CN111179077A - 股票异常交易的识别方法及系统 - Google Patents

股票异常交易的识别方法及系统 Download PDF

Info

Publication number
CN111179077A
CN111179077A CN201911314294.4A CN201911314294A CN111179077A CN 111179077 A CN111179077 A CN 111179077A CN 201911314294 A CN201911314294 A CN 201911314294A CN 111179077 A CN111179077 A CN 111179077A
Authority
CN
China
Prior art keywords
stock
comparable
pool
trading
abnormal
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.)
Granted
Application number
CN201911314294.4A
Other languages
English (en)
Other versions
CN111179077B (zh
Inventor
陈文�
翟聪
史晓春
周凡吟
曾途
吴桐
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.)
Chengdu Business Big Data Technology Co Ltd
Original Assignee
Chengdu Business Big Data 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 Chengdu Business Big Data Technology Co Ltd filed Critical Chengdu Business Big Data Technology Co Ltd
Priority to CN201911314294.4A priority Critical patent/CN111179077B/zh
Publication of CN111179077A publication Critical patent/CN111179077A/zh
Application granted granted Critical
Publication of CN111179077B publication Critical patent/CN111179077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种股票异常交易的识别方法及系统，该包括步骤：构建用于识别股票异常交易的特征集；基于特征集中的特征，构建可比股票池；计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。本发明方法或系统，通过构建可比股票池，将目标股票与可比股票池中的股票进行比较分析，可以较为准确地分析出目标股票是否存在异常交易行为，相比于人工监管，极大地提高了效率，且准确度高。

