CN109584075A - 股票因子检验方法、装置、计算机设备以及存储介质 - Google Patents
股票因子检验方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN109584075A CN109584075A CN201811472781.9A CN201811472781A CN109584075A CN 109584075 A CN109584075 A CN 109584075A CN 201811472781 A CN201811472781 A CN 201811472781A CN 109584075 A CN109584075 A CN 109584075A
- Authority
- CN
- China
- Prior art keywords
- factor
- stock
- stock factor
- linear regression
- independent variable
- 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
本发明实施例公开了一种股票因子检验方法、装置、计算机设备以及存储介质,其中,所述方法包括:获取股票市场中的历史股票因子;对所述历史股票因子进行z‑score标准化处理;将已处理的历史股票因子进行排序;将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;采用t检验法对所述线性回归模型中的自变量进行相关性检验。本发明基于数据分析,能够对股票因子进行精确化处理,通过多种数据分析手段对股票因子进行有效性检验,从而保证股票预测的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种股票因子检验方法、装置、计算机设备以及存储介质。
背景技术
目前采用的股票因子检验,大多数是直接获取因子数据,简单粗暴的进行检验,并未对因子数据进行数据分析、以及标准化处理,导致筛选出来的股票因子在实际股票交易中未能真正有效地作为选股的标准,另外,这些无效的股票因子会进一步影响股民对股票的判断,导致股民在买卖股票时判断不准确而造成巨大的经济损失。
发明内容
有鉴于此,本发明实施例提供一种股票因子检验方法、装置、计算机设备以及存储介质,能够对股票因子进行精确化处理,通过多种数据分析手段对股票因子进行有效性检验,从而保证股票预测的准确性。
一方面,本发明实施例提供了一种股票因子检验方法,该方法包括:
获取股票市场中的历史股票因子;
对所述历史股票因子进行z-score标准化处理;
将已处理的历史股票因子进行排序;
将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
采用t检验法对所述线性回归模型中的自变量进行相关性检验。
另一方面,本发明实施例提供了一种股票因子检验装置,所述装置包括:
获取单元,用于获取股票市场中的历史股票因子;
标准化处理单元,用于对所述历史股票因子进行z-score标准化处理;
排序单元,用于将已处理的历史股票因子进行排序;
构建单元,用于将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
相关性检验单元,用于采用t检验法对所述线性回归模型中的自变量进行相关性检验。
又一方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的股票因子检验方法。
再一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,以实现如上所述的股票因子检验方法。
本发明实施例提供一种股票因子检验方法、装置、计算机设备以及存储介质,其中方法包括:获取股票市场中的历史股票因子;对所述历史股票因子进行z-score标准化处理;将已处理的历史股票因子进行排序;将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;采用t检验法对所述线性回归模型中的自变量进行相关性检验。本发明基于数据分析,能够对股票因子进行精确化处理,通过多种数据分析手段对股票因子进行有效性检验,从而保证股票预测的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种股票因子检验方法的示意流程图;
图2是图1中提供的一种股票因子检验方法的应用场景示意图;
图3是本发明实施例提供的一种股票因子检验装置的示意性框图;
图4是本发明实施例提供的一种计算机设备的结构组成示意图。
具体实施方式
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。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明实施例提供了一种股票因子检验方法、装置、计算机设备以及存储介质。
请参阅图1,图1为本发明实施例提供的一种股票因子检验方法的示意流程图。如图1所示,该方法包括以下步骤S101~S105。
S101,获取股票市场中的历史股票因子。
在本发明实施例中,股票因子分为两大类,分别包含股票基本面指标因子与股票技术面指标因子。其中,股票基本面指标因子主要是基于对股票基本面的分析,如ROA(Return on Assets,资产收益率)、ROE(Rate of Return on Common Stockholders’Equity,净资产收益率)、资产负债率等;股票技术面指标因子主要是基于股票的技术层面的指标,如股票换手率、股票波动率、股票流通市值,股票规模因子(如股票总市值)、估值因子(如TTM(Trailing Twelve Months,股票市盈率))、股票成长因子(如股票营业利润同比增长率)、股票盈利因子(如净资产收益率)、股票动量反转因子(如股票前1个月涨跌幅)、股票交投因子(如股票前1个月日均换手率)、股票波动因子(如股票前1个月波动率)、股东因子(如户均持股比例变化、机构持股变化)、分析师预测因子(如最近1个月净利润上调幅度)等等。
