CN108492186A - 基于小波噪声分析的风险预测方法、设备及存储介质 - Google Patents
基于小波噪声分析的风险预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108492186A CN108492186A CN201810132147.4A CN201810132147A CN108492186A CN 108492186 A CN108492186 A CN 108492186A CN 201810132147 A CN201810132147 A CN 201810132147A CN 108492186 A CN108492186 A CN 108492186A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- market
- risks
- correlation
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于小波噪声分析的风险预测方法、设备及存储介质,该方法包括经下步骤:获取标的的历史行情数据,采用小波分析将行情数据分解生成低频数据和高频数据;基于所述高频数据进行重构生成波动曲线;计算波动曲线与风险因子的相关性,基于相关性大小确定标的的相关风险因子;基于相关风险因子趋势预测标的的行情趋势。通过提取历史行情的高频信号,以该高频信号的波动规律和风险因子的波动规律进行比较找出关联,通过关联的风险因子规律来预测标的未来行情,为广大股民科学、准确地进行投资提供了科学的数据判断依据,极大地避免了用户非理性的投资决策的情况发生,并能够极大地提高用户投资的回报率,进一步地,提高了用户的使用体验。
Description
技术领域
本发明涉及金融领域,特别地,涉及一种基于小波噪声分析的风险预测方法、设备及存储介质。
背景技术
随着证券投资技术分析理论的建立及不断发展,投资者有了对金融市场可预测性的理论支持。技术分析本身对公司的基本面关注很少,主要研究的是股票在市场的具体表现,即通过对证券市场过去已经存在的各种证券价格变化的方向、幅度及交易量大小进行记录考察分析,并据此对证券市场的未来价格变化趋势进行预测,从而使投资者做出最终决策。
股票市场是一个相当复杂的系统,股票价格的变化受到经济、有关行业、政治及投资者心理等多种因素的影响,各因素的影响程度、时间范围和方式也不尽相同;且股市各因素间相互关系错综复杂,主次关系变化不定,数量关系难以提取及定量分析,因此,我们需要寻找一种好的方法来避免或减弱这些因素的影响。现在常用的时间序列分析法主要是建立自回归模型、移动平均模型、自回归—移动平均模型和齐次非平稳模型。
然而,以上这些方法,对于平稳时间序列均有较好的作用,对于非平稳时间序列则表现不够尽如人意。在近一个世纪内,信号处理研究领域不断发展,人们已开始把研究的焦点从传统的信号处理到现代信号处理上来。现代信号主要是非线性和非平稳性等复杂信号。小波分析是近年来发展起来的一种新的信号处理方法,由于小波函数具有的“自适应性”和“变焦”特性,能有效的处理非平稳信号。
由小波分析理论,可以将信号分解到不同的频率通道上,由于分解后的信号在频率成分上比原始信号单一,并且小波分解后对信号作平滑处理,然后重构分解信号,这样非平稳时间序列经过处理后,成为近似意义上的平稳时间序列来处理,这样就能用一些传统的预测方法对分解重构后的时间序列进行预测了。
基于小波分析理论,将信号分解为高频信号和低频信号,高频信号可理解为短期内价格波动的大小,以前该价格波动被认为是不相关的噪音并且不值得去分析,但高频数据的波动恰恰包含着理解市场微观结构的重要信息。
发明内容
本发明的目的是提供一种基于小波噪声分析的风险预测方法、设备及存储介质,行情数据通过小波分解生成低频数据和高频数据,计算高频数据与风险因子的相关性,基于相关的风险因子的行情趋势预测标的未来的价格行情。
为达到上述目的,本发明提供一种基于小波噪声分析的风险预测方法,适于在计算设备中执行,包括:
(1)获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
(2)基于所述高频数据进行重构生成波动曲线;
(3)计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
(4)基于相关风险因子趋势预测所述标的的行情趋势。
所述标的包括单个标的、组合标的或指数;
所述行情数据包括最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。
进一步地,所述采用小波分析将所述行情数据进行分解包括:
用户预设分解层数,采用小波分析将所述行情数据分解为多层低频数据和高频数据,所述分解方法包括Sym小波、Daubechies小波中的任一种。
所述风险因子包括基本面因子和技术面因子;
所述技术面因子包括MACD指标、KDJ指标、RSI指标、BOLL指标、WR指标、DMI指标、EXPMA指标、主力买卖、大单净量、大单金额中的一项或多项。
进一步地,所述步骤(3)包括:
设定分析周期,计算周期内各层波动曲线与所述风险因子的相关性;
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子;
若不存在上述符合阈值的相关风险因子时,重新设定待分析的时间区间和行情周期,重复执行步骤(1)~(3)。
进一步地,所述步骤(4)包括:
比较各层相关风险因子的相关性大小,以相关性最大的相关风险因子的波动趋势预测所述标的的行情趋势。
本发明一种基于小波噪声分析的风险预测方法还包括动态更新所述行情数据,并基于所述最新行情数据进行小波分析预测行情趋势。
另一方面,本发明还提供一种基于小波噪声分析的风险预测装置,适于驻留在计算设备中,包括以下模块:
分解模块,适于获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
信号重构模块,适于基于所述高频数据进行重构生成波动曲线;
相关性计算模块,适于计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
行情预测模块,适于基于相关风险因子趋势预测所述标的的行情趋势。
另一方面,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基于小波噪声分析的风险预测方法中的任一方法的指令。
另一方面,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基于小波噪声分析的风险预测方法中的任一方法。
与现有技术相比,本发明基于小波噪声分析的风险预测方法、设备及存储介质具有以下优点:
本发明采用小波分析将标的的行情数据分解为高频信号和低频信号,将该高频信号重构生成波动曲线,比较波动曲线与各个风险因子的相关性,基于相关风险因子的趋势预测标的未来的行情趋势。通过提取历史行情的高频信号,以该高频信号的波动规律和风险因子的波动规律进行比较找出关联,通过关联的风险因子规律来预测标的未来行情,为广大股民科学、准确地进行投资提供了科学的数据判断依据,极大地避免了用户非理性的投资决策的情况发生,并能够极大地提高用户投资的回报率,进一步地,提高了用户的使用体验。同时避免大量信息给用户造成困扰,同时避免用户主观评估数据预测值的不准确的问题。
附图说明
图1示出了本发明一实施例基于小波噪声分析的风险预测方法流程图。
图2示出了本发明一实施例小波分解图例。
图3示出了本发明另一实施例基于小波噪声分析的风险预测方法流程图。
图4示出了本发明另一实施例基于小波噪声分析的风险预测方法流程图。
图5示出了本发明另一实施例基于小波噪声分析的风险预测装置架构图。
具体实施方式
本发明的目的是提供一种基于小波噪声分析的风险预测方法,利用小波分解将标的的行情数据分解成高频数据和低频数据,对高频数据进行重构生成波动曲线,通过比较波动曲线与风险因子的相关性来确定相关的风险因子,并基于相关风险因子曲线预测相应标的的未来行情。
本发明适用于股票、基金、期货、外汇、黄金等具有价格实时波动的金融产品及其相关衍生品。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
实施例一
参考图1,示出了本发明实施例一基于小波噪声分析的风险预测方法的流程图,本发明基于小波噪声分析的风险预测方法,适于在用户设备中执行,该方法包括以下步骤:
步骤101,获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据。
本实施例中,所述的标的包括单个标的、组合标的或价格指数,该价格指数包括股价平均指数和股价综合指数。预设分析时间区域,提取上述标的在上述时间区域内的历史行情数据,该行情数据包括标的最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。本实施例中,预测的分析时间区域越大,预测分析的准确性越大。当标的为组合标的时,其组合的行情数据为各个标的的历史行情数据的叠加。可选地,设定各标的的权重比,以该权重比进行分析及预测。
本实施例中,预设分解层数,采用Sym小波、Daubechies小波中的任一种小波分析方法将上述历史行情数据中的任一组分解为多层低频数据和高频数据,其中低频部分为平稳的时间序列,近似于原始行情数据,反映了原始信号的趋势性,高频部分为噪音部分,该高频数据围绕着低频数据上下波动。
在进行分析时,分解的层数越大则信号细节部分表现的特性越明显,越有利于趋势性和周期性的分离,但另一方面,分析的层数越多,则逼近部分所占的能量越小,不利于观察信号的长期趋势。因此,必须选择适当的层数,一般情况下,选择1-6层比较适合,本实施例中优选3层。参考图2,示出了本发明小波分解图例。对行情数据S逐层分解,第一层包括低频数据Ca1和高频数据Cd1,对第一层低频数据Ca1进行第二层分解为低频数据Ca2和高频数据Cd2,第二层低频数据Ca2进行第三层分解为低频数据Ca3和高频数据Cd3。时间序列相关的行情数据可以如下公式表示:
其中i为分解的层数。
通过信号多层分析,可以看到信号在各尺度下的奇异点,小尺度下的尖锐部分和大尺度下的趋势部分。投资者可以根据这个分析过程预测未来价格趋势,从而制定科学的投资策略。
步骤102,基于所述高频数据进行重构生成波动曲线。
基于上述分解的高频数据Cd1,Cd2,Cd3分别进行重构生成波动曲线。
步骤103,计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子。
本实施例中所述的风险因子包括基本面因子和技术面因子,其中基本面因子为F10页面反映的信息,包括标的财务、行业、概念相关的代表了该标的属性的指标,本实施例中用以计算相关性的基本面因子包括财务指标。技术面因子为基于该标的的交易行情所衍生的指标,包括反映价格变化的技术指标、走势形态以及K线组合等,具体包括MACD指标、KDJ指标、RSI指标、BOLL指标、WR指标、DMI指标、EXPMA指标、主力买卖、大单净量、大单金额中的一项或多项。