Description

股票异常交易的识别方法及系统
技术领域
本发明涉及数据分析技术领域，特别涉及一种股票异常交易的识别方法及系统。
背景技术
随着我国资本市场的不断发展，加强对异常股票和异常交易行为的监管，保证健康有序的市场环境，维护广大投资者尤其是中小投资者的合法利益，维护市场稳定健康发展，已经成为监管领域的重要工作任务。在当前证券市场中，存在少数投资者为追逐投机利润，采用涉嫌违法违规的交易方式影响证券正常交易，导致股价出现大幅异常波动，股票出现异常交易。因此，需要对股票交易行为进行监管，及时有效地发现问题，获取监管线索。
目前我国监管主要采取人工筛查，例如通过以下特征：连续3个交易日内日收盘价格涨跌幅偏离值累计达到±20％的；连续3个交易日内日均换手率与前5个交易日的日均换手率的比值达到30倍，并且该股票、封闭式基金连续3个交易日内的累计换手率达到20％的；或证监会认定属于异常波动的其他情形。监管方通过人工筛查上述特征信息来识别异常明显的股票，工作量十分巨大，效率低，能识别到的股票数量有限。而想要有效预测与识别股票异常交易需要对序列异常点进行有效检测，目前还没有成熟的模型可供使用来监测与预警股票异常波动。
发明内容
本发明的目的在于提供一种股票异常交易的识别方法及系统，以实现有效地监控股票异常交易行为。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种股票异常交易的识别方法，包括以下步骤：
构建用于识别股票异常交易的特征集；
基于特征集中的特征，构建可比股票池；
计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
上述方法中，通过构建可比股票池，将目标股票与可比股票池中的股票进行比较分析，可以较为准确地分析出目标股票是否存在异常交易行为，相比于人工监管，极大地提高了效率，且识别准确度高。
根据本发明实施例，上述方法可通过聚类分析算法和/或协整核验算法构建可比股票池。
另一方面，本发明实施例同时提供了一种股票异常交易的识别系统，包括：
特征集构建模块，用于构建用于识别股票异常交易的特征集；
可比股票池构建模块，用于基于特征集中的特征，构建可比股票池；
异常交易识别模块，用于计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
再一方面，本发明实施例同时提供了一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时使处理器执行本发明实施例中所述方法中的操作。
再一方面，本发明实施例同时提供了一种电子设备，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现本发明实施例中所述方法中的步骤。
与现有技术相比，本发明方法及系统，通过构建可比股票池，将目标股票与可比股票池中的股票进行比较分析，可以较为准确地分析出目标股票是否存在异常交易行为，识别准确度高。可替代人工筛查来监测股票异常波动情况，节约人力资源，极大地提高了监管效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1a为实施例1中股票异常交易的识别方法的流程图。
图1b为实施例1中构建可比股票池步骤的流程图。
图2为实施例1中分析得到的目标股票异常交易的展示图。
图3a为实施例2中股票异常交易的识别方法的流程图。
图3b为实施例2中构建可比股票池步骤的流程图。
图4为实施例3中股票异常交易的识别方法的流程图。
图5为实施例中股票异常交易的识别系统的组成框图。
图6为实施例中所述的电子设备的组成框图。
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。
实施例1
请参阅图1a，本实施例中提供的股票异常交易的识别方法，包括以下步骤：
S11，构建用于识别股票异常交易的特征集。
特征集是由若干个特征组成，对于股票异常交易行为的监管，交易所会给出一定的特征，这些特征组合在一起就构成了特征集。当然地，在交易所提供的特征的基础上，也可以根据专家经验增加一些特征(主要参考交易所交易规则规定)。本实施例中仅作为举例，列举了部分特征，如下表1所示。
表1
特征 特征解释
可比价(Adjprcwd) 日频率特征，考虑现金红利再投资的收盘价的可比价
收益率(Dretwd)) 日频率特征，考虑现金红利再投资的日个股回报率
最新成交价(CP) 高频分时特征
成交量(CQ) 高频分时特征
成交金额(CM) 高频分时特征
成交笔数(CT) 高频分时特征
S12，基于特征集中的特征，采用聚类算法构建可比股票池。
