CN109993336A - 基于小波分析的金融投资数据突变分析方法及其系统 - Google Patents

基于小波分析的金融投资数据突变分析方法及其系统 Download PDF

Info

Publication number
CN109993336A
CN109993336A CN201711477483.4A CN201711477483A CN109993336A CN 109993336 A CN109993336 A CN 109993336A CN 201711477483 A CN201711477483 A CN 201711477483A CN 109993336 A CN109993336 A CN 109993336A
Authority
CN
China
Prior art keywords
data
financial
peak
wavelet
module
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
CN201711477483.4A
Other languages
English (en)
Inventor
许松钦
张冠英
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.)
Guangzhou Mulan Information Technology Co Ltd
Original Assignee
Guangzhou Mulan Information 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 Guangzhou Mulan Information Technology Co Ltd filed Critical Guangzhou Mulan Information Technology Co Ltd
Priority to CN201711477483.4A priority Critical patent/CN109993336A/zh
Publication of CN109993336A publication Critical patent/CN109993336A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Technology Law (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)

Abstract

本发明涉及基于小波分析的金融投资数据突变分析方法及其系统，该方法包括获取海量金融投资数据；对数据进行预处理；对预处理后的数据进行基线校正，获取基线统一的曲线图；利用小波变化对基线统一的曲线图进行转换；对转换后的曲线图进行峰识别；获取峰对应的时间段及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。本发明通过对金融投资数据进行预处理和基线校正，利用小波变化对基线统一的曲线图进行转换，由金融相关资讯获取数据突变原因，再结合BP神经网络获取预测结果，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。

