时间区间内的总趋势概率曲线。
所述步骤(B4)中的预测方法包括：
根据步骤(B3)中各板块中每个周期生成的所述各趋势概率分别生成时间区间内各板块相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定所述板块当前周期的趋势概率；
比较所述板块当前周期趋势概率的大小，对概率大的趋势进行标识，并以此预测所述板块下一周期的趋势；
或
根据步骤(B3)中各板块中每个周期生成的所述各趋势概率分别生成时间区间内各板块相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定所述板块当前周期的趋势概率；
当前所述板块周期趋势概率超过预设阈值时，对所述板块相应趋势进行标识，并以此预测所述板块下一周期的趋势。
所述预测方法还包括：
当所述板块当前周期趋势概率大小相等时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为所述板块下一周期预测的趋势；
当所述差值相等时，则比较当前周期趋势概率与前两个周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为所述板块下一周期预测的趋势。
本发明还提供一种计算设备，所述计算设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行趋势预测分析方法中的任一方法的指令。
本发明的另一实施例还提供一种计算机存储介质，所述存储介质存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行趋势预测分析方法中的任一方法的指令。
与现有技术相比，本发明提供的一种趋势预测分析方法、设备及存储介质具有以下优点：
1.通过当前的趋势概率大小来预测下阶段的趋势，能第一时间得到趋势的转变拐点，避免信息的延后；
2.引入概率平滑算法，对趋势概率进行平滑可减少概率毛刺，使得概率稳定连续分布，可以比较稳定的预测一段未来行情，并提供准确的概率。
附图说明
图1为本发明实施例一、实施例二趋势预测方法的流程图。
图2是本发明实施例三板块趋势预测方法的流程图。
图3是本发明实施例四板块趋势预测方法的流程图。
具体实施方式
本发明的主要目的是提供一种趋势预测分析方法，通过设定分析标的以及预测的时间区间和周期，计算各周期趋势的概率，以当前周期的趋势概率大小来预测下一周期分析标的的未来行情走势，并将相应信号实时传送给用户终端。本发明的周期趋势具有实时性，可第一时间得到趋势的转变拐点。
本发明趋势预测分析方法适用但不限于股票、基金、债券、黄金等具有实时价格波动的金融产品及相关金融衍生品，通过分析当前的涨跌趋势预测下一阶段的价格涨跌趋势，引入概率平滑，具有稳定性，可以比较稳定的预测一段未来行情，并提供准确性的概率。
为便于对本实施例进行理解，首先对本发明实施例所公开的趋势预测分析方法进行详细介绍，下面的实施例将以股票为例进行详细说明。
实施例一
本实施例提供一种趋势预测分析方法，该方法适于在所述计算设备中执行。参考图1，示出了本实施例趋势预测分析方法流程图，包括以下步骤：
步骤101，确定分析标的的范围，时间区间和周期。
本实施例中，分析标的可以为股票、基金、债券、期货、黄金等具有实时价格波动的金融产品及相关金融衍生品，由用户在终端预选分析标的，该分析标的可以为上述同类金融产品中的所有产品，或一个板块的所有金融产品，或由用户自行设定多个金融产品，本实施例并不对分析标的的选择作任何限定，由用户根据需求确定。具体地，还需剔除在时间区间内停牌的标的，以免对趋势预测产生干扰。
确定分析的时间区间和周期，本实施例中，所述的周期包括秒、分钟、时、日、周、季、年中的一种或组合，也可由用户自定义。分钟可以为1分钟、5分钟、10分钟、15分钟、30分钟、小时可以为1小时、2小时、4小时，日包括1日、2日、5日，在此，并不对周期作特别的限定，但周期间隔越短，由于受外界因素的影响的滞后性，通过当前周期的趋势预测下一阶段趋势的准确性越大。本实施例中的时间区间视周期而定，比如周期为15分钟，时间区间可设定为多个周期间隔，比如可以设定为30分钟、1小时、2小时、3小时、1天，时间区间至少包括两个以上周期时间间隔，并包含有待预测趋势的周期时间。比如，预设周期为15分钟，每15分钟生成一个K线，设定分析的时间区间为1天，即从当日开盘到收盘的时间跨度作为分析的时间区间，以当前15分钟的周期表现预测当天下一个15分钟周期的涨跌趋势。若周期为1日，每日生成一个K线，则分析的时间区间可选择5天、10天。本实施例并不对周期和时间区间作特别的限定。
步骤102，获取预设标的的行情数据。
获取预设标的的以及对应标的的指数行情数据。本实施例中，本方法的运行设备与第三方数据平台连接并获取行情数据，也可选择将数据预先存储在本地数据库中，本地库通过网络连接实时更新最新的行情数据。