为了便于理解，以“AAAA bbbbbb.SZ”作为目标股票为例，对步本骤进行阐述。请参阅图1b，本步骤包括以下步骤：
S121，确定分析时间区间，统计出交易日总数。此处选取的时间区间为2011年12月1日至2013年2月28日，总计326个交易日。
S122，确定目标企业所在行业，提取同行业中各公司的股票数据。本举例中的目标企业属于特种设备制造业，因此只提取特种设备制造业的股票数据。
S123，以交易日总数作为维度数，以特征集中的特征作为聚类分析的特征，进行聚类分析，得到所述可比股票池。本举例中，仅选取收益率特征和可比价格特征进行说明，即同时使用326维收益率特征以及326维可比价格特征进行聚类分析。聚类方法采用K-means，聚类分析最终得到的可比股票池如表2所示。
表2(表2中展示的是股票代码)
6CCCC5.SH 3CCCC8.SZ 3CCCC1.SZ 3CCCC6.SZ 3CCCC7.SZ 3CCCC9.SZ
3CCCC5.SZ 3CCCC2.SZ 3CCCC3.SZ 6CCCC7.SH 3CCCC4.SZ
S13，计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
建立回归模型，分析目标股票与可比股票池的关系，位于回归置信区间以外的样本点即视为异常。回归计算时，针对于每一个特征，以目标股票的该特征作为因变量，可比股票池中各个股票的该特征作为自变量，建立回归模型，并基于该回归模型计算出目标股票的交易行为与可比股票池的偏离程度。例如上述举例中，针对于收益率特征，将目标股票的收益率作为因变量，可比股票池中各股票(即表2中所列股票)的收益率作为自变量，利用公式Y＝k1X1+k2X2+...+knXn做统计分析，运用多元线性回归公式的过程中利用最小二乘法来求解。最小二乘就是指回归方程计算值和实验值差的平方和最小。其中，式中的X是可比股票池中各股票的收益率值，Y是目标股票的收益率值，k为回归系数，n表示可比股票池中股票的数量。通过最小化误差的平方和寻找数据的最佳函数匹配，可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。上述公式中的回归系数根据最小二乘法可得：
Y＝-0.28*X_6CCCC5+0.066*X_3CCCC8-0.075*X_3CCCC1-0.13*X_3CCCC6+0.11*X_3CCCC7+0.16*X_3CCCC9-0.0018*X_3CCCC5+0.20*X_3CCCC2+0.0066*X_3CCCC3+0.12*X_6CCCC7+0.016*X_3CCCC4
根据95％置信区间确定上下限范围。下表3显示了回归分析得到的异常日期，其中iv_l表示置信区间下限，iv_u表示置信区间上限，Dretwd表示股票收益率。abnormal等于1表示该日的实际收益率大于置信区间上限，视为异常。
表3
交易日期 收益率 iv_l iv_u abnormal
2012/2/28 0.029717 -0.07325 0.028011 1
2012/4/23 0.031785 -0.09683 0.006184 1
2012/5/9 0.052309 -0.06292 0.038215 1
2012/6/11 0.100091 -0.02909 0.075677 1
2012/6/18 0.10023 -0.03739 0.063154 1
2012/6/28 0.03265 -0.07846 0.022182 1
2012/8/14 0.073763 -0.03223 0.068366 1
2012/8/24 0.041561 -0.06898 0.033233 1
2012/8/27 0.074919 -0.07339 0.028554 1
2012/11/6 0.063291 -0.05582 0.04492 1
2012/11/12 0.054748 -0.0463 0.054702 1
2013/2/1 0.0571 -0.04984 0.052127 1
2013/2/4 0.028429 -0.08793 0.015279 1
2013/2/25 0.062708 -0.03791 0.062565 1
以上异常日期在整个分析区间上的表现如图2所示，最上方曲线表示置信区间上限，最下方曲线表示置信区间下限，中间曲线为回归模型的估计值。散点为目标股票实际收益率。置信区间上限之上的散点对应的日期为异常日期。从上表3和图2可以看出，采用上述方法可以识别出可能存在股票异常交易行为的情况。得到表3所示结果后，可以查询目标股票对应日期前后的公告或者行为对异常结果进行解读，进一步判断是否真的存在内幕交易或市场操纵等异常行为。