本实施例中,设定分析时间区间,提取相应区间内标的的行情信息和相应的风险因子信息,上述信息跨越的时间段可以由用户按喜好设定,可以为前一小时、前一天、前一周、前一月,前一年。时间区域越短,相应的行情周期会相应缩短,比如分析的时间区间为前一周,行情周期可以为最高价、最低价、开盘价、收盘价、均价、价格指数中任一组的分钟线、小时线。
以上述基本面因子和技术面因子作为风险因子计算相似度时,指标周期与行情周期相同,其中的周期包括但不限于秒、分钟、小时、天、周、月、季、年。
计算时间区间内上述行情数据分解后的各层波动曲线与上述风险因子的相关性。
具体地,以收盘价作为行情数据,计算收盘价与风险因子的相关性:预设最近一段行情,比如对前一周内的小时收盘价行情进行分析,将前一周收盘价的小时线分解为3层,每一层都有一组时间序列的高频噪音数据,计算每一层高频噪音数据与各项风险因子的相关性。
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子。
在另一实施例中,若不存在上述符合阈值的相关风险因子时,返回步骤101,重新设定待分析的时间区间和行情周期,重复执行步骤101-步骤103,直到得到符合阈值的相关风险因子。
步骤104,基于相关风险因子趋势预测所述标的的行情趋势。
上述相关风险因子可能包括上述各层波动曲线相关的风险因子,也可能包括上述任一层或多层相关的风险因子,用户可参考上述各层相关风险因子综合作为参考因子预测未来行情趋势。
实施例二
本发明还提供一种基于小波噪声分析的风险预测方法,适于在计算设备中执行,参考图3,示出了本发明基于小波噪声分析的风险预测方法的流程图,该方法包括以下步骤:
步骤201,获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据。
本实施例中,所述的标的包括单个标的、组合标的或价格指数,该价格指数包括股价平均指数和股价综合指数。预设分析时间区域,提取上述标的在上述时间区域内的历史行情数据,该行情数据包括标的最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。本实施例中,预测的分析时间区域越大,预测分析的准确性越大。当标的为组合标的时,其组合的行情数据为各个标的的历史行情数据的叠加。可选地,设定各标的的权重比,以该权重比进行分析及预测。
本实施例中,预设分解层数,采用Sym小波、Daubechies小波中的任一种小波分析方法将上述历史行情数据中的任一组分解为多层低频数据和高频数据,其中低频部分为平稳的时间序列,近似于原始行情数据,反映了原始信号的趋势性,高频部分为噪音部分,该高频数据围绕着低频数据上下波动。
通过信号多层分析,可以看到信号在各尺度下的奇异点,小尺度下的尖锐部分和大尺度下的趋势部分。投资者可以根据这个分析过程预测未来价格趋势,从而制定科学的投资策略。
步骤202,基于所述高频数据进行重构生成波动曲线。
基于上述分解的高频数据分别进行重构生成波动曲线。
步骤203,计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子。
以基本面因子和技术面因子数据作为风险因子计算相似度时,指标周期与行情周期相同,其中的周期包括但不限于秒、分钟、小时、天、周、月、季、年。
计算时间区间内上述行情数据分解后的各层波动曲线与上述风险因子的相关性。
具体地,以收盘价作为行情数据,计算收盘价与风险因子的相关性:预设最近一段行情,比如对前一周内的小时收盘价行情进行分析,将前一周收盘价的小时线分解为3层,每一层都有一组时间序列的高频噪音数据,计算每一层高频噪音数据与各项风险因子的相关性。
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子。
若不存在上述符合阈值的相关风险因子时,返回步骤201,重新设定待分析的时间区间和行情周期,重复执行步骤201-步骤203,直到得到符合阈值的相关风险因子。
步骤204,筛选相关性最大的风险因子作为参照因子预测未来行情趋势。
上述相关风险因子可能包括上述各层波动曲线相关的风险因子,也可能包括上述任一层或多层相关的风险因子,从上述符合阈值的相关风险因子中筛选相关性最大的风险因子作为参照因子预测未来行情趋势。
实施例三
本发明还提供一种基于小波噪声分析的风险预测方法,适于在计算设备中执行,参考图4,示出了本发明基于小波噪声分析的风险预测方法的流程图,该方法包括以下步骤:
步骤301,动态实时获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据。
本实施例中,所述的标的包括单个标的、组合标的或价格指数,该价格指数包括股价平均指数和股价综合指数。预设分析时间区域,提取上述标的在上述时间区域内的历史行情数据,该行情数据包括标的最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。本实施例中,预测的分析时间区域越大,预测分析的准确性越大。当标的为组合标的时,其组合的行情数据为各个标的的历史行情数据的叠加。可选地,设定各标的的权重比,以该权重比进行分析及预测。
上述行情数据是一个时间序列相关数据,价格行情会随着交易时间实时动态变化,为及时给用户提供实时动态的参考信息,避免信息延后给用户造成不必要的损失,上述行情数据会实时动态更新,并基于最新的历史行情数据进行小波分析,预测标的未来的行情趋势。