步骤103，统计所述时间区间内每个周期中各个趋势的标的数量，根据每个周期中各趋势的标的数量计算相应周期的趋势概率，所述趋势包括上涨趋势、平盘趋势、下跌趋势。
根据上述标的的行情数据分别统计每个周期中上涨标的、下跌标的和平盘标的的数量，并计算相应周期的上涨概率、下跌概率和平盘概率。
本实施例中，以15分钟作为周期，时间区间设定为1天。分别统计每个周期标的的上涨趋势(周期间隔内涨幅大于0，即该周期结束的价格与周期起始的价格之差)数量X1、下跌趋势数量X2(周期间隔内涨幅小于0)和平盘趋势数量X3(周期间隔内涨幅等于0)，并根据每个周期中相应趋势的标的数量计算周期内标的的趋势概率，其中上涨趋势概率为：X1*100％/M；下跌趋势概率为：X2*100％/M；平盘概率为：X3*100％/M，其中，M＝X1+X2+X3。
具体地，预设分析的时间区间为1天，则15分钟线自开盘起15分钟即生成第一个上涨趋势的概率、第一个平盘趋势的概率和第一个下跌趋势的概率，第30分钟生成第二个上涨趋势的概率、第二个平盘趋势的概率和第二个下跌趋势的概率，以此类推，直到收盘结束。
步骤104，生成所述时间区间内的趋势概率曲线，根据当前周期趋势概率预测下一周期的趋势。
以当天开盘为起点，分别将步骤(3)中每个周期生成的三种趋势概率连接生成时间区间内的上涨趋势概率曲线、平盘趋势概率曲线和下跌趋势概率曲线。比较当前周期三种趋势概率的大小，对概率较大的趋势进行标识，并以此预测下一周期的趋势；或者当前周期三种趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。具体地，可以朝上箭头标识当前周期上涨趋势概率较大或上涨趋势超出阈值的趋势，预测下一周期上涨的概率较大；以水平箭头标识当前周期平盘趋势概率较大或平盘趋势超出阈值的趋势，预测下一周期平盘的概率较大；以朝下箭头标识当前周期下跌趋势概率较大或下跌趋势超出阈值的趋势，预测下一周期下跌的概率较大。
本实施例中，当前周期生成的二个或三个趋势概率存在相等的情况，或存在二个趋势概率同时超出阈值的情况。当出现上述情况时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势。当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势，该预设周期可以依次选择前两个周期、前三个周期，前四个周期，直到上述差值不同。
步骤105，显示时间区间内的趋势概率曲线。
显示上涨、平盘、下跌三种趋势的趋势概率曲线、趋势标识以及标的的价格行情，优选地，上述三种曲线可选择在同一张图表中显示。
优选地，本发明趋势预测分析方法还包括信息推送步骤，将标识的时间区间的趋势概率曲线实时推送给用户终端供用户参考，或将下一周期的预测结果直接发送给用户终端。
实施例二
本发明实施例二视为对实施例一所述趋势预测分析方法的改进流程，所述改进流程体现在步骤104，其它步骤与实施例一步骤相同，在此不作详细描述。与实施例一的不同之处在于，本实施例的步骤104包括：
根据步骤103中每个周期生成的上涨、平盘、下跌趋势概率分别生成时间区间内的上涨趋势概率平滑曲线、平盘趋势概率平滑曲线和下跌趋势概率平滑曲线。该平滑曲线算法采用但不限于移动平均(Moving average)、线性拟合(linear fit)、曲线拟合(quadratic fit)、SG滤波(Savitzky-Golay)平滑算法进行平滑获得对应的概率平滑曲线，对趋势概率进行平滑可减少概率毛刺，使得概率稳定连续分布。
该趋势概率平滑曲线由当天开盘为起点，根据上述三条趋势概率平滑曲线确定分析标的当前周期的上涨趋势概率、平盘趋势概率和下跌趋势概率。引入概率平滑算法，具有稳定性，可以比较稳定的预测一段未来行情，并提供准确性的概率。
比较当前周期三种趋势概率的大小，对概率较大的趋势进行标识，并以此预测下一周期的趋势；或者当前周期三种趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。具体地，可以朝上箭头标识当前周期上涨趋势概率较大或上涨趋势超出阈值的趋势，预测下一周期上涨的概率较大；以水平箭头标识当前周期平盘趋势概率较大或平盘趋势超出阈值的趋势，预测下一周期平盘的概率较大；以朝下箭头标识当前周期下跌趋势概率较大或下跌趋势超出阈值的趋势，预测下一周期下跌的概率较大。
本实施例中，当前周期生成的二个或三个趋势概率存在相等的情况，或存在二个趋势概率同时超出阈值的情况。当出现上述情况时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势。当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势，该预设周期可以依次选择前两个周期、前三个周期，前四个周期，直到上述差值不同。
实施例三