针对于每个特征，都可能会得到一个例如表3的结果，针对于目标公司，得到的每一个表中的每一个交易日期都可以看作是存在异常交易行为，即是说，针对于每个特征得到的表后，取各个表中交易日期的并集，作为该目标公司的异常交易识别结果，以避免异常识别遗漏。当然地，作为其他实施方式，也可以取各个表中交易日期的交集，或者取并集中被识别为异常交易的特征数量超过设定阈值的交易日期作为识别结果，例如有3个特征都识别出某一个交易日期存在异常，那么即被判定为目标公司在该交易日期存在异常交易行为。
实施例2
请参阅图3a，本实施例中提供的股票异常交易的识别方法，包括以下步骤：
S21，构建用于识别股票异常交易的特征集。本步骤的操作可以参照实施例1中步骤S11的相关描述。
S22，基于特征集中的特征，采用协整核验算法构建可比股票池。
为了便于理解，仍然以“AAAA bbbbbb.SZ”作为目标股票为例，对步本骤进行阐述。请参阅图3b，本步骤包括以下步骤：
S221，确定分析时间区间，统计出交易日总数。此处选取的时间区间为2011年12月1日至2013年2月28日，总计326个交易日。
S222，采用遍历的方式，将目标股票与市场上所有的股票逐个进行协整检验，协整检验通过的股票进入可比股票池。
协整检验的目的是决定一组非平稳序列的线性组合是否具有稳定的均衡关系，伪回归的一种特殊情况即是两个时间序列的趋势成分相同，此时可能利用这种共同趋势修正回归使之可靠。
对时间序列进行回归分析时，需要考虑因变量和自变量之间是否存在某种切实的关系，所以需要进行协整检验。常用的协整检验有两种：Engel-Granger两步协整检验法和Johansen协整检验法，它们二者的区别在于Engler-Granger采用的是一元方程技术，而Johansen则是多元方程技术，所以Johansen协整检验法受限更小。此举例中，仍然以可比价格特征为例，通过协整检验的股票进入可比股票池，终得到的可比股票池如下表4所示。
表4
3DDDD2.SZ 0DDDD1.SZ 6DDDD1.SH 0DDDD4.SZ 0DDDD2.SZ
6DDDD7.SH 6DDDD2.SH 6DDDD8.SH 0DDDD0.SZ 6DDDD3.SH
6DDDD4.SH 0DDDD6.SZ 9DDDD6.SH 0DDDD8.SZ 6DDDD5.SH
0DDDD3.SZ 9DDDD9.SH 0DDDD5.SZ 2DDDD8.SZ 6DDDD6.SH
S23，计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
本步骤的处理过程与实施例1中步骤S13的处理过程相同。本举例中，以可比价格特征进行回归计算，以最小二乘法求取回归系数，基于上述表4中得到的可比股票池，得到的模型为：
Y＝-0.11*X_3DDDD2+0.47*X_0DDDD1-0.017*X_6DDDD1-0.010*X_0DDDD4+0.23*X_0DDDD2+0.21*X_6DDDD7+3.05*X_6DDDD2+0.072*X_6DDDD8-0.015*X_0DDDD0+0.17*X_6DDDD3-0.052*X_6DDDD4+0.48*X_0DDDD6-1.15*X_9DDDD6+0.66*X_0DDDD8-0.034*X_6DDDD5+0.44*X_0DDDD3+2.71*X_9DDDD9+0.0022*X_0DDDD5-2.67*X_2DDDD8-2.47*X_6DDDD6
根据95％置信区间确定上下限范围。下表5显示了协整分析得到的异常日期，其中iv_l表示置信区间下限，iv_u表示置信区间上限，Adjprcwd表示股票可比价格。abnormal等于1表示该日期的实际可比价格大于置信区间上限，视为异常。
表5
交易日期 可比价格 iv_l iv_u abnormal
2011/12/23 49.499986 22.84250323 44.99249207 1
2011/12/26 49.999986 29.87151888 49.9740892 1
2012/5/17 41.959988 15.98753077 41.54135103 1
2012/6/21 52.955983 31.8302116 52.16661985 1
由表5可知，通过上述方法可以挖掘出目标股票可能存在的异常行为，可以查询目标股票对应日期前后的公告或者行为对异常结果进行解读，进一步判断是否真的存在内幕交易或市场操纵等异常行为。
股票价格是最容易相互影响，因此本实施例中选取可比价格做协整分析。当然地也可以选择其他特征，效果可能没有可比价格这么好。当选取多个特征对目标股票进行协整核验分析时，最终的识别结果也是取各个表的并集，即每个特征得到的异常都是异常。