具体地,在本实施例中所获取的股票因子可以是股票市场中过去十年间的因子数据,更具体地,本实施例通过选择在股票交易期间位于月末的股票因子作为检验对象,例如:选取于2018年8月31日的A股中除去停牌的3000多只股票的PE(Price earnings ratio,市盈率)作为检验的历史股票因子。
S102,对所述历史股票因子进行z-score标准化处理。
在本发明实施例中,因为所选择的股票中的历史股票因子的分布过于凌乱,无法确定历史股票因子的最大值与最小值,以及当历史股票因子的数据过大时对股票的检验结果造成影响(比如降低了股票因子对股票的检验效率),因此需要对历史股票因子进行z-score标准化处理,在本实施例中,z-score标准化处理可以将历史股票因子中的空数据置0,对非空数据置1的统一化处理。
具体地,本实施例的z-score标准化处理是基于原始股票因子数据的均值和标准差进行的股票因子数据的标准化过程。所述对所述历史股票因子进行z-score标准化处理的步骤,使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
使用计算公式(1)对历史股票因子进行z-score标准化处理,通过原始股票因子的均值xavg和标准方差s进行对历史股票因子的标准化,经过处理的因子数据符合标准正态分布,即均值为0,标准方差为1,其标准化后的数值大小有正有负,如下图2所示,z-score表示原始股票因子数据偏离均值的距离长短,而该距离度量的标准是标准方差。z-score大于零表示该股票因子数据大于均值。z-score小于零表示该股票因子数据小于均值。z-score等于零表示该股票因子数据等于均值。z-score等于“1”表示该股票因子数据比均值大一个标准方差。z-score等于“-1”表示该股票因子数据比均值小一个标准方差。本实施例对于股票因子数据分布过于凌乱,无法判断最大值与最小值,或者数据中存在过多的奇异点的问题,可以通过z-score标准化处理方法对股票因子数据做规范化处理。
S103,将已处理的历史股票因子进行排序。
在本发明实施例中,为了实现对多时间点或者不同大小的历史股票因子进行有效的处理,在此步骤中对历史股票因子按照一定顺序进行排序,比如,排序后对于不同时间点的管理就可以归为简单的时间轴上的各个时间点的管理,排序后对于不同大小的管理就可以方便对历史股票因子进行程序计算。具体地,所述将已处理的历史股票因子进行排序的步骤,具体包括:将已处理的历史股票因子按照特定的时间顺序进行排序,或者将已处理的历史股票因子按照因子的大小进行排序。
S104,将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型。
在本发明实施例中,若历史股票因子为PE,则将PE作为自变量,相对应的,将横截面股票收益率作为因变量,比如,我们选取于2018年8月31日的A股中,除去停牌的3000多只股票的PE作为自变量,相对应的,将各股票的收益率((31号的收盘价-30号的收盘价)/30号收盘价)作为因变量。
具体地,所述运用线性回归分析拟合构建线性回归模型的步骤,可以使用以下计算公式(2)进行拟合并构建线性回归模型:
公式(2):yi=b*w*xi+q,其中,w为股票市值和所有股票市值之和的比值,xi为自变量,yi为因变量,假设给定的自变量与因变量分别为(x1,y1),通过在公式(2)中代入相关的(xi,yi)值计算出最优的参数值b和q,将计算得到的最优的参数值b和q代入公式(2),从而得到所构建的针对自变量与因变量的线性回归模型。
S105,采用t检验法对所述线性回归模型中的自变量进行相关性检验。
在本发明实施例中,t检验法指的是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布,如总体标准差未知且样本容量较小,那么样本平均数与总体平均数的离差统计量呈t分布。通过t检验法检验所构建的线性回归模型,通过t检验会得到t值,t值表示两组数据的相似度大小的参数,两组数据差异越大,t值就越大,根据得到的t值去查自变量的值,从而验证自变量对于因变量的相关性。
具体地,所述采用t检验法对所述线性回归模型中的自变量进行相关性检验的步骤,可以使用以下计算公式(3)对所述线性回归模型中的自变量进行相关性检验:
公式(3):其中,表示股票因子平均数,i=1…n,n表示股票因子总数,μ为总体均数,s为股票因子标准差,
更具体地,当线性回归模型的参数值计算完毕后,我们可以计算出y(PE值)的预测值和真实值之间的差异,利用统计学的t检验,利用t检验公式计算t值。根据经验,我们只需要默认值为置信度为95%,即可以判断他们是处于正相关,这时的t值大于2以上即可,根据t值去查PE值,p>0.95,就表明他们完全相关。
由以上可见,本发明实施例通过在接收到邮件时,获取所述邮件的邮件地址;判断所述邮件地址是否存在于预设配置列表中;若所述邮件地址存在于预设配置列表中,在当前邮件显示窗口中调用预先配置的内置浏览器;在当前邮件显示窗口中通过所述内置浏览器显示所述邮件对应的邮件正文。本发明基于数据展示,能够直接在应用程序内部调用浏览器网页显示邮件内容,并且避免调用外部的第三方浏览器,提高用户的工作效率。
请参阅图3,对应上述一种股票因子检验方法,本发明实施例还提出一种股票因子检验装置,该装置200包括:获取单元201、标准化处理单元202、排序单元203、构建单元204、相关性检验单元205。