本实施例提供一种板块趋势预测方法，该方法适于在所述计算设备中执行。参考图2，示出了本实施例板块趋势预测分析方法流程图，包括以下步骤：
步骤201，确定分析板块的范围，时间区间和周期。
本实施例中，分析标的可以为股票、基金、债券、期货、黄金等具有实时价格波动的金融产品及相关金融衍生品，由用户在终端预选金融产品，该金融产品以板块为单位，每个板块包含多个标的，板块范围可以为上述同类金融产品中的多个板块，由用户自行设定。具体地，在作分析之前还需剔除各板块中在时间区间内停牌的标的，以免对趋势预测产生干扰。
确定分析的时间区间和周期，本实施例中，所述的周期包括秒、分钟、时、日、周、季、年中的一种或组合，也可由用户进行定义。分钟可以为1分钟、5分钟线、10分钟、15分钟、30分钟、小时可以为1小时、2小时、4小时，日包括1日、2日、5日，在此，并不对周期作特别的限定，但周期间隔越短，由于受外界因素的影响的滞后性，通过当前周期的趋势预测下一阶段趋势的准确性越大。本实施例中的时间区间视周期而定，比如周期为15分钟，时间区间可设定为多个周期间隔，比如可以30分钟、1小时、2小时、3小时、1天，时间区间至少包括两个以上周期时间间隔，并包含有待预测趋势的周期时间。比如，预设周期为15分钟，每15分钟生成一个K线，设定分析的时间区间为1天，即从当日开盘到收盘的时间跨度作为分析的时间区间，以当前15分钟的周期表现预测当天下一个15分钟周期的涨跌趋势。若周期为1日，每日生成一个K线，则分析的时间区间可选择5天、10天。本实施例并不对周期和时间区间作特别的限定。
步骤202，获取预设板块的行情数据。
获取预设板块以及对应板块的指数行情数据。本实施例中，本方法的运行设备与第三方数据平台连接并获取行情数据，也可选择将数据预先存储在本地数据库中，本地库通过网络连接实时更新最新的行情数据。
步骤203，统计所述时间区间内各个板块中每个周期各趋势的标的数量，根据每个周期中各趋势的标的数量计算各个板块相应周期的趋势概率，所述趋势包括上涨趋势、平盘趋势、下跌趋势。
根据上述标的的行情数据分别统计各个板块中每个周期中上涨标的、下跌标的和平盘标的的数量，并计算各板块相应周期的上涨概率、下跌概率和平盘概率。
本实施例中，以15分钟作为周期，时间区间设定为1天。分别统计每个板块中的标的在各周期的上涨趋势(周期间隔内涨幅大于0，即该周期结束的价格与周期起始的价格之差)数量X’1、下跌趋势数量X’2(周期间隔内涨幅小于0)和平盘趋势数量X’3(周期间隔内涨幅等于0)，并根据每个周期中相应趋势的标的数量计算周期内该板块的趋势概率，其中上涨趋势概率为：X’1*100％/M’；下跌趋势概率为：X’2*100％/M’；平盘概率为：X’3*100％/M’，其中，M’＝X’1+X’2+X’3。
具体地，预设分析的时间区间为1天，则15分钟线自开盘起15分钟即生成第一个上涨趋势的概率、第一个平盘趋势的概率和第一个下跌趋势的概率，第30分钟生成第二个上涨趋势的概率、第二个平盘趋势的概率和第二个下跌趋势的概率，以此类推，直到收盘结束。
步骤204，生成所述时间区间内的各个板块的趋势概率曲线，根据当前周期趋势概率预测相应板块下一周期的趋势。
根据步骤203中各个板块每个周期生成的上涨、平盘、下跌趋势概率分别生成相应板块时间区间内的上涨趋势概率平滑曲线、平盘趋势概率平滑曲线和下跌趋势概率平滑曲线。该平滑曲线算法采用但不限于移动平均(Moving average)、线性拟合(linear fit)、曲线拟合(quadratic fit)、SG滤波(Savitzky-Golay)平滑算法进行平滑获得对应的概率平滑曲线，对趋势概率进行平滑可减少概率毛刺，使得概率稳定连续分布。
该趋势概率平滑曲线由当天开盘为起点，根据上述三条趋势概率平滑曲线确定各个板块当前周期的上涨趋势概率、平盘趋势概率和下跌趋势概率。引入概率平滑算法，具有稳定性，可以比较稳定的预测一段未来行情，并提供准确性的概率。
比较当前周期三种趋势概率的大小，对概率较大的板块趋势进行标识，并以此预测该板块下一周期的趋势；或者当前周期三种趋势概率超过预设阈值时，对相应的板块趋势进行标识，并以此预测该板块下一周期的趋势。具体地，可以朝上箭头标识板块当前周期上涨趋势概率较大或上涨趋势超出阈值的趋势，预测下一周期该板块上涨的概率较大；以水平箭头标识板块当前周期平盘趋势概率较大或平盘趋势超出阈值的趋势，预测该板块下一周期平盘的概率较大；以朝下箭头标识板块当前周期下跌趋势概率较大或下跌趋势超出阈值的趋势，预测该板块下一周期下跌的概率较大。
本实施例中，当前周期生成的二个或三个趋势概率存在相等的情况，或存在二个趋势概率同时超出阈值的情况。当出现上述情况时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为该板块下一周期预测的趋势。当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为该板块下一周期预测的趋势，该预设周期可以依次选择前两个周期、前三个周期，前四个周期，直到上述差值不同。