实施例3
请参阅图4，本实施例中提供的一种股票异常交易的识别方法，包括以下步骤：
S31，构建用于识别股票异常交易的特征集。
S32，基于特征集中的部分或全部特征，采用聚类算法构建可比股票池。
S33，基于特征集中的部分或全部特征，采用协整核验算法构建可比股票池。
S34，基于两个股票池，分别计算出目标股票的交易行为与可比股票池的偏离程度，并分别基于各自的偏离程度识别出目标股票是否存在异常交易行为。
S35，将识别出的异常交易行为进行融合处理，得到最终的识别结果。本步骤中的融合处理可以有多种实施方式，基于监管力度的不同，可以选择不同的操作。
方式一，可以取步骤S34中得到的两个结果的交集作为最终的识别结果。例如，取表3和表5的交集作为最终的识别结果，识别结果为目标股票没有异常交易行为。
方式二，可以取步骤S34中得到的两个结果的并集作为最终的识别结果。例如，取表3和表5的并集作为最终的识别结果，识别结果为目标股票在表3和表5所列日期中存在异常交易行为。
方式三，可以取异常交易行为出现次数最多的作为最终的识别结果。
本实施例上述方法，结合了实施例1和2所述的两种方法，综合两种方法的识别结果，以提高识别结果的准确性，也避免异常交易行为遗漏。本实施例方法中，各步骤的具体操作可以参阅实施例1或2中的相关描述。也容易理解的，步骤S32和S33之间没有执行顺序的先后之分。
实施例4
请参阅图5，本实施例中提供了一种股票异常交易的识别系统，包括：
特征集构建模块，用于构建用于识别股票异常交易的特征集；
可比股票池构建模块，用于基于特征集中的特征，构建可比股票池；
异常交易识别模块，用于计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
上述系统中，可比股票池构建模块可以通过聚类分析算法和/或协整核验算法构建可比股票池，具体的构造步骤可以参阅实施例1或2中的相应描述。
上述系统的各个模块的具体执行步骤可以参阅实施例1或2中的相应描述。
如图6所示，本实施例同时提供了一种电子设备，该电子设备可以包括处理器51和存储器52，其中存储器52耦合至处理器51。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构，实现数据提取、报告生成、通信或其他功能。
如图6所示，该电子设备还可以包括：输入单元53、显示单元54和电源55。值得注意的是，该电子设备也并不是必须要包括图6中显示的所有部件。此外，电子设备还可以包括图6中没有示出的部件，可以参考现有技术。
处理器51有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器51接收输入并控制电子设备的各个部件的操作。
其中，存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器51的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序，以实现信息存储或处理等。在一个实施例中，存储器52中还包括缓冲存储器，即缓冲器，以存储中间信息。
输入单元53例如用于向处理器51提供所有公司的股票数据。显示单元54用于显示处理过程中的各种结果，例如构建的特征集、可比股票池、识别结果等，该显示单元例如可以为LCD显示器，但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令，其中当在电子设备中执行所述指令时，所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质，其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所述集成的单元如果以软件功能单元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，或者该技术方案的全部或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-OnlyMemory)、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。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成模块及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
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。