其中,所述获取单元201,用于获取股票市场中的历史股票因子。在发明本实施例中,股票因子分为两大类,分别包含股票基本面指标因子与股票技术面指标因子。其中,股票基本面指标因子主要是基于对股票基本面的分析,如ROA(Return on Assets,资产收益率)、ROE(Rate of Return on Common Stockholders’Equity,净资产收益率)、资产负债率等;股票技术面指标因子主要是基于股票的技术层面的指标,如股票换手率、股票波动率、股票流通市值,股票规模因子(如股票总市值)、估值因子(如TTM(Trailing TwelveMonths,股票市盈率))、股票成长因子(如股票营业利润同比增长率)、股票盈利因子(如净资产收益率)、股票动量反转因子(如股票前1个月涨跌幅)、股票交投因子(如股票前1个月日均换手率)、股票波动因子(如股票前1个月波动率)、股东因子(如户均持股比例变化、机构持股变化)、分析师预测因子(如最近1个月净利润上调幅度)等等。
具体地,在本实施例中所获取的股票因子可以是股票市场中过去十年间的因子数据,更具体地,本实施例通过选择在股票交易期间位于月末的股票因子作为检验对象,例如:选取于2018年8月31日的A股中除去停牌的3000多只股票的PE(Price earnings ratio,市盈率)作为检验的历史股票因子。
标准化处理单元202,用于对所述历史股票因子进行z-score标准化处理。在本发明实施例中,因为所选择的股票中的历史股票因子的分布过于凌乱,无法确定历史股票因子的最大值与最小值,以及当历史股票因子的数据过大时对股票的检验结果造成影响(比如降低了股票因子对股票的检验效率),因此需要对历史股票因子进行z-score标准化处理,在本实施例中,z-score标准化处理可以将历史股票因子中的空数据置0,对非空数据置1的统一化处理。
具体地,本实施例的z-score标准化处理是基于原始股票因子数据的均值和标准差进行的股票因子数据的标准化过程。所述标准化处理单元202,使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
使用计算公式(1)对历史股票因子进行z-score标准化处理,通过原始股票因子的均值xavg和标准方差s进行对历史股票因子的标准化,经过处理的因子数据符合标准正态分布,即均值为0,标准方差为1,其标准化后的数值大小有正有负,如下图2所示,z-score表示原始股票因子数据偏离均值的距离长短,而该距离度量的标准是标准方差。z-score大于零表示该股票因子数据大于均值。z-score小于零表示该股票因子数据小于均值。z-score等于零表示该股票因子数据等于均值。z-score等于“1”表示该股票因子数据比均值大一个标准方差。z-score等于“-1”表示该股票因子数据比均值小一个标准方差。本实施例对于股票因子数据分布过于凌乱,无法判断最大值与最小值,或者数据中存在过多的奇异点的问题,可以通过z-score标准化处理方法对股票因子数据做规范化处理。
排序单元203,用于将已处理的历史股票因子进行排序。在本发明实施例中,为了实现对多时间点或者不同大小的历史股票因子进行有效的处理,在此步骤中对历史股票因子按照一定顺序进行排序,比如,排序后对于不同时间点的管理就可以归为简单的时间轴上的各个时间点的管理,排序后对于不同大小的管理就可以方便对历史股票因子进行程序计算。具体地,所述将已处理的历史股票因子进行排序的步骤,具体包括:将已处理的历史股票因子按照特定的时间顺序进行排序,或者将已处理的历史股票因子按照因子的大小进行排序。
构建单元204,用于将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型。在本发明实施例中,若历史股票因子为PE,则将PE作为自变量,相对应的,将横截面股票收益率作为因变量,比如,我们选取于2018年8月31日的A股中,除去停牌的3000多只股票的PE作为自变量,相对应的,将各股票的收益率((31号的收盘价-30号的收盘价)/30号收盘价)作为因变量。
具体地,所述构建单元204,可以使用以下计算公式(2)进行拟合并构建线性回归模型:
公式(2):yi=b*w*xi+q,其中,w为股票市值和所有股票市值之和的比值,xi为自变量,yi为因变量,假设给定的自变量与因变量分别为(x1,y1),通过在公式(2)中代入相关的(xi,yi)值计算出最优的参数值b和q,将计算得到的最优的参数值b和q代入公式(2),从而得到所构建的针对自变量与因变量的线性回归模型。
相关性检验单元205,用于采用t检验法对所述线性回归模型中的自变量进行相关性检验。在本发明实施例中,t检验法指的是检验一个样本平均数与一个已知的总体平均数的差异是否显著。当总体分布是正态分布,如总体标准差未知且样本容量较小,那么样本平均数与总体平均数的离差统计量呈t分布。通过t检验法检验所构建的线性回归模型,通过t检验会得到t值,t值表示两组数据的相似度大小的参数,两组数据差异越大,t值就越大,根据得到的t值去查自变量的值,从而验证自变量对于因变量的相关性。
具体地,所述相关性检验单元205,可以使用以下计算公式(3)对所述线性回归模型中的自变量进行相关性检验:
公式(3):其中,表示股票因子平均数,i=1…n,n表示股票因子总数,μ为总体均数,s为股票因子标准差,
更具体地,当线性回归模型的参数值计算完毕后,我们可以计算出y(PE值)的预测值和真实值之间的差异,利用统计学的t检验,利用t检验公式计算t值。根据经验,我们只需要默认值为置信度为95%,即可以判断他们是处于正相关,这时的t值大于2以上即可,根据t值去查PE值,p>0.95,就表明他们完全相关。
由以上可见,本发明实施例通过获取股票市场中的历史股票因子;对所述历史股票因子进行z-score标准化处理;将已处理的历史股票因子进行排序;将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;采用t检验法对所述线性回归模型中的自变量进行相关性检验。本发明基于数据分析,能够对股票因子进行精确化处理,通过多种数据分析手段对股票因子进行有效性检验,从而保证股票预测的准确性。