步骤205，显示时间区间内的总趋势概率曲线。
显示上涨、平盘、下跌三种趋势的趋势概率曲线、趋势标识以及标的的价格行情，优选地，上述三种曲线可选择在同一张图表中显示。
优选地，本发明趋势预测分析方法还包括信息推送步骤，将标识的时间区间的各板块趋势概率曲线实时推送给用户终端供用户参考，或将下一周期的相应板块的预测结果直接发送给用户终端。
实施例四
本实施例的步骤301-304与实施例三的步骤201-204相同，本实施例在实施例三的基础上，还包括以下步骤：
步骤305，计算总趋势概率，并生成时间区间内的总趋势概率曲线，并通过当前总趋势概率预测下一周期总趋势概率。
具体地，分别统计各个周期中上涨趋势(周期间隔内涨幅大于0，即该周期结束的价格与周期起始的价格之差)的板块数量Y1、下跌趋势的板块数量Y2(周期间隔内涨幅小于0)和平盘趋势的板块数量Y3(周期间隔内涨幅等于0)，并根据每个周期中相应趋势的板块数量计算周期内总的趋势概率，其中总上涨趋势概率为：Y1*100％/N；下跌趋势概率为：Y2*100％/N；平盘概率为：Y3*100％/N，其中，N＝Y1+Y 2+Y 3。
根据各周期的板块的总上涨、总平盘、总下跌趋势概率分别生成时间区间内的总上涨趋势概率平滑曲线、总平盘趋势概率平滑曲线和总下跌趋势概率平滑曲线。该平滑曲线算法采用但不限于移动平均(Moving average)、线性拟合(linearfit)、曲线拟合(quadratic fit)、SG滤波(Savitzky-Golay)平滑算法进行平滑获得对应的概率平滑曲线，对趋势概率进行平滑可减少概率毛刺，使得概率稳定连续分布。
该总趋势概率平滑曲线由当天开盘为起点，根据上述三条总趋势概率平滑曲线确定分析当前周期的总上涨趋势概率、总平盘趋势概率和总下跌趋势概率。引入概率平滑算法，具有稳定性，可以比较稳定的预测一段未来行情，并提供准确性的概率。
比较当前周期三种总趋势概率的大小，对概率较大的板块趋势进行标识，并以此预测下一周期的总趋势；或者当前周期三种总趋势概率超过预设阈值时，对相应的趋势进行标识，并以此预测下一周期的总趋势。具体地，可以朝上箭头标识当前周期总上涨趋势概率较大或总上涨趋势超出阈值的趋势，预测下一周期上涨的概率较大；以水平箭头标识当前周期总平盘趋势概率较大或总平盘趋势超出阈值的趋势，预测下一周期平盘的概率较大；以朝下箭头标识当前周期总下跌趋势概率较大或总下跌趋势超出阈值的趋势，预测下一周期下跌的概率较大。
本实施例中，当前周期生成的二个或三个总趋势概率存在相等的情况，或存在二个总趋势概率同时超出阈值的情况。当出现上述情况时，则比较当前周期总趋势概率与前一周期相应总趋势概率大小的差值的绝对值，以差值的绝对值较大的总趋势作为下一周期预测的趋势。当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为该板块下一周期预测的趋势，该预设周期可以依次选择前两个周期、前三个周期，前四个周期，直到上述差值不同。
步骤306，显示时间区间内的总趋势概率曲线。
显示总上涨、总平盘、总下跌三种趋势的总趋势概率曲线、趋势标识以及标的的价格行情，优选地，上述三种曲线可选择在同一张图表中显示。
优选地，本发明趋势预测分析方法还包括信息推送步骤，将标识的时间区间的总趋势概率曲线实时推送给用户终端供用户参考，或将下一周期的总趋势预测结果直接发送给用户终端。
实施例五
本实施例提供一种趋势预测分析装置，适于驻留在计算设备中，包括以下模块：
标的选择模块，适于预设分析标的的范围，时间区间和周期，所述周期包括日线、分钟线；
行情获取模块，适于获取预设标的的行情数据；
概率计算模块，适于统计所述时间区间内每个周期中各个趋势的标的数量，根据每个周期中各趋势的标的数量计算相应周期的趋势概率，所述趋势包括上涨、平盘、下跌；
趋势预测模块，适于生成所述时间区间内的趋势概率曲线，根据当前周期趋势概率预测下一周期的趋势；
显示结果模块，适于显示时间区间内的趋势概率曲线。
实施例六
本实施例提供一种板块趋势预测分析装置，适于驻留在计算设备中，包括以下模块：
板块选择模块，预设分析板块的范围、时间区间和周期，所述周期包括日线、分钟线，所述时间区间包括多个周期间隔；
行情获取模块，适于获取预设板块的行情数据；
概率计算模块，适于统计所述时间区间内各个板块中每个周期各趋势的标的数量，根据每个周期中各趋势的标的数量计算各个板块相应周期的趋势概率，所述趋势包括上涨趋势、平盘趋势、下跌趋势；
趋势预测模块，适于生成所述时间区间内的各个板块的趋势概率曲线，根据当前周期趋势概率预测相应板块下一周期的趋势；
总趋势预测模块，适于统计所述时间区间内每个周期各趋势的板块数量，根据每个周期中各趋势的板块数量计算相应周期的总趋势概率，并通过当前总趋势概率预测下一周期总趋势概率
显示结果模块，适于显示时间区间内的总趋势概率曲线。