Claims (10)

1.一种股票异常交易的识别方法，其特征在于，包括以下步骤：
构建用于识别股票异常交易的特征集；
基于特征集中的特征，构建可比股票池；
计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
2.根据权利要求1所述的方法，其特征在于，所述构建可比股票池的步骤，是基于聚类算法构建可比股票池。
3.根据权利要求2所述的方法，其特征在于，基于聚类算法构建可比股票池的步骤，包括：
确定分析时间区间，统计出交易日总数；
确定目标企业所在行业，提取同行业中各公司的股票数据；
以交易日总数作为维度数，以特征集中的特征作为聚类分析的特征，进行聚类分析，得到所述可比股票池。
4.根据权利要求1所述的方法，其特征在于，所述构建可比股票池的步骤，是基于协整核验算法构建可比股票池。
5.根据权利要求4所述的方法，其特征在于，基于协整核验算法构建可比股票池的步骤，包括：
确定分析时间区间，统计出交易日总数；
以特征集中的特征作为协整核验分析的特征，采用遍历的方式，将目标股票与市场上所有的股票逐个进行协整检验，协整检验通过的股票进入可比股票池。
6.根据权利要求1所述的方法，其特征在于，所述计算出目标股票的交易行为与可比股票池的偏离程度的步骤，包括：
针对于每一个特征，以目标股票的所述特征作为因变量，可比股票池中各个股票的所述特征作为自变量，建立回归模型，并基于该回归模型计算出目标股票的交易行为与可比股票池的偏离程度。
7.一种股票异常交易的识别系统，其特征在于，包括：
特征集构建模块，用于构建用于识别股票异常交易的特征集；
可比股票池构建模块，用于基于特征集中的特征，构建可比股票池；
异常交易识别模块，用于计算出目标股票的交易行为与可比股票池的偏离程度，并基于该偏离程度识别出目标股票是否存在异常交易行为。
8.根据权利要求7所述的系统，其特征在于，所述可比股票池构建模块，通过聚类分析算法和/或协整核验算法构建可比股票池。
9.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时使处理器执行权利要求1-6任一所述方法中的操作。
10.一种电子设备，其特征在于，所述的设备包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-6任一所述方法中的步骤。
CN201911314294.4A 2019-12-19 2019-12-19 股票异常交易的识别方法及系统 Active CN111179077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911314294.4A CN111179077B (zh) 2019-12-19 2019-12-19 股票异常交易的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911314294.4A CN111179077B (zh) 2019-12-19 2019-12-19 股票异常交易的识别方法及系统

Publications (2)

Publication Number Publication Date
CN111179077A true CN111179077A (zh) 2020-05-19
CN111179077B CN111179077B (zh) 2023-09-12

Family

ID=70657553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911314294.4A Active CN111179077B (zh) 2019-12-19 2019-12-19 股票异常交易的识别方法及系统

Country Status (1)

Country Link
CN (1) CN111179077B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897852A (zh) * 2020-07-01 2020-11-06 中国建设银行股份有限公司 异常数据的确定方法、装置、电子设备及可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040037451A (ko) * 2002-10-28 2004-05-07 (주)빅트레이드 허수주문계좌 적출방법
JP2005038098A (ja) * 2003-07-17 2005-02-10 Chugoku Electric Power Co Inc:The データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法
KR20060035332A (ko) * 2004-10-22 2006-04-26 (주)빅트레이드 인공지능을 이용한 주식 이상매매 검출방법
KR100964715B1 (ko) * 2009-03-11 2010-06-21 (주)한국거래소 시장감시장치 및 그 방법
US20120005064A1 (en) * 2008-07-15 2012-01-05 The Bank Of New York Mellon Corporation Outlier trade detection for financial asset transactions
CN106504092A (zh) * 2016-11-14 2017-03-15 吴梅红 一种基于涨跌幅排序的股票异动跟踪方法
US20170083974A1 (en) * 2015-09-17 2017-03-23 BasisCode Technologies, LLC Systems and methods for identification and analysis of securities transactions abnormalities
CN106897797A (zh) * 2017-02-23 2017-06-27 南京大学 一种基于社会网络聚类的股票指数跟踪预测方法及系统
CN107480988A (zh) * 2017-07-28 2017-12-15 贵州眯果创意科技有限公司 一种区块链来实现股票交易的监管系统
CN108335210A (zh) * 2018-03-07 2018-07-27 浙江大学 一种基于舆论数据的股票异动分析方法
CN109472485A (zh) * 2018-11-01 2019-03-15 成都数联铭品科技有限公司 企业失信风险传播查询系统及方法
CN109544346A (zh) * 2018-10-22 2019-03-29 广东工业大学 一种基于ap聚类算法的可控式投资组合选股方法
CN110189035A (zh) * 2019-05-31 2019-08-30 三峡大学 一种基于k均值聚类与knn算法的内幕交易识别方法
CN110210973A (zh) * 2019-05-31 2019-09-06 三峡大学 基于随机森林与朴素贝叶斯模型的内幕交易识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040037451A (ko) * 2002-10-28 2004-05-07 (주)빅트레이드 허수주문계좌 적출방법
JP2005038098A (ja) * 2003-07-17 2005-02-10 Chugoku Electric Power Co Inc:The データマイニングを用いた機器、施設の運転状況又は取引の監視及び実行方法
KR20060035332A (ko) * 2004-10-22 2006-04-26 (주)빅트레이드 인공지능을 이용한 주식 이상매매 검출방법
US20120005064A1 (en) * 2008-07-15 2012-01-05 The Bank Of New York Mellon Corporation Outlier trade detection for financial asset transactions
KR100964715B1 (ko) * 2009-03-11 2010-06-21 (주)한국거래소 시장감시장치 및 그 방법
US20170083974A1 (en) * 2015-09-17 2017-03-23 BasisCode Technologies, LLC Systems and methods for identification and analysis of securities transactions abnormalities
CN106504092A (zh) * 2016-11-14 2017-03-15 吴梅红 一种基于涨跌幅排序的股票异动跟踪方法
CN106897797A (zh) * 2017-02-23 2017-06-27 南京大学 一种基于社会网络聚类的股票指数跟踪预测方法及系统
CN107480988A (zh) * 2017-07-28 2017-12-15 贵州眯果创意科技有限公司 一种区块链来实现股票交易的监管系统
CN108335210A (zh) * 2018-03-07 2018-07-27 浙江大学 一种基于舆论数据的股票异动分析方法
CN109544346A (zh) * 2018-10-22 2019-03-29 广东工业大学 一种基于ap聚类算法的可控式投资组合选股方法
CN109472485A (zh) * 2018-11-01 2019-03-15 成都数联铭品科技有限公司 企业失信风险传播查询系统及方法
CN110189035A (zh) * 2019-05-31 2019-08-30 三峡大学 一种基于k均值聚类与knn算法的内幕交易识别方法
CN110210973A (zh) * 2019-05-31 2019-09-06 三峡大学 基于随机森林与朴素贝叶斯模型的内幕交易识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李国平;陈森发;: "基于HWSME的股票价格异常波动模糊综合评判方法", no. 07 *
王苏生: "卖空限制下知情交易的测度及识别研究", 《运筹与管理》, vol. 27, no. 11, pages 137 - 146 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897852A (zh) * 2020-07-01 2020-11-06 中国建设银行股份有限公司 异常数据的确定方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN111179077B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Dai et al. Knowing factors or factor loadings, or neither? Evaluating estimators of large covariance matrices with noisy and asynchronous data
Bauweraerts Predicting bankruptcy in private firms: Towards a stepwise regression procedure
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110930248A (zh) 信用风险预测模型构建方法及系统、存储介质及电子设备
WO2017163259A2 (en) Service churn model
Kiesewetter et al. The relationship between corporate governance and tax avoidance-evidence from Germany using a regression discontinuity design
Weli Information Technology Governance Disclosure in Annual Report of Indonesia Financial Institutions
CN114997975A (zh) 一种异常企业识别方法、装置、设备、介质及产品
CN111179077A (zh) 股票异常交易的识别方法及系统
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
CN111199419B (zh) 股票异常交易的识别方法及系统
CN111046947A (zh) 分类器的训练系统及方法、异常样本的识别方法
CN115062687A (zh) 企业信用监控方法、装置、设备及存储介质
CN114493662A (zh) 一种商品价格数据分析方法、平台、系统以及存储介质
CN112116197A (zh) 一种基于供应商评价体系的不良行为预警方法及系统
CN113506190A (zh) 一种异常用电行为辨识方法、装置、设备及存储介质
Liu et al. RETRACTED ARTICLE: Company financial path analysis using fuzzy c-means and its application in financial failure prediction
Oribel et al. An application of machine learning in financial distress prediction cases in Indonesia
Subhan et al. THE INFLUENCE OF ECONOMIC FACTORS ON THE STOCK PRICE OF KIMIA FARMA COMPANIES ON THE INDONESIAN STOCK EXCHANGE
Bidaya et al. The influence of profitability, liquidity, and capital structure on firm value
CN116542801B (zh) 一种财务数据分析方法及系统
Yunusa et al. Predicting Financial Distress Companies in Malaysia Manufacturing Industry Using Logistic Regression and Decision Tree Analysis
Yao et al. Conditional distribution prediction of stock returns and its application on risk aversion analysis
Arnold et al. Survival of commodity trading advisors: Systematic vs. discretionary CTAs
Scandizzo et al. Loss given default models

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
GR01 Patent grant
GR01 Patent grant