Description

基于小波分析的金融投资数据突变分析方法及其系统
技术领域
本发明涉及金融投资技术领域，更具体地说是指基于小波分析的金融投资数据突变分析方法及其系统。
背景技术
现代商业、金融的投资中，任何理性的投资者总是希望收益能够取得最大化，但是也面临着不确定性所引致的风险。而且大的收益总是伴随着高的风险。在有很多种资产可供选择，又有很多投资方案的情况下，投资越分散，总的风险就越小。为了同时兼顾收益和风险，追求大的收益和小的风险构成一个两目标决策问题，依据决策者对收益和风险的理解和偏好将其转化为一个单目标最优化问题求解。随着投资者对收益和风险的日益关注如何选择较好的投资组合方案是提高投资效益的根本保证。传统的投资组合遵循“不要将所有的鸡蛋放在一个篮子里”的原则将投资分散化。
目前，大多数金融投资数据在分析过程中，大部分是由人为粗略分析，并没有专门设置对金融投资数据突变的有效分离和分析，这样容易存在无法为投资者提供具体有效地应对投资突变的对策，也存在一些非法份子私底下交易后导致数据突变而无法及时进行投资补救，造成广大投资者的利益受损以及投资市场动荡。
因此，有必要设计一种基于小波分析的金融投资数据突变分析方法，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。
发明内容
本发明的目的在于克服现有技术的缺陷，提供基于小波分析的金融投资数据突变分析方法及其系统。
为实现上述目的，本发明采用以下技术方案：基于小波分析的金融投资数据突变分析方法，所述方法包括：
获取海量金融投资数据；
对数据进行预处理；
对预处理后的数据进行基线校正，获取基线统一的曲线图；
利用小波变化对所述基线统一的曲线图进行转换；
对转换后的曲线图进行峰识别；
获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
其进一步技术方案为：对数据进行预处理的步骤，包括以下具体步骤：
对数据按照投资领域进行分类；
对分类后的数据按照时间进行排序。
其进一步技术方案为：利用小波变化对所述基线统一的曲线图进行转换的步骤，包括以下具体步骤；
选取小波基；
选取窗口；
根据小波基和窗口对所述基线统一的曲线图进行转换。
其进一步技术方案为：获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果的步骤，包括以下具体步骤；
获取峰对应的时间段以及金融相关资讯；
利用BP神经网络对各峰建立预测模型；
根据金融相关资讯获取预测模型中各峰的权重；
对各峰进行综合加权计算，获取金融投资预测结果。
本发明还提供了基于小波分析的金融投资数据突变分析系统，包括数据获取单元、预处理单元、校正单元、转换单元、识别单元以及结果获取单元；
所述数据获取单元，用于获取海量金融投资数据；
所述预处理单元，用于对数据进行预处理；
所述校正单元，用于对预处理后的数据进行基线校正，获取基线统一的曲线图；
所述转换单元，用于利用小波变化对所述基线统一的曲线图进行转换；
所述识别单元，用于对转换后的曲线图进行峰识别；
所述结果获取单元，用于获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
其进一步技术方案为：所述预处理单元包括分类模块以及排序模块；
所述分类模块，用于对数据按照投资领域进行分类；
所述排序模块，用于对分类后的数据按照时间进行排序。
其进一步技术方案为：所述转换单元包括小波基选取模块、窗口选取模块以及图形转换模块；
所述小波基选取模块，用于选取小波基；
所述窗口选取模块，用于选取窗口；
所述图形转换模块，用于根据小波基和窗口对所述基线统一的曲线图进行转换。
其进一步技术方案为：所述结果获取单元包括资讯获取模块、模型建立模块、权重获取模块以及计算模块；
所述资讯获取模块，用于获取峰对应的时间段以及金融相关资讯；
所述模型建立模块，用于利用BP神经网络对各峰建立预测模型；
所述权重获取模块，用于根据金融相关资讯获取预测模型中各峰的权重；
所述计算模块，用于对各峰进行综合加权计算，获取金融投资预测结果。
本发明与现有技术相比的有益效果是：本发明的基于小波分析的金融投资数据突变分析方法，通过对金融投资数据进行预处理和基线校正，利用小波变化对所述基线统一的曲线图进行转换，由金融相关资讯获取数据突变原因，再结合BP神经网络获取预测结果，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于小波分析的金融投资数据突变分析方法的流程图；
图2为本发明具体实施例提供的对数据进行预处理的流程图；
图3为本发明具体实施例提供的利用小波变化对所述基线统一的曲线图进行转换的流程图；
图4为本发明具体实施例提供的获取金融投资预测结果的流程图；
图5为本发明具体实施例提供的基于小波分析的金融投资数据突变分析系统的结构框图；
图6为本发明具体实施例提供的预处理单元的结构框图；
图7为本发明具体实施例提供的转换单元的结构框图；
图8为本发明具体实施例提供的结果获取单元的流程图。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
如图1～8所示的具体实施例，本实施例提供的基于小波分析的金融投资数据突变分析方法，可以运用在各类金融投资分析过程中，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。
