CN112835952A - 一种基于股票指标的计算分析方法及系统 - Google Patents
一种基于股票指标的计算分析方法及系统 Download PDFInfo
- Publication number
- CN112835952A CN112835952A CN202110092066.8A CN202110092066A CN112835952A CN 112835952 A CN112835952 A CN 112835952A CN 202110092066 A CN202110092066 A CN 202110092066A CN 112835952 A CN112835952 A CN 112835952A
- Authority
- CN
- China
- Prior art keywords
- stock
- state vector
- sequence
- time interval
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提出了一种基于股票指标的计算分析方法及系统,涉及股票分析技术领域。一种基于股票指标的计算分析方法包括:获取目标股票在预设时间区间内的数据;对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。其能够提高预测得到的股票价格的准确率。此外本发明还提出了一种基于股票指标的计算分析系统,包括:获取模块、预处理模块、提取模块及决策模块。
Description
技术领域
本发明涉及股票分析技术领域,具体而言,涉及一种基于股票指标的计算分析方法及系统。
背景技术
股市是资本资源优化配置的一个重要场所,掌握其变化规律不仅是投资者日思夜想的,也对宏观经济有着积极作用。股市中的股票价格直接取决于买卖关系,而买卖股票的主体就是大大小小股票持有体,研究好大小股票持有体的交易策略就能够把握住股市在平常状态下涨跌,但股市同时还受到企业、经济、政策和国际事件的影响,这些影响或多或少的影响到各个股票持有体的心理,所以股市的预测依然存在重重困难。
但因为股票种类众多,价格瞬息万变,不同行业的股票之间存在一定的关联性,同时因为某些股票投资机构的投资操作,也导致不同的股票之间存在很强的关联,但由于股票自身价格波动的不确定性,股票序列量大、以及股票关联的不确定性因素众多,无论是众多的股票散户,还是股票分析机构,如何从较短时间的股票序列中,准确分析股票之间的关联性,是股票分析领域一个重要的课题。
且现有技术太单一分析需要多种指标来分析,如果能在一种指标里能全面分析指标带来的单一型问题,和周期型启动时间问题是现在亟需解决的问题。
发明内容
本发明的目的在于提供一种基于股票指标的计算分析方法,其能够提高预测得到的股票价格的准确率。
本发明的另一目的在于提供一种基于股票指标的计算分析系统,其能够运行一种基于股票指标的计算分析方法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于股票指标的计算分析方法,其包括获取目标股票在预设时间区间内的数据;对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
在本发明的一些实施例中,在上述获取目标股票在预设时间区间内的数据之后还包括:获取时间区间内发生的意外事件所在的时间区间,得到意外时间区间;将获得的时间区间剔除获得的时间区间后的时间区间,得到普通时间区间。
在本发明的一些实施例中,上述还包括:意外事件为模糊字段配比获取的目标股票的国内外经济政策、与股票相关的新闻或行业新闻或股票涨跌幅超过预设阈值,对应的意外事件发生期间的股市交易日为意外时间区间。
在本发明的一些实施例中,上述对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列包括:根据预设时间间隔将目标股票数据划分成多组子数据。
在本发明的一些实施例中,上述还包括:根据多组子数据的时间顺序,通过预设的时间权重函数对多组子数据赋予时间权重。
在本发明的一些实施例中,上述根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量包括:根据预设的状态向量长度,在目标股票标准化序列中,按照时间顺序随机提取数据构建目标股票状态向量。
在本发明的一些实施例中,上述据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点包括:根据股票状态向量的特征值计算预设的权重系数,特征值包括算术平均值、方差值、相关系数、连乘累计赋权值其中的一个。
在本发明的一些实施例中,上述还包括:通过目标股票和分析股票运行强于弱、振幅大小、获利高低及金叉买点,确定决策交易点。
第二方面,本申请实施例提供一种基于股票指标的计算分析系统,其包括获取模块,用于获取目标股票在预设时间区间内的数据;
预处理模块,用于对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;
提取模块,用于根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;
决策模块,用于据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
在本发明的一些实施例中,上述包括:用于存储计算机指令的至少一个存储器;与上述存储器通讯的至少一个处理器,其中当上述至少一个处理器执行上述计算机指令时,上述至少一个处理器使上述系统执行:获取模块、预处理模块、提取模块及决策模块。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
在原有的指标技术上加以时间和参数的改变,和合并后加以匹配,使股票图像更加容易理解,从而可以判断分析个股的走势和主力拉升的启动点的把握,在盘后选股更能简单的分析到次日要买个股合适的价位。根据目标股票数据的时间顺序,对预处理后的目标股票数据赋予时间权重,时间权重与时间顺序成正相关,基于预先构建的深度神经网络模型,根据赋予时间权重后的目标股票数据得到目标股票的价格预测结果。这样,通过对与价格预测结果的时间点越近的目标股票数据赋予越大的权重,并根据目标股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