实施例七
本发明还提供一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行实施例一至实施例四所述方法中的任一方法。
实施例八
本发明还提供一种计算机存储介质，所述存储介质存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行实施例一至实施例四所述方法中的任一方法。
上述实施例所述的方法和装置，具体可由计算机芯片或实体实现，或由具有某种功能的产品来实现，其中，一种典型的设备为计算机。具体地，计算机可以为个人计算机、服务器、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制平台、平板计算机、可穿戴设备或这些设备中的任何设备的组合。
本领域技术人员应明白，本发明的实施例可提供方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或者结合软件和硬件方面的实施例的形式。而且，本发明可采用一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD、ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (10)

1.一种趋势预测分析方法，适于在计算设备中执行，包括以下步骤：
(A1)预设分析标的的范围、时间区间和周期；
(A2)获取预设标的的行情数据；
(A3)统计所述时间区间内每个周期各个趋势的标的数量，根据每个周期中各趋势的标的数量计算相应周期的趋势概率；
(A4)生成所述时间区间内的趋势概率曲线，根据当前周期趋势概率预测下一周期的趋势；
(A5)显示时间区间内的趋势概率曲线。
2.根据权利要求1所述的趋势预测分析方法，其特征在于，所述步骤(A4)中的预测方法包括：
根据步骤(A3)中每个周期生成的所述各趋势概率分别生成时间区间内相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定当前周期的趋势概率；
比较当前周期趋势概率的大小，对概率大的趋势进行标识，并以此预测下一周期的趋势；
或
根据步骤(A3)中每个周期生成的所述各趋势概率分别生成时间区间内相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定当前周期的趋势概率；
当前周期趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。
3.根据权利要求1所述的趋势预测分析方法，其特征在于，所述步骤(A4)中的预测方法包括：
根据步骤(A3)中每个周期生成的所述趋势概率分别生成时间区间内相应的趋势概率曲线；
比较当前周期趋势概率的大小，对概率较大的趋势进行标识，并以此预测下一周期的趋势；
或
根据步骤(A3)中每个周期生成的所述趋势概率分别生成时间区间内相应的趋势概率曲线；
当前周期趋势概率超过预设阈值时，对相应趋势进行标识，并以此预测下一周期的趋势。
4.根据权利要求2或3所述的趋势预测分析方法，其特征在于，所述预测方法还包括：
当当前周期趋势概率大小相等时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势；
当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为下一周期预测的趋势。
5.根据权利要求1所述的趋势预测分析方法，其特征在于，在所述步骤(A5)后，还包括信息推送步骤，将标识的时间区间的趋势概率曲线推送给用户终端；
或所述步骤(A1)中，所述周期包括秒、分钟、时、日、周、季、年中的一种或组合，所述时间区间包括多个周期间隔；
或所述步骤(A3)中，所述趋势包括上涨、平盘、下跌。
6.一种板块趋势预测分析方法，适于在计算设备中执行，包括以下步骤：
(B1)预设分析板块的范围、时间区间和周期；
(B2)获取预设板块的行情数据；
(B3)统计所述时间区间内各个板块中每个周期各趋势的标的数量，根据每个周期中各趋势的标的数量计算各个板块相应周期的趋势概率；
(B4)生成所述时间区间内的各个板块的趋势概率曲线，根据当前周期趋势概率预测相应板块下一周期的趋势；
(B5)统计所述时间区间内每个周期各趋势的板块数量，根据每个周期中各趋势的板块数量计算相应周期的总趋势概率，并通过当前总趋势概率预测下一周期总趋势概率；
(B6)显示时间区间内的总趋势概率曲线。
7.根据权利要求6所述的板块趋势预测分析方法，其特征在于，所述步骤(B4)中的预测方法包括：
根据步骤(B3)中各板块中每个周期生成的所述各趋势概率分别生成时间区间内各板块相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定所述板块当前周期的趋势概率；