如图1所示，本实施例提供了基于小波分析的金融投资数据突变分析方法，该方法包括：
S1、获取海量金融投资数据；
S2、对数据进行预处理；
S3、对预处理后的数据进行基线校正，获取基线统一的曲线图；
S4、利用小波变化对所述基线统一的曲线图进行转换；
S5、对转换后的曲线图进行峰识别；
S6、获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
对于上述的S1步骤，具体是从互联网上获取金融投资数据，或者，与金融交易中心连接，获取至少一个金融投资数据并存入数据库，数据库DB触发器监测数据库表，数据库以行存储方式存储所述数据库表的数据，相应于监测到所述数据库表发生数据更新时，DB触发器将表示所述数据库表发生的数据更新情况的数据更新信息记录到日志记录表中，其中，数据库表发生数据更新包括所述数据库表发生新增、修改或删除数据事件，数据更新记录包括发生数据更新的数据库表表示ID和所述发生数据更新的位置信息，行列存储转换单元实时读取所述日志记录表中更新的数据更新信息，若所述更新的数据更新信息表示有数据库表发生数据更新时，行列存储转换单元4根据所述数据库表的数据更新信息中的位置信息，从业务系统的数据库中的相应位置读取更新数据，并将该更新数据同步以列存储方式存储数据库表的数据的内存数据库中的对应位置，预设数据库表为预先设定的需要实时同步到内存数据库中的数据库表。
更进一步地，在某些实施例中，对于上述的S2步骤，对数据进行预处理的步骤，包括以下具体步骤：
S21、对数据按照投资领域进行分类；
S22、对分类后的数据按照时间进行排序。
对于上述的S21步骤至S22步骤，具体是为了形成按照时间和投资类别的总曲线图和子曲线图，当然，于其他实施例，可以只获取子曲线图，这样可以细化得知每个不同类别金融投资数据的分布情况。
另外，对于上述的S3步骤，具体是为了获取基准线，基准线的位置对于分析而言起着至关重要的作用，基准线选取的合适，可以减少分析的时间，提高分析效率。
更进一步地，对于上述的S4步骤，利用小波变化对所述基线统一的曲线图进行转换的步骤，包括以下具体步骤；
S41、选取小波基；
S42、选取窗口；
S43、根据小波基和窗口对所述基线统一的曲线图进行转换。
在本实施例中，基线统一的曲线图为原始的曲线图，是根据直接从金融交易中心获取出来的投资数据作出的曲线图。对原始曲线图执行基线校正后得到基线统一的曲线图。本实施例采取的小波变换表达式如下：其中，f(x)等于在x时间电处的数据值。i的取值范围是从有效数据值阈的左阈值到右阈值。其中，i代表在原始曲线中当前需要计算的点的x坐标，x的取值范围从i-36到i+36，也就是i的左右36个点，因此点的间隔取决于自己定义的精度。通过小波变换，得到的结果是新的拟合曲线中每个点的坐标信息。变换后的峰变的更加锐利，从而使得原始曲线的峰完成了有效分离；基线倾斜的现象被很好的消除，峰的轮廓得到了很好的还原。
在本实施例中可以采用Haar小波函数、墨西哥草帽(Mexican hat)小波函数、或者Morlet小波函数(Jean Morlet，1984年)进行转换。
最佳地，本实施例需要解决的问题是进行数据分离还原成各个单峰。故采用墨西哥草帽(Mexican hat)基函数最为恰当，墨西哥草帽(Mexican hat)小波基函数是类高斯峰。
对于上述的S5步骤，峰识别过程中，具体获取的峰具备“该峰的最高点的纵坐标需要分别大于其左右两个点(一共四个点)各自的纵坐标，并且其左一点的纵坐标需要大于其左二点的纵坐标，其右一点的纵坐标需要大于其右二点的纵坐标”的特点。
更进一步地，在某些实施例中，对于上述的S6步骤，获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果的步骤，包括以下具体步骤；
S61、获取峰对应的时间段以及金融相关资讯；
S62、利用BP神经网络对各峰建立预测模型；
S63、根据金融相关资讯获取预测模型中各峰的权重；
S64、对各峰进行综合加权计算，获取金融投资预测结果。
对于上述的S61步骤，获取峰对应的对应时间段的金融相关资讯，是为了判断资讯内是否隐藏突变的缘由，具体是从语义分析和自然语言分析技术进行分析获取关键词，从关键词分析缘由。
对于上述的S62步骤，具体地，BP神经网络是是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。利用BP神经网络对各峰建立预测模型，是为了获取各峰之间的关联关系，从整体分析数据突变的原因，提高分析的准确度。
上述的S1步骤至S6步骤，对实测非平稳金融投资数据进行分解，将非平稳性原始金融投资数据序列转化为多层较平稳分解金融投资数据序列，再利用BP神经网络对各分解层金融投资数据序列建立预测模型，最终加权各层预测结果获得金融投资数据超前多步预测结果。
对于上述的基于小波分析的金融投资数据突变分析方法，通过对金融投资数据进行预处理和基线校正，利用小波变化对所述基线统一的曲线图进行转换，由金融相关资讯获取数据突变原因，再结合BP神经网络获取预测结果，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。