本实施例中,预设分解层数,采用Sym小波、Daubechies小波中的任一种小波分析方法将上述历史行情数据中的任一组分解为多层低频数据和高频数据。
通过信号多层分析,可以看到信号在各尺度下的奇异点,小尺度下的尖锐部分和大尺度下的趋势部分。投资者可以根据这个分析过程预测未来价格趋势,从而制定科学的投资策略。
步骤302,基于所述高频数据进行重构生成波动曲线。
基于上述分解的高频数据分别进行重构生成波动曲线。
步骤303,计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子。
以基本面因子和技术面因子数据作为风险因子计算相似度时,指标周期与行情周期相同,其中的周期包括但不限于秒、分钟、小时、天、周、月、季、年。
计算时间区间内上述行情数据分解后的各层波动曲线与上述风险因子的相关性。
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子。
若不存在上述符合阈值的相关风险因子时,返回步骤301,重新设定待分析的时间区间和行情周期,重复执行步骤301-步骤303,直到得到符合阈值的相关风险因子。
步骤304,基于相关风险因子趋势预测所述标的的行情趋势。
上述相关风险因子可能包括上述各层波动曲线相关的风险因子,也可能包括上述任一层或多层相关的风险因子,用户可参考上述各层相关风险因子综合作为参考因子预测未来行情趋势;或从上述符合阈值的相关风险因子中筛选相关性最大的风险因子作为参照因子预测未来行情趋势。
实施例四
本发明还提供一种基于小波噪声分析的风险预测,该装置适于驻留在计算设备中,参考图5,示出了本发明基于小波噪声分析的风险预测装置构架图,包括以下模块:
分解模块401,适于获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据。
本实施例中,所述的标的包括单个标的、组合标的或价格指数,该价格指数包括股价平均指数和股价综合指数。预设分析时间区域,提取上述标的在上述时间区域内的历史行情数据,该行情数据包括标的最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。本实施例中,预测的分析时间区域越大,预测分析的准确性越大。
本实施例中,预设分解层数,采用Sym小波、Daubechies小波中的任一种小波分析方法将上述历史行情数据中的任一组分解为多层低频数据和高频数据,其中低频部分为平稳的时间序列,近似于原始行情数据,反映了原始信号的趋势性,高频部分为噪音部分,该高频数据围绕着低频数据上下波动。
通过信号多层分析,可以看到信号在各尺度下的奇异点,小尺度下的尖锐部分和大尺度下的趋势部分。投资者可以根据这个分析过程预测未来价格趋势,从而制定科学的投资策略。
信号重构模块402,适于基于所述高频数据进行重构生成波动曲线。
基于上述分解的高频数据分别进行重构生成波动曲线。
相关性计算模块403,适于计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子。
以基本面因子和技术面因子数据作为风险因子计算相似度时,指标周期与行情周期相同,其中的周期包括但不限于秒、分钟、小时、天、周、月、季、年。
计算时间区间内上述行情数据分解后的各层波动曲线与上述风险因子的相关性。
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子。
若不存在上述符合阈值的相关风险因子时,返回步骤301,重新设定待分析的时间区间和行情周期,执行步骤301-步骤303,直到得到符合阈值的相关风险因子。
行情预测模块404,适于基于相关风险因子趋势预测所述标的的行情趋势。
上述相关风险因子可能包括上述各层波动曲线相关的风险因子,也可能包括上述任一层或多层相关的风险因子,用户可参考上述各层相关风险因子综合作为参考因子预测未来行情趋势;或从上述符合阈值的相关风险因子中筛选相关性最大的风险因子作为参照因子预测未来行情趋势。
实施例五
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下列方法中的任一方法:
(1)获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
(2)基于所述高频数据进行重构生成波动曲线;
(3)计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
(4)基于相关风险因子趋势预测所述标的的行情趋势。
实施例六
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下列方法中的任一方法:
(1)获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
(2)基于所述高频数据进行重构生成波动曲线;
(3)计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
(4)基于相关风险因子趋势预测所述标的的行情趋势。
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)
1.一种基于小波噪声分析的风险预测方法,适于在计算设备中执行,其特征在于,包括以下步骤:
(1)获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