比较所述板块当前周期趋势概率的大小，对概率大的趋势进行标识，并以此预测所述板块下一周期的趋势；
或
根据步骤(B3)中各板块中每个周期生成的所述各趋势概率分别生成时间区间内各板块相应的趋势概率平滑曲线；
根据所述的趋势概率平滑曲线确定所述板块当前周期的趋势概率；
当前所述板块周期趋势概率超过预设阈值时，对所述板块相应趋势进行标识，并以此预测所述板块下一周期的趋势。
8.根据权利要求7所述的板块趋势预测分析方法，其特征在于，所述预测方法还包括：
当所述板块当前周期趋势概率大小相等时，则比较当前周期趋势概率与前一周期相应趋势概率大小的差值的绝对值，以差值的绝对值较大的趋势作为所述板块下一周期预测的趋势；
当所述差值相等时，则比较当前周期趋势概率与预设周期内相应趋势概率的最小、最大、中值或平均值中的一个差值的绝对值，以差值的绝对值较大的趋势作为所述板块下一周期预测的趋势。
9.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8述方法中的任一方法。
10.一种计算机存储介质，所述存储介质存储有一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-8述方法中的任一方法。
CN201711338601.3A 2017-12-14 2017-12-14 趋势预测分析方法、设备及存储介质 Pending CN107918813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711338601.3A CN107918813A (zh) 2017-12-14 2017-12-14 趋势预测分析方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711338601.3A CN107918813A (zh) 2017-12-14 2017-12-14 趋势预测分析方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN107918813A true CN107918813A (zh) 2018-04-17

Family

ID=61893364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711338601.3A Pending CN107918813A (zh) 2017-12-14 2017-12-14 趋势预测分析方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN107918813A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166041A (zh) * 2018-08-29 2019-01-08 北京京东金融科技控股有限公司 股市走势预测方法及系统、计算机系统和可读存储介质
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
WO2020124594A1 (zh) * 2018-12-21 2020-06-25 深圳派港投资管理有限公司 一种基于股票相关性算法的股市趋势分析方法和系统
CN111579056A (zh) * 2020-05-19 2020-08-25 北京快鱼电子股份公司 变压器直流偏磁预测方法及系统
CN113761799A (zh) * 2021-08-31 2021-12-07 东风商用车有限公司 车辆性能曲线趋势拟合方法、装置、设备及存储介质
CN113782009A (zh) * 2021-11-10 2021-12-10 中科南京智能技术研究院 一种基于Savitzky-Golay滤波器平滑方法的语音唤醒系统
CN114779731A (zh) * 2022-06-22 2022-07-22 江苏翔晟信息技术股份有限公司 一种面向智能制造的生产数据动态监测分析系统及方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166041A (zh) * 2018-08-29 2019-01-08 北京京东金融科技控股有限公司 股市走势预测方法及系统、计算机系统和可读存储介质
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
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
WO2020124594A1 (zh) * 2018-12-21 2020-06-25 深圳派港投资管理有限公司 一种基于股票相关性算法的股市趋势分析方法和系统
CN111579056A (zh) * 2020-05-19 2020-08-25 北京快鱼电子股份公司 变压器直流偏磁预测方法及系统