如图5所示，本实施例还提供了基于小波分析的金融投资数据突变分析系统，其包括数据获取单元1、预处理单元2、校正单元3、转换单元4、识别单元5以及结果获取单元6。
数据获取单元1，用于获取海量金融投资数据。
预处理单元2，用于对数据进行预处理。
校正单元3，用于对预处理后的数据进行基线校正，获取基线统一的曲线图。
转换单元4，用于利用小波变化对所述基线统一的曲线图进行转换。
识别单元5，用于对转换后的曲线图进行峰识别。
结果获取单元6，用于获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
对于上述的数据获取单元1，具体是从互联网上获取金融投资数据，或者，与金融交易中心连接，获取至少一个金融投资数据并存入数据库，数据库DB触发器监测数据库表，数据库以行存储方式存储所述数据库表的数据，相应于监测到所述数据库表发生数据更新时，DB触发器将表示所述数据库表发生的数据更新情况的数据更新信息记录到日志记录表中，其中，数据库表发生数据更新包括所述数据库表发生新增、修改或删除数据事件，数据更新记录包括发生数据更新的数据库表表示ID和所述发生数据更新的位置信息，行列存储转换单元4实时读取所述日志记录表中更新的数据更新信息，若所述更新的数据更新信息表示有数据库表发生数据更新时，行列存储转换单元4根据所述数据库表的数据更新信息中的位置信息，从业务系统的数据库中的相应位置读取更新数据，并将该更新数据同步以列存储方式存储数据库表的数据的内存数据库中的对应位置，预设数据库表为预先设定的需要实时同步到内存数据库中的数据库表。
对于上述的预处理单元2包括分类模块21以及排序模块22。
分类模块21，用于对数据按照投资领域进行分类。
排序模块22，用于对分类后的数据按照时间进行排序。
上述的分类模块21以及排序模块22具体是为了形成按照时间和投资类别的总曲线图和子曲线图，当然，于其他实施例，可以只获取子曲线图，这样可以细化得知每个不同类别金融投资数据的分布情况。
另外，对于上述的校正单元3具体是为了获取基准线，基准线的位置对于分析而言起着至关重要的作用，基准线选取的合适，可以减少分析的时间，提高分析效率。
更进一步地，在某些实施例中，上述的转换单元4包括小波基选取模块41、窗口选取模块42以及图形转换模块43；
小波基选取模块41，用于选取小波基。
窗口选取模块42，用于选取窗口。
图形转换模块43，用于根据小波基和窗口对所述基线统一的曲线图进行转换。
在本实施例中，基线统一的曲线图为原始的曲线图，是根据直接从金融交易中心获取出来的投资数据作出的曲线图。对原始曲线图执行基线校正后得到基线统一的曲线图。本实施例采取的小波变换表达式如下：其中，f(x)等于在x时间电处的数据值。i的取值范围是从有效数据值阈的左阈值到右阈值。其中，i代表在原始曲线中当前需要计算的点的x坐标，x的取值范围从i-36到i+36，也就是i的左右36个点，因此点的间隔取决于自己定义的精度。通过小波变换，得到的结果是新的拟合曲线中每个点的坐标信息。变换后的峰变的更加锐利，从而使得原始曲线的峰完成了有效分离；基线倾斜的现象被很好的消除，峰的轮廓得到了很好的还原。
在本实施例中可以采用Haar小波函数、墨西哥草帽(Mexican hat)小波函数、或者Morlet小波函数(Jean Morlet，1984年)进行转换。
最佳地，本实施例需要解决的问题是进行数据分离还原成各个单峰。故采用墨西哥草帽(Mexican hat)基函数最为恰当，墨西哥草帽(Mexican hat)小波基函数是类高斯峰。
上述的识别单元5而言，峰识别过程中，具体获取的峰具备“该峰的最高点的纵坐标需要分别大于其左右两个点(一共四个点)各自的纵坐标，并且其左一点的纵坐标需要大于其左二点的纵坐标，其右一点的纵坐标需要大于其右二点的纵坐标”的特点。
更进一步地，在某些实施例中，对于上述的结果获取单元6包括资讯获取模块61、模型建立模块62、权重获取模块63以及计算模块64。
资讯获取模块61，用于获取峰对应的时间段以及金融相关资讯。是为了判断资讯内是否隐藏突变的缘由，具体是从语义分析和自然语言分析技术进行分析获取关键词，从关键词分析缘由。
模型建立模块62，用于利用BP神经网络对各峰建立预测模型。具体地，BP神经网络是是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。利用BP神经网络对各峰建立预测模型，是为了获取各峰之间的关联关系，从整体分析数据突变的原因，提高分析的准确度。
权重获取模块63，用于根据金融相关资讯获取预测模型中各峰的权重。
计算模块64，用于对各峰进行综合加权计算，获取金融投资预测结果。
对实测非平稳金融投资数据进行分解，将非平稳性原始金融投资数据序列转化为多层较平稳分解金融投资数据序列，再利用BP神经网络对各分解层金融投资数据序列建立预测模型，最终加权各层预测结果获得金融投资数据超前多步预测结果。
对于上述的基于小波分析的金融投资数据突变分析系统，通过对金融投资数据进行预处理和基线校正，利用小波变化对所述基线统一的曲线图进行转换，由金融相关资讯获取数据突变原因，再结合BP神经网络获取预测结果，实现有效分离和分析金融投资数据突变的缘由，及时为投资者提供具体有效地应对投资突变的对策，减少广大投资者的利益损失和稳定投资市场。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (8)