上述股票因子检验装置可以实现为一种计算机程序的形式,计算机程序可以在如图4所示的计算机设备上运行。
图4为本发明一种计算机设备的结构组成示意图。该设备可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式装置等具有通信功能的电子装置。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。参照图4,该计算机设备300包括通过系统总线301连接的处理器302、非易失性存储介质303、内存储器304和网络接口305。其中,该计算机设备300的非易失性存储介质303可存储操作系统3031和计算机程序3032,该计算机程序3032被执行时,可使得处理器302执行一种股票因子检验方法。该计算机设备300的处理器302用于提供计算和控制能力,支撑整个计算机设备300的运行。该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境,该计算机程序被处理器执行时,可使得处理器302执行一种股票因子检验方法。计算机设备300的网络接口305用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器302执行所述计算机程序时实现如下操作:
获取股票市场中的历史股票因子;
对所述历史股票因子进行z-score标准化处理;
将已处理的历史股票因子进行排序;
将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
采用t检验法对所述线性回归模型中的自变量进行相关性检验。
在一个实施例中,所述对所述历史股票因子进行z-score标准化处理,包括:
使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
在一个实施例中,所述将已处理的历史股票因子进行排序,包括:
将已处理的历史股票因子按照特定的时间顺序进行排序,或者
将已处理的历史股票因子按照因子的大小进行排序。
在一个实施例中,所述将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型,包括:
将排序后的已处理的历史股票因子作为自变量,运用最小二乘法进行拟合并构建线性回归模型;其中,可以使用以下计算公式(2)进行拟合并构建线性回归模型:
公式(2):yi=b*w*xi+q,其中,w为股票市值和所有股票市值之和的比值,xi为自变量,yi为因变量,假设给定的自变量与因变量分别为(x1,y1),通过在公式(2)中代入相关的(xi,yi)值计算出最优的参数值b和q,将计算得到的最优的参数值b和q代入公式(2),从而得到所构建的针对自变量与因变量的线性回归模型。
在一个实施例中,所述采用t检验法对所述线性回归模型中的自变量进行相关性检验,包括:
使用以下计算公式(3)对所述线性回归模型中的自变量进行相关性检验:
公式(3):其中,表示股票因子平均数,i=1…n,n表示股票因子总数,μ为总体均数,s为股票因子标准差,
本领域技术人员可以理解,图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图4所示实施例一致,在此不再赘述。
本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,以实现以下步骤:
获取股票市场中的历史股票因子;
对所述历史股票因子进行z-score标准化处理;
将已处理的历史股票因子进行排序;
将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
采用t检验法对所述线性回归模型中的自变量进行相关性检验。
在一个实施例中,所述对所述历史股票因子进行z-score标准化处理,包括:
使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
在一个实施例中,所述将已处理的历史股票因子进行排序,包括:
将已处理的历史股票因子按照特定的时间顺序进行排序,或者
将已处理的历史股票因子按照因子的大小进行排序。
在一个实施例中,所述将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型,包括:
将排序后的已处理的历史股票因子作为自变量,运用最小二乘法进行拟合并构建线性回归模型;其中,可以使用以下计算公式(2)进行拟合并构建线性回归模型:
公式(2):yi=b*w*xi+q,其中,w为股票市值和所有股票市值之和的比值,xi为自变量,yi为因变量,假设给定的自变量与因变量分别为(x1,y1),通过在公式(2)中代入相关的(xi,yi)值计算出最优的参数值b和q,将计算得到的最优的参数值b和q代入公式(2),从而得到所构建的针对自变量与因变量的线性回归模型。
在一个实施例中,所述采用t检验法对所述线性回归模型中的自变量进行相关性检验,包括:
使用以下计算公式(3)对所述线性回归模型中的自变量进行相关性检验:
公式(3):其中,表示股票因子平均数,i=1…n,n表示股票因子总数,μ为总体均数,s为股票因子标准差,
本发明前述的存储介质包括:磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等各种可以存储程序代码的介质。
本发明所有实施例中的单元可以通过通用集成电路,例如CPU(CentralProcessing Unit,中央处理器),或通过ASIC(Application Specific IntegratedCircuit,专用集成电路)来实现。