CN113761799A (zh) * 2021-08-31 2021-12-07 东风商用车有限公司 车辆性能曲线趋势拟合方法、装置、设备及存储介质
CN113761799B (zh) * 2021-08-31 2024-03-26 东风商用车有限公司 车辆性能曲线趋势拟合方法、装置、设备及存储介质
CN113782009A (zh) * 2021-11-10 2021-12-10 中科南京智能技术研究院 一种基于Savitzky-Golay滤波器平滑方法的语音唤醒系统
CN114779731A (zh) * 2022-06-22 2022-07-22 江苏翔晟信息技术股份有限公司 一种面向智能制造的生产数据动态监测分析系统及方法
CN114779731B (zh) * 2022-06-22 2022-09-23 江苏翔晟信息技术股份有限公司 一种面向智能制造的生产数据动态监测分析系统及方法

Similar Documents

Publication Publication Date Title
CN107918813A (zh) 趋势预测分析方法、设备及存储介质
CN108256691A (zh) 还款概率预测模型构建方法及装置
CN110457577B (zh) 数据处理方法、装置、设备和计算机存储介质
Rathnayaka et al. Geometric Brownian motion with Ito's lemma approach to evaluate market fluctuations: A case study on Colombo Stock Exchange
CN109784779A (zh) 财务风险预测方法、装置及存储介质
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN109934268A (zh) 异常交易检测方法及系统
CN114168761A (zh) 多媒体数据的推送方法、装置、电子设备及存储介质
CN107992601A (zh) 趋势预测分析方法、设备及存储介质
Wanke et al. Revisiting camels rating system and the performance of Asean banks: a comprehensive mcdm/z-numbers approach
Zhou et al. Supplier’s goal setting considering sustainability: An uncertain dynamic Data Envelopment Analysis based benchmarking model
Amin et al. Harmonizing Macro-Financial Factors and Twitter Sentiment Analysis in Forecasting Stock Market Trends
CN111199493A (zh) 一种基于客户缴费信息及征信信息的欠费风险识别方法
Kapla et al. Fusing sufficient dimension reduction with neural networks
CN109767333A (zh) 选基方法、装置、电子设备及计算机可读存储介质
CN116362823A (zh) 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置
CN109493065A (zh) 一种基于行为增量更新的欺诈交易检测方法
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
CN110443374A (zh) 一种资源信息处理方法、装置及设备
Taufik et al. A comparative study of time-series models for forecasting the Indonesian gold price
Rong et al. Exploring network behavior using cluster analysis
Wang et al. Information fusion technique for weighted time series model
Zhang et al. Dynamic Time Warping for Lead-Lag Relationships in Lagged Multi-Factor Models
Li Transparency and explainability in financial data science
CN108961053A (zh) 一种针对不同标的资产动态择时配置的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180417