1.基于小波分析的金融投资数据突变分析方法，其特征在于，所述方法包括：
获取海量金融投资数据；
对数据进行预处理；
对预处理后的数据进行基线校正，获取基线统一的曲线图；
利用小波变化对所述基线统一的曲线图进行转换；
对转换后的曲线图进行峰识别；
获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
2.根据权利要求1所述的基于小波分析的金融投资数据突变分析方法，其特征在于，对数据进行预处理的步骤，包括以下具体步骤：
对数据按照投资领域进行分类；
对分类后的数据按照时间进行排序。
3.根据权利要求1所述的基于小波分析的金融投资数据突变分析方法，其特征在于，利用小波变化对所述基线统一的曲线图进行转换的步骤，包括以下具体步骤；
选取小波基；
选取窗口；
根据小波基和窗口对所述基线统一的曲线图进行转换。
4.根据权利要求1至3任一项所述的基于小波分析的金融投资数据突变分析方法，其特征在于，获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果的步骤，包括以下具体步骤；
获取峰对应的时间段以及金融相关资讯；
利用BP神经网络对各峰建立预测模型；
根据金融相关资讯获取预测模型中各峰的权重；
对各峰进行综合加权计算，获取金融投资预测结果。
5.基于小波分析的金融投资数据突变分析系统，其特征在于，包括数据获取单元、预处理单元、校正单元、转换单元、识别单元以及结果获取单元；
所述数据获取单元，用于获取海量金融投资数据；
所述预处理单元，用于对数据进行预处理；
所述校正单元，用于对预处理后的数据进行基线校正，获取基线统一的曲线图；
所述转换单元，用于利用小波变化对所述基线统一的曲线图进行转换；
所述识别单元，用于对转换后的曲线图进行峰识别；
所述结果获取单元，用于获取峰对应的时间段以及金融相关资讯，结合金融相关资讯对识别出的峰进行检测，获取金融投资预测结果。
6.根据权利要求5所述的基于小波分析的金融投资数据突变分析系统，其特征在于，所述预处理单元包括分类模块以及排序模块；
所述分类模块，用于对数据按照投资领域进行分类；
所述排序模块，用于对分类后的数据按照时间进行排序。
7.根据权利要求6所述的基于小波分析的金融投资数据突变分析系统，其特征在于，所述转换单元包括小波基选取模块、窗口选取模块以及图形转换模块；
所述小波基选取模块，用于选取小波基；
所述窗口选取模块，用于选取窗口；
所述图形转换模块，用于根据小波基和窗口对所述基线统一的曲线图进行转换。
8.根据权利要求7所述的基于小波分析的金融投资数据突变分析系统，其特征在于，所述结果获取单元包括资讯获取模块、模型建立模块、权重获取模块以及计算模块；
所述资讯获取模块，用于获取峰对应的时间段以及金融相关资讯；
所述模型建立模块，用于利用BP神经网络对各峰建立预测模型；
所述权重获取模块，用于根据金融相关资讯获取预测模型中各峰的权重；
所述计算模块，用于对各峰进行综合加权计算，获取金融投资预测结果。
CN201711477483.4A 2017-12-29 2017-12-29 基于小波分析的金融投资数据突变分析方法及其系统 Pending CN109993336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711477483.4A CN109993336A (zh) 2017-12-29 2017-12-29 基于小波分析的金融投资数据突变分析方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711477483.4A CN109993336A (zh) 2017-12-29 2017-12-29 基于小波分析的金融投资数据突变分析方法及其系统