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1为本发明实施例提供的一种基于股票指标的计算分析方法步骤示意图;
图2为本发明实施例提供的一种基于股票指标的计算分析方法详细步骤示意图;
图3为本发明实施例提供的一种基于股票指标的计算分析系统模块示意图。
图标:10-获取模块;20-预处理模块;30-提取模块;40-决策模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的一种基于股票指标的计算分析方法步骤示意图,其如下所示:
步骤S100,获取目标股票在预设时间区间内的数据;
在一些实施方式中,获取目标股票在最近的1000个交易日数据;
获取在最近的1000个交易日内发生的意外事件,且这些事件对该股票具有明确的影响力,将这些事件发生的时间区间设为意外时间区间。
步骤S110,对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;
在一些实施方式中,从1000个交易日中将意外时间区间内的交易日全部剔除掉。将获得的时间区间剔除获得的意外时间区间,得到普通时间区间,例如,意外时间区间为100个,则将这100个意外时间区间剔除,得到900个普通时间区间,可以理解为去除数据中的噪点。
在一些实施方式中,根据预设时间间隔将目标股票数据划分成多组子数据,然后根据多组子数据的时间顺序,通过预设的时间权重函数对多组子数据赋予时间权重。例如,预设时间间隔可选为一分钟、一小时、一天等,预设时间间隔与目标股票数据中各数据的时间间隔相等。预设时间间隔既是划分子数据的单位,也是预测数据的单位,例如,当预设时间间隔为一分钟时,每组子数据为一分钟内的数据,预测的也是一分钟内的股票价格;当预设时间间隔为一个交易日时,每组子数据为一个交易日内的数据,预测的也是一个交易日内的股票价格。
步骤S120,根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;
在一些实施方式中,预设一个需要构建的状态向量长度,即为多维度的数据向量中的维度,根据预设的状态向量长度,分别在第一目标股票序列和第二目标股票序列中,按照时间顺序随机提取数据,构建各目标股票状态向量,状态向量的形式从长度为N的数据中一致地随机抽取长度为s的子集。例如,假设目标股票序列为{X1,X2,X3,X4,X5},预设的状态向量长度为3,将原本短时段的股票数据,构建为包含了更大信息量的状态向量,也使得后续的交叉点取值概率的计算更加准确。
步骤S130,据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
在一些实施方式中,计算目标股票状态向量的非单调交叉点取值概率,在序列gt(X,Y)的曲线上,对每一个数据点自左向右画水平线,水平线与序列本身组成的曲线之间的交叉点总数即为gt(X,Y)的单调递增程度,统计所有区间内交叉点的个数,分别计算每一个取值可能出现的相对频率,频率最高的点即为决策交易点。
实施例2
请参阅图2,图2为本发明实施例提供的一种基于股票指标的计算分析方法详细步骤示意图,其如下所示:
步骤S200,获取时间区间内发生的意外事件所在的时间区间,得到意外时间区间;
步骤S210,将获得的时间区间剔除获得的时间区间后的时间区间,得到普通时间区间。
步骤S220,意外事件为模糊字段配比获取的目标股票的国内外经济政策、与股票相关的新闻或行业新闻或股票涨跌幅超过预设阈值,对应的意外事件发生期间的股市交易日为意外时间区间。
步骤S230,根据预设时间间隔将目标股票数据划分成多组子数据。
步骤S240,根据多组子数据的时间顺序,通过预设的时间权重函数对多组子数据赋予时间权重。
步骤S250,根据预设的状态向量长度,在目标股票标准化序列中,按照时间顺序随机提取数据构建目标股票状态向量。
步骤S260,根据股票状态向量的特征值计算预设的权重系数,特征值包括算术平均值、方差值、相关系数、连乘累计赋权值其中的一个。
步骤S270,通过目标股票和分析股票运行强于弱、振幅大小、获利高低及金叉买点,确定决策交易点。
在一些实施方式中,由于取到的统一时段的目标股票序列,会存在数据遗漏等,目标股票序列不能完全同步,导致最终的计算结果不准确,因此需要进行时间同步处理。时间同步处理,包括剔除不能在时间上一一对应的股票数据,将缺失的数据进行插值等。最终获取到时间完全同步的目标股票序列。
在一些实施方式中,为使最终的计算结果更加的准确,在对目标股票序列进行时间同步后,再进行数据的标准化处理。例如,采用标准化处理公式:
[x-min(x)]/[Max(x)-min(x)]
其中min(x)与max(x)分别为序列x的最小值与最大值。
在一些实施方式中,通过比较目标股票的交叉置换熵和,可以得出目标股票序列的关联强度,利用关联强度的大小,可以获取到股票之间的关联方向。例如,第一目标股票序列对于第二目标股票序列的关联强度,大于第二目标股票序列对于第一目标股票序列的关联强度,则第一只股票关联于第二只股票。
例如,通过比较两只股票间的相互之间的耦合强度,确定两只股票间的耦合方向,在确定股票间耦合强度的同时,进一步确定股票间的耦合方向,为股票间的关联性分析提供了更加清晰的关联方向。
例如,根据第一目标股票状态向量非递减排序后的位置向量,对第二目标股票状态向量进行排序,能够挖掘不同股票间的关联度,在股票间的耦合强度的计算结果中,体现股票间的关联强度。根据重排序后的股票状态向量的特征值,设定权重系数,加入非单调交叉点取值概率的计算中,能够更好的体现状态向量的选定特征,在最终的股票关联度的计算结果中,更好的体现原始股票序列的波动性等特征,从而更好的确定决策交易点。
实施例3
请参阅图3,图3为本发明实施例提供的一种基于股票指标的计算分析系统模块示意图,其如下所示:
获取模块10,用于获取目标股票在预设时间区间内的数据;
预处理模块20,用于对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;
提取模块30,用于根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;
决策模块40,用于据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
在一些实施方式中,在原有的指标技术上加以时间和参数的改变,合并后加以匹配,使图像更加容易理解,并判断分析个股的走势和主力拉升的启动点的把握,在盘后选股更能简单的分析到次个交易日要买个股合适的价位。
还包括存储器、处理器和通信接口,该存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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-Only Memory)、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。
综上所述,本申请实施例提供的一种基于股票指标的计算分析方法及系统,在原有的指标技术上加以时间和参数的改变,和合并后加以匹配,使股票图像更加容易理解,从而可以判断分析个股的走势和主力拉升的启动点的把握,在盘后选股更能简单的分析到次日要买个股合适的价位。根据目标股票数据的时间顺序,对预处理后的目标股票数据赋予时间权重,时间权重与时间顺序成正相关,基于预先构建的深度神经网络模型,根据赋予时间权重后的目标股票数据得到目标股票的价格预测结果。这样,通过对与价格预测结果的时间点越近的目标股票数据赋予越大的权重,并根据目标股票数据基于深度神经网络模型生成价格预测结果,提高了预测得到的股票价格的准确率。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于股票指标的计算分析方法,其特征在于,包括:
获取目标股票在预设时间区间内的数据;
对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;
根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;
据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
2.如权利要求1所述的一种基于股票指标的计算分析方法,其特征在于,在所述获取目标股票在预设时间区间内的数据之后还包括:
获取时间区间内发生的意外事件所在的时间区间,得到意外时间区间;
将获得的时间区间剔除获得的时间区间后的时间区间,得到普通时间区间。
3.如权利要求2所述的一种基于股票指标的计算分析方法,其特征在于,还包括:
意外事件为模糊字段配比获取的目标股票的国内外经济政策、与股票相关的新闻或行业新闻或股票涨跌幅超过预设阈值,对应的意外事件发生期间的股市交易日为意外时间区间。
4.如权利要求1所述的一种基于股票指标的计算分析方法,其特征在于,所述对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列包括:
根据预设时间间隔将目标股票数据划分成多组子数据。
5.如权利要求4所述的一种基于股票指标的计算分析方法,其特征在于,还包括:
根据多组子数据的时间顺序,通过预设的时间权重函数对多组子数据赋予时间权重。
6.如权利要求1所述的一种基于股票指标的计算分析方法,其特征在于,所述根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量包括:
根据预设的状态向量长度,在目标股票标准化序列中,按照时间顺序随机提取数据构建目标股票状态向量。
7.如权利要求1所述的一种基于股票指标的计算分析方法,其特征在于,所述据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点包括:
根据股票状态向量的特征值计算预设的权重系数,特征值包括算术平均值、方差值、相关系数、连乘累计赋权值其中的一个。
8.如权利要求7所述的一种基于股票指标的计算分析方法,其特征在于,还包括:
通过目标股票和分析股票运行强于弱、振幅大小、获利高低及金叉买点,确定决策交易点。
9.一种基于股票指标的计算分析系统,其特征在于,包括:
获取模块,用于获取目标股票在预设时间区间内的数据;
预处理模块,用于对获取的数据进行预处理,赋予权重系数使时间权重与时间顺序成正相关得到股票序列;
提取模块,用于根据预设的状态向量长度,将股票序列按照时间顺序随机提取数据构建股票状态向量;
决策模块,用于据股票状态向量和权重系数,计算股票状态向量的非单调交叉点取值概率,得到决策交易点。
10.如权利要求9所述的一种基于股票指标的计算分析系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:获取模块、预处理模块、提取模块及决策模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092066.8A CN112835952A (zh) | 2021-01-23 | 2021-01-23 | 一种基于股票指标的计算分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092066.8A CN112835952A (zh) | 2021-01-23 | 2021-01-23 | 一种基于股票指标的计算分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112835952A true CN112835952A (zh) | 2021-05-25 |
Family