(2)基于所述高频数据进行重构生成波动曲线;
(3)计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
(4)基于相关风险因子趋势预测所述标的的行情趋势。
2.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,所述标的包括单个标的、组合标的或指数;
所述行情数据包括最高价、最低价、开盘价、收盘价、均价、价格指数中的任一组。
3.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,所述采用小波分析将所述行情数据进行分解包括:
用户预设分解层数,采用小波分析将所述行情数据分解为一层或多层低频数据和高频数据,所述分解方法包括Sym小波、Daubechies小波中的任一种。
4.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,所述风险因子包括基本面因子和技术面因子;
所述技术面因子包括MACD指标、KDJ指标、RSI指标、BOLL指标、WR指标、DMI指标、EXPMA指标、主力买卖、大单净量、大单金额中的一项或多项。
5.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,所述步骤(3)包括:
设定分析时间区间,计算区间内各层波动曲线与所述风险因子的相关性;
预设相关性阈值,相关性超出阈值的风险因子作为所述标的的相关风险因子;
若不存在上述符合阈值的相关风险因子时,重新设定待分析的时间区间和行情周期,重复执行步骤(1)~(3)。
6.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,所述步骤(4)包括:
比较各层相关风险因子的相关性大小,以相关性最大的相关风险因子的波动趋势预测所述标的的行情趋势。
7.根据权利要求1所述的基于小波噪声分析的风险预测方法,其特征在于,还包括动态更新所述行情数据,并基于所述最新行情数据进行小波分析预测行情趋势。
8.一种基于小波噪声分析的风险预测装置,适于驻留在计算设备中,其特征在于,包括以下模块:
分解模块,适于获取标的的历史行情数据,采用小波分析将所述行情数据分解生成低频数据和高频数据;
信号重构模块,适于基于所述高频数据进行重构生成波动曲线;
相关性计算模块,适于计算所述波动曲线与风险因子的相关性,基于相关性大小确定所述标的的相关风险因子;
行情预测模块,适于基于相关风险因子趋势预测所述标的的行情趋势。
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1-7所述方法中的任一方法的指令。
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1-7所述方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132147.4A CN108492186A (zh) | 2018-02-09 | 2018-02-09 | 基于小波噪声分析的风险预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132147.4A CN108492186A (zh) | 2018-02-09 | 2018-02-09 | 基于小波噪声分析的风险预测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492186A true CN108492186A (zh) | 2018-09-04 |
Family
ID=63340161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810132147.4A Pending CN108492186A (zh) | 2018-02-09 | 2018-02-09 | 基于小波噪声分析的风险预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488805A (zh) * | 2020-12-17 | 2021-03-12 | 四川长虹电器股份有限公司 | 基于多元回归时间序列分析的长租市场预警方法 |
-
2018
- 2018-02-09 CN CN201810132147.4A patent/CN108492186A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488805A (zh) * | 2020-12-17 | 2021-03-12 | 四川长虹电器股份有限公司 | 基于多元回归时间序列分析的长租市场预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | A decomposition-ensemble approach for tourism forecasting | |
Brophy et al. | Generative adversarial networks in time series: A survey and taxonomy | |
Kao | Efficiency decomposition and aggregation in network data envelopment analysis | |