Publications (1)

Publication Number Publication Date
CN109993336A true CN109993336A (zh) 2019-07-09

Family

ID=67109743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711477483.4A Pending CN109993336A (zh) 2017-12-29 2017-12-29 基于小波分析的金融投资数据突变分析方法及其系统

Country Status (1)

Country Link
CN (1) CN109993336A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110657742A (zh) * 2019-09-30 2020-01-07 广东工业大学 含水层形变信号分离方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880812A (zh) * 2012-08-02 2013-01-16 北京华生恒业科技有限公司 基于小波分析法处理溶解曲线的方法、装置和电子终端
CN104732567A (zh) * 2015-04-03 2015-06-24 珠海富讯网络科技有限公司 将股票资讯在k线图、分时图进行标注的数据可视化方法
CN106067083A (zh) * 2016-05-30 2016-11-02 上海二三四五网络控股集团股份有限公司 基于海量金融数据的智能投资系统数据处理方法
CN106845681A (zh) * 2016-12-21 2017-06-13 广东工业大学 一种应用深度学习技术的股票趋势预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880812A (zh) * 2012-08-02 2013-01-16 北京华生恒业科技有限公司 基于小波分析法处理溶解曲线的方法、装置和电子终端
CN104732567A (zh) * 2015-04-03 2015-06-24 珠海富讯网络科技有限公司 将股票资讯在k线图、分时图进行标注的数据可视化方法
CN106067083A (zh) * 2016-05-30 2016-11-02 上海二三四五网络控股集团股份有限公司 基于海量金融数据的智能投资系统数据处理方法
CN106845681A (zh) * 2016-12-21 2017-06-13 广东工业大学 一种应用深度学习技术的股票趋势预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘辉 等: "基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法", 《中南大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110657742A (zh) * 2019-09-30 2020-01-07 广东工业大学 含水层形变信号分离方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN107273845B (zh) 一种基于置信区域和多特征加权融合的人脸表情识别方法
CN102663447B (zh) 基于判别相关分析的跨媒体检索方法
Taghiyarrenani et al. Transfer learning based intrusion detection
CN111210846A (zh) 基于集成流形降维的帕金森语音识别系统
CN109190698B (zh) 一种网络数字虚拟资产的分类识别系统及方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN103164689A (zh) 人脸识别方法及系统
CN103268484A (zh) 用于高精度人脸识别的分类器设计方法
CN102521599A (zh) 一种基于集成学习的模式训练和识别方法
CN110298263A (zh) 基于rfid系统的实时精确且无接触的手势识别方法及系统
Zhao et al. TUCH: Turning Cross-view Hashing into Single-view Hashing via Generative Adversarial Nets.
Savio et al. Image processing for face recognition using HAAR, HOG, and SVM algorithms
CN109993336A (zh) 基于小波分析的金融投资数据突变分析方法及其系统
Zhang et al. Integrating leaf and flower by local discriminant CCA for plant species recognition
CN104050451A (zh) 一种基于多通道Haar-like特征的鲁棒目标跟踪方法
Law Clustering, dimensionality reduction, and side information
Wang et al. RoDLSR: Robust discriminative least squares regression model for multi-category classification
Zhu et al. A robust feature fusion method for camera-based highway guardrail detection
Hu et al. The development status and prospects on the face recognition
Islam et al. Elevating Driver Behavior Understanding with RKnD: A Novel Probabilistic Feature Engineering Approach
Khan et al. Gender classification using multi-level wavelets on real world face images
Chidambaram A survey on feature selection in data mining
Mazumdar et al. Evolutionary-rough feature selection for face recognition
Baydogan Modeling time series data for supervised learning
Gill et al. Pattern Recognition Tools and Techniques–A Study

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709