本发明实施例股票因子检验方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例股票因子检验装置中的单元可以根据实际需要进行合并、划分和删减。
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,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (10)
1.一种股票因子检验方法,其特征在于,所述方法包括:
获取股票市场中的历史股票因子;
对所述历史股票因子进行z-score标准化处理;
将已处理的历史股票因子进行排序;
将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
采用t检验法对所述线性回归模型中的自变量进行相关性检验。
2.如权利要求1所述的方法,其特征在于,所述对所述历史股票因子进行z-score标准化处理,包括:
使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
3.如权利要求1所述的方法,其特征在于,所述将已处理的历史股票因子进行排序,包括:
将已处理的历史股票因子按照特定的时间顺序进行排序,或者
将已处理的历史股票因子按照因子的大小进行排序。
4.如权利要求1所述的方法,其特征在于,所述将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型,包括:
将排序后的已处理的历史股票因子作为自变量,运用最小二乘法进行拟合并构建线性回归模型;其中,可以使用以下计算公式(2)进行拟合并构建线性回归模型:
公式(2):yi=b*w*xi+q,其中,w为股票市值和所有股票市值之和的比值,xi为自变量,yi为因变量,假设给定的自变量与因变量分别为(x1,y1),通过在公式(2)中代入相关的(xi,yi)值计算出最优的参数值b和q,将计算得到的最优的参数值b和q代入公式(2),从而得到所构建的针对自变量与因变量的线性回归模型。
5.如权利要求1所述的方法,其特征在于,所述采用t检验法对所述线性回归模型中的自变量进行相关性检验,包括:
使用以下计算公式(3)对所述线性回归模型中的自变量进行相关性检验:
公式(3):其中,表示股票因子平均数,n表示股票因子总数,μ为总体均数,s为股票因子标准差,
6.一种股票因子检验装置,其特征在于,所述装置包括:
获取单元,用于获取股票市场中的历史股票因子;
标准化处理单元,用于对所述历史股票因子进行z-score标准化处理;
排序单元,用于将已处理的历史股票因子进行排序;
构建单元,用于将排序后的已处理的历史股票因子作为自变量,运用线性回归分析拟合构建线性回归模型;
相关性检验单元,用于采用t检验法对所述线性回归模型中的自变量进行相关性检验。
7.如权利要求6所述的装置,其特征在于,所述标准化处理单元,具体使用以下计算公式(1)对所述历史股票因子进行z-score标准化处理:
公式(1):其中,xi表示原始股票因子对应的值,xavg表示全部原始股票因子的均值,s表示xi的标准方差,n表示股票因子的总数。
8.如权利要求6所述的装置,其特征在于,所述排序单元,具体用于:将已处理的历史股票因子按照特定的时间顺序进行排序,或者将已处理的历史股票因子按照因子的大小进行排序。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的股票因子检验方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行,以实现如权利要求1-5任一项所述的股票因子检验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472781.9A CN109584075A (zh) | 2018-12-04 | 2018-12-04 | 股票因子检验方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811472781.9A CN109584075A (zh) | 2018-12-04 | 2018-12-04 | 股票因子检验方法、装置、计算机设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584075A true CN109584075A (zh) | 2019-04-05 |
Family
ID=65926905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811472781.9A Pending CN109584075A (zh) | 2018-12-04 | 2018-12-04 | 股票因子检验方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584075A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156775A (zh) * | 2013-06-28 | 2014-11-19 | 贵州电网公司电力调度控制中心 | 基于多元线性回归算法的气象灾害预测方法 |
CN106651578A (zh) * | 2016-11-25 | 2017-05-10 | 北京工商大学 | 一种股价走势预测方法和系统 |
-
2018
- 2018-12-04 CN CN201811472781.9A patent/CN109584075A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156775A (zh) * | 2013-06-28 | 2014-11-19 | 贵州电网公司电力调度控制中心 | 基于多元线性回归算法的气象灾害预测方法 |