ID=75931155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092066.8A Pending CN112835952A (zh) | 2021-01-23 | 2021-01-23 | 一种基于股票指标的计算分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835952A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062042A (zh) * | 2022-06-15 | 2022-09-16 | 五矿国际信托有限公司 | 一种用于非标信托资产本金利息的智能查询与监督方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651579A (zh) * | 2016-12-15 | 2017-05-10 | 清华大学 | 股票分析方法和系统 |
CN106780030A (zh) * | 2016-12-15 | 2017-05-31 | 清华大学 | 短时序股票分析方法和系统 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
CN110288175A (zh) * | 2019-05-05 | 2019-09-27 | 蚌埠学院 | 一种基于股票大数据分析的智能辅助决策系统及方法 |
CN111737308A (zh) * | 2020-05-07 | 2020-10-02 | 华南理工大学 | 基于最小熵分值的股票交易点预测方法、系统及存储介质 |
-
2021
- 2021-01-23 CN CN202110092066.8A patent/CN112835952A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651579A (zh) * | 2016-12-15 | 2017-05-10 | 清华大学 | 股票分析方法和系统 |
CN106780030A (zh) * | 2016-12-15 | 2017-05-31 | 清华大学 | 短时序股票分析方法和系统 |
CN109472700A (zh) * | 2018-11-20 | 2019-03-15 | 中山大学 | 股票价格的预测方法、服务器及存储介质 |
CN110288175A (zh) * | 2019-05-05 | 2019-09-27 | 蚌埠学院 | 一种基于股票大数据分析的智能辅助决策系统及方法 |
CN111737308A (zh) * | 2020-05-07 | 2020-10-02 | 华南理工大学 | 基于最小熵分值的股票交易点预测方法、系统及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062042A (zh) * | 2022-06-15 | 2022-09-16 | 五矿国际信托有限公司 | 一种用于非标信托资产本金利息的智能查询与监督方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN107040397B (zh) | 一种业务参数获取方法及装置 | |
US8166155B1 (en) | System and method for website experimentation | |
CN108364106A (zh) | 一种报销单风险预测方法、装置、终端设备及存储介质 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
US11687553B2 (en) | System and method for generating analytical insights utilizing a semantic knowledge graph | |
CN109857618B (zh) | 一种监控方法、装置及系统 | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN111951051A (zh) | 一种为客户推荐产品的方法、装置和系统 | |
CN111091287A (zh) | 风险对象识别方法、装置以及计算机设备 | |
CN105405051B (zh) | 金融事件预测方法和装置 | |
CN114780606B (zh) | 一种大数据挖掘方法及系统 | |
CN110688433B (zh) | 一种基于路径的特征生成方法及装置 | |
CN110472742B (zh) | 一种模型变量确定方法、装置及设备 | |
CN112835952A (zh) | 一种基于股票指标的计算分析方法及系统 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN113568952A (zh) | 一种物联网资源数据分析方法 | |
CN111639213A (zh) | 一种异常行为的识别方法及装置 | |
CN115907906A (zh) | 确定待推荐物品的方法、装置、存储介质及电子设备 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
CN109934604B (zh) | 销量数据的处理方法、系统、存储介质及电子设备 | |
CN113254787B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
Amerise et al. | A new method to detect outliers in high-frequency time series | |
CN116912203B (zh) | 基于多智能模型结合的异常眼底图像低耗检测方法及系统 |
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 |
Application publication date: 20210525 |
|
RJ01 | Rejection of invention patent application after publication |