Zhang et al. | Multi-step-ahead crude oil price forecasting based on two-layer decomposition technique and extreme learning machine optimized by the particle swarm optimization algorithm | |
Wu et al. | The two freedoms, economic growth and development: An empirical study | |
Anand et al. | What do we know about global income inequality? | |
Arroyo et al. | Forecasting with interval and histogram data. Some financial applications | |
Yang et al. | Analysis of linkage effects among industry sectors in China’s stock market before and after the financial crisis | |
Xiao et al. | A multiscale modeling approach incorporating ARIMA and ANNs for financial market volatility forecasting | |
Yang et al. | A novel two-stage approach for cryptocurrency analysis | |
Bastos et al. | Clustering financial time series with variance ratio statistics | |
CN109784779A (zh) | 财务风险预测方法、装置及存储介质 | |
Emir et al. | A stock selection model based on fundamental and technical analysis variables by using artificial neural networks and support vector machines | |
Farimani et al. | Leveraging latent economic concepts and sentiments in the news for market prediction | |
Ngo et al. | Does reinforcement learning outperform deep learning and traditional portfolio optimization models in frontier and developed financial markets? | |
Thwal et al. | OnDev-LCT: On-Device Lightweight Convolutional Transformers towards federated learning | |
CN108492186A (zh) | 基于小波噪声分析的风险预测方法、设备及存储介质 | |
Andersen et al. | A novel algorithmic trading framework applying evolution and machine learning for portfolio optimization | |
Du et al. | A novel crude oil futures trading strategy based on volume-price time-frequency decomposition with ensemble deep reinforcement learning | |
Xiao et al. | Multiple dimensioned mining of financial fluctuation through radial basis function networks | |
Selvanambi et al. | Performance Evaluation of Association Rule Mining with Enhanced Apriori Algorithm Incorporated with Artificial Bee Colony Optimization Algorithm. | |
Bhattacharyya et al. | The Dynamics of India’s Major Exchange Rates | |
Kumah | Cryptocurrency and African fiat currencies: A peaceful coexistence? | |
Paluch et al. | Intelligent information system for stock exchange data processing and presentation | |
CN109472454A (zh) | 活动评估方法、装置、电子设备及存储介质 |
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: 20180904 |