CN106651578A (zh) * | 2016-11-25 | 2017-05-10 | 北京工商大学 | 一种股价走势预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
尤释卫: ""基于多元线性回归的医药卫生行业股票收益率影响因素实证研究"", 《通讯世界》, no. 10, pages 239 - 241 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402061A (zh) | 一种资产管理方法和系统 | |
CN109784779A (zh) | 财务风险预测方法、装置及存储介质 | |
CN107622326A (zh) | 用户分类、可用资源预测方法、装置及设备 | |
Niemczak et al. | Middle Eastern stock markets: absolute, evolving and relative efficiency | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
Abughazaleh et al. | Audit quality, auditor size and legal environments | |
Gupta-Mukherjee | When active fund managers deviate from their peers: Implications for fund performance | |
Anantadjaya et al. | Inventory and Financial Performance Selected Publicly Listed Manufacturing Indonesian and German Companies | |
Cerqueti et al. | A network-based measure of the socio-economic roots of the migration flows | |
CN114782123A (zh) | 一种信用评估方法及系统 | |
CN109584075A (zh) | 股票因子检验方法、装置、计算机设备以及存储介质 | |
Razani et al. | The Influence of Audit Tenure and Audit Committee on Earnings Quality | |
Zyguła | Impact of foreign ownership on dividend policy in Poland | |
Putra et al. | The Moderating Role of Data Privacy and Protection Security on Service Quality, Brand Equity, and Tariff Towards Firm Performance | |
Nowland | Shareholder rights, telecommunications and director attendance around the world | |
Bellini et al. | Conditional tail behaviour and Value at Risk | |
Rabe | The efficiency of early warning indicators for financial crises | |
Hamidon et al. | Capital structure and firm’s financial performance: A Study of Sri Lankan manufacturing sector | |
Mu’tamaria | The Influence of Return on Assets And Return on Equity to Companies ‘Stock Price in the Telecommunication Sector registered in the Indonesia Stock Exchange a Periode of 2014 | |
Zamfir et al. | A view of ICT in Europe | |
US20160042091A1 (en) | System And Method Of Forming An Index | |
Souza et al. | Adaptability in the Brazilian Capital Market: Aspects Associated with Efficiency Reported by Companies Listed in B3 | |
da Silva Pereira | Capital Structure and the Impacts of Legal Systems | |
de Mingo-López et al. | Persistence versus mobility of sociallyresponsible funds: intra-distribution dynamics and mobility trends | |
Sobenes et al. | Economic performance of benthic resource management areas in the Bío Bío region |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |