CN113034284A - 基于算法，大数据和区块链的股票走势分析及预警系统 - Google Patents

基于算法，大数据和区块链的股票走势分析及预警系统 Download PDF

Info

Publication number
CN113034284A
CN113034284A CN202110402195.2A CN202110402195A CN113034284A CN 113034284 A CN113034284 A CN 113034284A CN 202110402195 A CN202110402195 A CN 202110402195A CN 113034284 A CN113034284 A CN 113034284A
Authority
CN
China
Prior art keywords
module
data
stock
training
prediction
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
CN202110402195.2A
Other languages
English (en)
Inventor
刘星
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110402195.2A priority Critical patent/CN113034284A/zh
Publication of CN113034284A publication Critical patent/CN113034284A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

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

Abstract

本发明涉及大数据技术领域，具体地说，涉及基于算法，大数据和区块链的股票走势分析及预警系统。包括基础建设单元、预测训练单元、数据处理单元和功能应用单元；基础建设单元包括应用平台模块、大数据库模块、技术支持模块和网络通信模块；预测训练单元包括模型搭建模块、数集导入模块、前传训练模块和误差训练模块；数据处理单元包括采集清筛模块、分类归纳模块、综合统析模块和报表图形模块；功能应用单元包括参数设定模块、走势测判模块、超阈预警模块和反馈统计模块。本发明设计通过对海量的股票数据进行训练及深度学习，对股票的走势进行预测评估，提高预测的准确性、缩小偏差，从而使股民可提前以预测的股票走势作为投资依据，降低投资损失。

Description

基于算法，大数据和区块链的股票走势分析及预警系统
技术领域
本发明涉及大数据技术领域，具体地说，涉及基于大数据和区块链的股票走势分析及 预警系统。
背景技术
股票是股份公司的所有权一部分也是发行的所有权凭证，是股份公司为筹集资金而发 行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。购买股票是一种常见 的投资方式，股票的波动与股民的切身利益相关，因股票波动无常、无法预估，导致大量 投资股民损失财产。目前，也存在一些预估股票走势分析的软件或应用，但是这些应用， 只基于少量的数据分析或根据一些资深投资者的经验作为依据，存在预测准确率低、预测 偏差大以及预测方式不够系统规则的缺陷。若能够基于对大量的股票数据进行训练和深度 学习，则可以更好地对股票波动走势进行预测分析。
发明内容
本发明的目的在于提供了基于大数据和区块链的股票走势分析及预警系统，以解决上 述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了基于大数据和区块链的 股票走势分析及预警系统，包括
基础建设单元、预测训练单元、数据处理单元、功能应用单元和股票预测模型建立单 元；所述基础建设单元、所述预测训练单元、所述数据处理单元与所述功能应用单元依次 通过以太网通讯连接；所述基础建设单元用于提供了支持系统运行的基础设备、应用及智 能技术；所述预测训练单元用于以深度学习算法为基础、以BP神经网络预测模型为框架， 搭建预测模型并进行训练；所述数据处理单元用于对股票相关的信息数据进行采集、归类 及计算处理并生成图表报告；所述功能应用单元用于以预测模型及数据处理结果为基础， 给用户提供了股票走势分析相关的功能服务，股票预测模型建立单元采用样本集对BP神 经网络进行训练和测试，从而建立股票预测模型；
所述基础建设单元包括应用平台模块、大数据库模块、技术支持模块和网络通信模块；
所述预测训练单元包括模型搭建模块、数集导入模块、前传训练模块和误差训练模块；
所述数据处理单元包括采集清筛模块、分类归纳模块、综合统析模块和报表图形模块；
所述功能应用单元包括参数设定模块、走势测判模块、超阈预警模块和反馈统计模块。
作为本技术方案的进一步改进，所述应用平台模块、所述大数据库模块与所述技术支 持模块依次通过以太网通讯连接并独立运行；所述应用平台模块用于通过授权接入各大股 票交易平台以获取海量的历史及实施股市信息；所述大数据库模块用于获取股票交易平台 及网上公开的股市相关数据，经整理后形成支持系统运行的基础数据库并存储在云端；所 述技术支持模块用于通过以区块链技术为主的大数据技术来支持系统的顺畅运行并给数 据提供了安全管理功能；所述网络通信模块用于给系统各层面之间提供了连接通讯及数据 传输的通道。
其中，网络通信技术包括但不限于有线通信、无线WiFi、数据流量等，且尤其以5G网络为主导。
作为本技术方案的进一步改进，所述技术支持模块包括节点共识模块、安全验证模块、 数据回溯模块和防篡久存模块；所述节点共识模块、所述安全验证模块、所述数据回溯模 块与所述防篡久存模块依次通过以太网通讯连接；所述节点共识模块用于通过共识机制在 所有记账节点之间达成共识以认定一个记录的有效性并在效率与安全性之间取得平衡；所 述安全验证模块用于在网络节点中通过公开算法来验证交易和用户状态以提高信息数据 的安全性；所述数据回溯模块用于以区块链的链式结构数据使各类数据可以完整进行回溯； 所述防篡久存模块用于通过各种共识机制使各节点处的数据无法篡改并使数据可以长期 保存。
其中，安全验证的内容包括但不限于交易记录、数字货币、合约等。
作为本技术方案的进一步改进，所述模型搭建模块的信号输出端与所述数集导入模块 的信号输入端连接，所述数集导入模块的信号输出端与所述前传训练模块的信号输入端连 接，所述前传训练模块的信号输出端与所述误差训练模块的信号输入端连接；所述模型搭 建模块用于搭建基于误差反向传播算法的多层前馈网络模型以便对数据进行训练；所述数 集导入模块用于在云端数库中随机抽取大量的数据形成训练数集并导入BP神经网络模型 中；所述前传训练模块用于在向前传输阶段对数据进行训练；所述误差训练模块用于在向 后传输阶段对数据进行训练并最终通过训练得到输入、输出间合适的线性或非线性关系。
作为本技术方案的进一步改进，所述前传训练模块中，向前传输阶段的训练流程包括 如下步骤：
Step1、从样本集中取一个样本Pi，Qj，将Pi输入网络；
Step2、计算出误差测度E1和实际输出Oi＝FL(...(F2(F1(PiW(1))W(2))...)W(L))；
Step3、对权重值W(1)，W(2)，...，W(L)各做一次调整，重复这个循环，直到∑Ei＜ε。
作为本技术方案的进一步改进，所述误差训练模块中，误差传播阶段也称为向后传输 阶段，其训练流程包括如下步骤：
Step1、计算实际输出OP与理想输出Qi的差；
Step2、用输出层的误差调整输出层权矩阵；
Step3、设定误差估计公式：
Figure BDA0003020825920000031
Step4、用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前 一层的误差，如此获得所有其他各层的误差估计；
Step5、并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输出 信号相反的方向逐级向输出端传递的过程；
进而，BP网络关于整个样本集的误差测度表达式为：
E＝∑iEi。
作为本技术方案的进一步改进，所述采集清筛模块的信号输出端与所述分类归纳模块 的信号输入端连接，所述分类归纳模块的信号输出端与所述综合统析模块的信号输入端连 接，所述综合统析模块的信号输出端与所述报表图形模块的信号输入端连接；所述采集清 筛模块用于在大数据中获取与用户输入股票相关的数据并自动进行筛选清理；所述分类归 纳模块用于经筛选出的信息按设定的类型分别归类并进行存储；所述综合统析模块用于分 别对归类后的数据进行单独分析并结合各类数据进行统计和综合分析；所述报表图形模块 用于通过统析结果针对各股票的走向趋势形成分析报告并自动生成表格和图形。
作为本技术方案的进一步改进，所述分类归纳模块采用TF-IDF匹配算法，其计算表 达式为：
Figure BDA0003020825920000041
式中tfi，j为中i和j的文本数量，dfi为包含i的文本数量，N为文本的总数。
作为本技术方案的进一步改进，所述参数设定模块的信号输出端与所述走势测判模块 的信号输入端连接，所述走势测判模块的信号输出端与所述的信号输入端连接，所述超阈 预警模块的信号输出端与所述反馈统计模块的信号输入端连接；所述参数设定模块用于给 用户提供了输入待预测走势的股票信息、股票走势方向、预测时长、波动阈值等基础参数 的通道；所述走势测判模块用于根据训练成果及数据统析结果来预测、判识指定股票未来 一段时间的走势趋向并通过echarts绘制动态图表展示出来；所述超阈预警模块用于在预 测的股票走势波动超过用户设定的阈值时向用户发出警报；所述反馈统计模块用于将股票 在预测时段时的实际走势及波动量反馈回到系统中并定期对系统的预测准确情况进行统 计。
本发明的目的之二在于，提供了基于大数据和区块链的股票走势分析及预警系统的运 行方法，包括如下步骤：
S1、系统经授权访问合作股票交易应用平台，获取各大股票交易平台上的海量数据， 同时系统从网上获取海量已公开的股票信息，形成大数据库并存储在云端；
S2、系统随机在大数据库中抽取大量数据形成训练数集，将训练数集导入到BP神经 网络预测算法训练模型中进行训练；
S3、用户登录系统，输入待预测的股票信息，包括股票名称、代码、所属公司等，并设定想要预测的时长、波动方向、波动阈值等参数；
S4、系统根据待预测股票信息的关键词，在大数据库中搜索相关数据信息，获取信息 并进行筛选、归类及综合统析，并最终生成包含报表和图形的分析报告；
S5、系统根据训练成效及数据分析结果，对股票在预设的未来一段时间内的走势趋向 进行预测，并通过echarts绘制动态图表展示在显示终端上；
S6、在预测的股票走势波动量超过用户预先设定的上升阈值或下降阈值时，在显示终 端上显示警报弹窗，以供用户参考；
S7、当时间到达上一次预测股票波动时段时，将股票实际的波动情况反馈返回系统， 与预测的走势情况进行对比，并统计预测的准确性及准确率；
S8、在系统运行的全过程中，以区块链技术为基础，将每个时段新增的数据以链式区 块结构添加到区块链中，并对用户的情况及涉及的交易情况进行安全验证及保护，最后以 防篡改的格式对所有数据进行长期保存。
本发明的目的之三在于，提供了基于大数据和区块链的股票走势分析及预警系统的运 行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理 器用于执行计算机程序时实现上述任一的基于大数据和区块链的股票走势分析及预警系 统。
本发明的目的之四在于，所述计算机可读存储介质存储有计算机程序，所述计算机程 序被处理器执行时实现上述任一的基于大数据和区块链的股票走势分析及预警系统。
与现有技术相比，本发明的有益效果：该基于大数据和区块链的股票走势分析及预警 系统中，通过采集海量的股票数据形成大数据库，并搭建BP神经网络预测算法模型，导 入大量的历史数据进行训练及深度学习，使系统从已有数据中自动归纳规则、获得内在规 律，并基于自学习、自适应、联想记忆、并行处理和非线性形转换的能力，对股票的走势进行预测评估，使预测依据可靠、预测方式系统，并可以设定分析及预警的阈值参数，提 高预测的准确性、缩小预测偏差，从而使股民可提前以预测的股票走势作为投资依据，降 低投资损失。
附图说明
图1为本发明的整体产品架构图；
图2为本发明的整体系统装置结构图；
图3为本发明的局部系统装置结构图之一；
图4为本发明的局部系统装置结构图之二；
图5为本发明的局部系统装置结构图之三；
图6为本发明的局部系统装置结构图之四；
图7为本发明的局部系统装置结构图之五；
图8为本发明的示例性计算机程序产品结构图。
图中各个标号意义为：
1、处理主机；2、显示终端；3、云端数库；4、深度学习训练模型；
100、基础建设单元；101、应用平台模块；102、大数据库模块；103、技术支持模块；1031、节点共识模块；1032、安全验证模块；1033、数据回溯模块；1034、防篡久存模块； 104、网络通信模块；
200、预测训练单元；201、模型搭建模块；202、数集导入模块；203、前传训练模块；204、误差训练模块；
300、数据处理单元；301、采集清筛模块；302、分类归纳模块；303、综合统析模块；304、报表图形模块；
400、功能应用单元；401、参数设定模块；402、走势测判模块；403、超阈预警模块；404、反馈统计模块。
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。
系统实施例
如图1-图8所示，本实施例提供了基于大数据和区块链的股票走势分析及预警系统， 包括
基础建设单元100、预测训练单元200、数据处理单元300和功能应用单元400；基础建设单元100、预测训练单元200、数据处理单元300与功能应用单元400依次通过以太 网通讯连接；基础建设单元100用于提供了支持系统运行的基础设备、应用及智能技术； 预测训练单元200用于以深度学习算法为基础、以BP神经网络预测模型为框架，搭建预 测模型并进行训练；数据处理单元300用于对股票相关的信息数据进行采集、归类及计算 处理并生成图表报告；功能应用单元400用于以预测模型及数据处理结果为基础，给用户 提供了股票走势分析相关的功能服务；
功能应用单元400可通过股票的K线进行分析，并与多条相似领域的股票进行关联， 分析出股票DEA线与K线背离时，输出行情反转信号。
基础建设单元100包括应用平台模块101、大数据库模块102、技术支持模块103和网络通信模块104；
预测训练单元200包括模型搭建模块201、数集导入模块202、前传训练模块203和误差训练模块204；
数据处理单元300包括采集清筛模块301、分类归纳模块302、综合统析模块303和报表图形模块304；
功能应用单元400包括参数设定模块401、走势测判模块402、超阈预警模块403和反馈统计模块404。
本实施例中，应用平台模块101、大数据库模块102与技术支持模块103依次通过以太网通讯连接并独立运行；应用平台模块101用于通过授权接入各大股票交易平台以获取海量的历史及实施股市信息；大数据库模块102用于获取股票交易平台及网上公开的股市相关数据，经整理后形成支持系统运行的基础数据库并存储在云端；技术支持模块103用于通过以区块链技术为主的大数据技术来支持系统的顺畅运行并给数据提供了安全管理功能；网络通信模块104用于给系统各层面之间提供了连接通讯及数据传输的通道。
其中，网络通信技术包括但不限于有线通信、无线WiFi、数据流量等，且尤其以5G网络为主导。
具体地，通过5G网络，可最大程度降低传输时延，同时最大程度提升数据传输量。
进一步地，技术支持模块103包括节点共识模块1031、安全验证模块1032、数据回溯模块1033和防篡久存模块1034；节点共识模块1031、安全验证模块1032、数据回溯模 块1033与防篡久存模块1034依次通过以太网通讯连接；节点共识模块1031用于通过共 识机制在所有记账节点之间达成共识以认定一个记录的有效性并在效率与安全性之间取 得平衡；安全验证模块1032用于在网络节点中通过公开算法来验证交易和用户状态以提 高信息数据的安全性；数据回溯模块1033用于以区块链的链式结构数据使各类数据可以 完整进行回溯；防篡久存模块1034用于通过各种共识机制使各节点处的数据无法篡改并 使数据可以长期保存。
其中，安全验证的内容包括但不限于交易记录、数字货币、合约等。
本实施例中，模型搭建模块201的信号输出端与数集导入模块202的信号输入端连接， 数集导入模块202的信号输出端与前传训练模块203的信号输入端连接，前传训练模块203 的信号输出端与误差训练模块204的信号输入端连接；模型搭建模块201用于搭建基于误 差反向传播算法的多层前馈网络模型以便对数据进行训练；数集导入模块202用于在云端 数库中随机抽取大量的数据形成训练数集并导入BP神经网络模型中；前传训练模块203用于在向前传输阶段对数据进行训练；误差训练模块204用于在向后传输阶段对数据进行训练并最终通过训练得到输入、输出间合适的线性或非线性关系。
具体地，前传训练模块203中，向前传输阶段的训练流程包括如下步骤：
Step1、从样本集中取一个样本Pi，Qj，将Pi输入网络；
Step2、计算出误差测度E1和实际输出Oi＝FL(...(F2(F1(PiW(1))W(2))...)W(L))；
Step3、对权重值W(1)，W(2)，...，W(L)各做一次调整，重复这个循环，直到∑Ei＜ε。
具体地，误差训练模块204中，误差传播阶段也称为向后传输阶段，其训练流程包括 如下步骤：
Step1、计算实际输出OP与理想输出Qi的差；
Step2、用输出层的误差调整输出层权矩阵；
Step3、设定误差估计公式：
Figure BDA0003020825920000091
Step4、用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前 一层的误差，如此获得所有其他各层的误差估计；
Step5、并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输出 信号相反的方向逐级向输出端传递的过程；
进而，BP网络关于整个样本集的误差测度表达式为：
E＝∑iEi。
本实施例中，采集清筛模块301的信号输出端与分类归纳模块302的信号输入端连接， 分类归纳模块302的信号输出端与综合统析模块303的信号输入端连接，综合统析模块303 的信号输出端与报表图形模块304的信号输入端连接；采集清筛模块301用于在大数据中 获取与用户输入股票相关的数据并自动进行筛选清理；分类归纳模块302用于经筛选出的 信息按设定的类型分别归类并进行存储；综合统析模块303用于分别对归类后的数据进行 单独分析并结合各类数据进行统计和综合分析；报表图形模块304用于通过统析结果针对 各股票的走向趋势形成分析报告并自动生成表格和图形。
具体地，分类归纳模块302采用TF-IDF匹配算法，其计算表达式为：
Figure BDA0003020825920000092
式中tfi，j为中i和j的文本数量，dfi为包含i的文本数量，N为文本的总数。
本实施例中，参数设定模块401的信号输出端与走势测判模块402的信号输入端连接， 走势测判模块402的信号输出端与的信号输入端连接，超阈预警模块403的信号输出端与 反馈统计模块404的信号输入端连接；参数设定模块401用于给用户提供了输入待预测走 势的股票信息、股票走势方向、预测时长、波动阈值等基础参数的通道；走势测判模块402 用于根据训练成果及数据统析结果来预测、判识指定股票未来一段时间的走势趋向并通过 echarts绘制动态图表展示出来；超阈预警模块403用于在预测的股票走势波动超过用户 设定的阈值时向用户发出警报；反馈统计模块404用于将股票在预测时段时的实际走势及 波动量反馈回到系统中并定期对系统的预测准确情况进行统计。
本实施例的系统还包括股票预测模型建立单元，股票预测模型建立单元采用样本集对 BP神经网络进行训练和测试，从而建立股票预测模型；采用布谷鸟算法对股票预测模型建 立单元采用的BP神经网络的初始权值和阈值进行优化，定义布谷鸟算法的适应度函数为 平均绝对误差函数，鸟巢位置对应的适应度函数越小，表明该鸟巢位置越优。
本优选实施例针对BP神经网络存在的对初始值敏感和易陷入局部极值的缺陷，提出 采用布谷鸟算法对BP神经网络的初始权值和阈值进行优化，弥补了BP神经网络对初始值 敏感和易陷入局部极值的不足，继而将优化后的BP神经网络应用到股票预测中时，能够有效的提高预测精度，从而能够起到预警作用。
优选地，所述布谷鸟算法通过莱维飞行对布谷鸟的鸟巢位置进行更新，具体为：
Xi(t+1)＝Xi(t)+αs(Xi(t)-Xbest(t))
式中，Xi(t+1)表示第i个鸟巢在第(t+1)次迭代时的位置，Xi(t)表示第i个鸟巢在第t次迭代时的位置，α表示步长因子，α的值可以取0.01，Xbest(t)表示第t次迭代时的最 优鸟巢位置，s为一个服从莱维分布的随机数；
设fi(t+1)表示鸟巢位置Xi(t+1)对应的适应度函数值，fi(t)表示鸟巢位置Xi(t)对应 的适应度函数值，当fi(t+1)＜fi(t)时，则令鸟巢位置Xi(t+1)替代鸟巢位置Xi(t)；当fi(t+1)≥fi(t)时，则保留鸟巢位置Xi(t)。
优选地，在每次的莱维飞行更新后，根据发现概率抛弃被发现鸟巢，具体为：
设Pa表示发现概率，鸟巢位置Xi(t+1)产生一个0到1之间的随机数ri(t+1)，当随机数ri(t+1)≤Pa时，则保留鸟巢位置Xi(t+1)，当随机数ri(t+1)＞Pa时，则布谷鸟抛 弃鸟巢位置Xi(t+1)，并采用随机游走方式产生新的鸟巢位置X′i(t+1)，具体为：
定义Q(t+1)表示种群在第(t+1)时对应的进化检测函数，则Q(t+1)的表达式为：
Figure BDA0003020825920000111
式中，N表示种群规模，ρi(t+1)表示鸟巢位置Xi(t+1)对应的进化判断函数，且
Figure RE-GDA0003072768710000112
Figure RE-GDA0003072768710000113
设di(t+1)表示鸟巢位置Xi(t+1)对应的进化距离，且di(t+ 1)＝|Xi(t+1)-Xi(t)|，
Figure RE-GDA0003072768710000114
表示种群在第(t+1)次迭代时的进化分割阈值，且
Figure RE-GDA0003072768710000115
Figure RE-GDA0003072768710000116
其中，
Figure RE-GDA0003072768710000117
表示种群在第(t+1)次迭代时对应的进化距离均值，且
Figure RE-GDA0003072768710000118
表示种群在第(t+1)次迭代时对应的进化距离最大值，且
Figure RE-GDA0003072768710000119
δi(t+1)表示鸟巢位置Xi(t+1)对应的局部进化 判断函数，且
Figure RE-GDA00030727687100001110
θi(t+1)表示鸟巢位置Xi(t+1)对 应的全局进化判断函数，且
Figure RE-GDA00030727687100001111
给定进化检测阈值Q，Q的值可以取0.2，当Q(t+1)≤Q时，采用下列随机游走方 式建立新鸟巢位置X′i(t+1)：
X′i(t+1)＝Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
其中，Xk(t+1)表示种群中第k个鸟巢在第(t+1)次迭代时的位置，Xl(t+1)表示种群中第l个鸟巢在第(t+1)次迭代时的位置，Xk(t+1)和Xl(t+1)为随机在种群中选取的 两个鸟巢位置，且Xk(t+1)≠Xl(t+1)，rand表示产生0到1之间的随机数；
当Q(t+1)>Q且鸟巢位置Xi(t+1)满足：
Figure RE-GDA00030727687100001112
时，则采用下列随机游走方式建立新的鸟巢位置X'i(t+1)：
X′i(t+1)＝Xi(t+1)+rand(Xk(t+1)-Xl(t+1))
当Q(t+1)＞Q且鸟巢位置Xi(t+1)满足：
Figure BDA00030208259200001113
时，则采用下列 随机游走方式建立新的鸟巢位置X′i(t+1)：
Figure BDA0003020825920000122
式中，
Figure BDA0003020825920000123
和
Figure BDA0003020825920000124
为随机从集合Li(t+1)中选取的两个鸟巢位置，且
Figure BDA0003020825920000125
Figure BDA0003020825920000126
其中，Li(t+1)表示鸟巢位置Xi(t+1)的邻域鸟巢位置集合，且集合Li(t+ 1)中的鸟巢位置采用下列方式确定：
定义li(t+1)表示鸟巢位置Xi(t+1)对应的随机游走门限值，将li(t+1)的值设置为：
Figure BDA0003020825920000121
设Xj(t+1)表示种群中第j个鸟巢在第(t+1)次迭代时的位置，当鸟巢位置Xj(t+1)满足：|Xi(t+1)-Xj(t+1)|≤li(t+1)时， 则将鸟巢位置Xj(t+1)加入到集合Li(t+1)中，当鸟巢位置Xj(t+1)满足|Xi(t+1)- Xj(t+1)|＞li(t+1)时，则不将鸟巢位置Xj(t+1)加入到集合Li(t+1)中；
设f′i(t+1)表示鸟巢位置X′j(t+1)对应的适应度函数值，当f′j(t+1)＜fi(t+1)时， 则令鸟巢位置X′i(t+1)替代鸟巢位置Xi(t+1)，当f′i(t+1)≥fi(t+1)时，则保留鸟巢位置Xi(t+1)。
本优选实施例在每次的莱维飞行更新后，根据发现概率抛弃被发现鸟巢，并采用随机 游走方式建立新鸟巢，区别于传统的建立新鸟巢的方式，本优选实施例在建立新鸟巢时定 义了进化检测函数，所述进化检测函数用于检测种群在当前莱维飞行更新过程中的进化特 性，所述进化检测函数中的第一项用于统计种群中在莱维飞行更新过程中位置移动较大的 鸟巢数，进化检测函数中的第二项用于统计种群中在莱维飞行更新过程中位置移动较小的 鸟巢数，当进化检测函数的值小于给定的进化检测阈值时，则可以认定种群在当前莱维飞 行更新过程中更加偏向于局部搜索，此时，在采用随机游走方式建立新鸟巢时，更加注重 于全局搜索，即仍然采用传统的全局随机游走方式；当进化检测函数大于给定的进化检测 阈值时，则认定种群在当前的莱维飞行更新过程中更加偏向于全局搜索，此时，在采用随 机游走方式建立新鸟巢时，令种群中在莱维飞行更新过程中移动位置较小的鸟巢仍然进行 全局随机游走，即保证种群的多样性，避免陷入局部最优，而令种群中在莱维飞行更新过 程中移动位置较大的鸟巢进行局部随机游走，即通过引入鸟巢位置的邻域鸟巢位置集合来 限制随机游走的范围，使得在建立新鸟巢时更加注重于局部搜索，从而提高寻优精度，综 上所述通过进化检测函数检测种群在当前莱维飞行更新过程中的进化特性，并根据所述进 化特性决定随机游走方式，能够有效调整种群的全局搜索和局部搜索，在保证种群多样性 的同时，能够有效的提高种群的寻优精度，从而找到全局最优解；再利用改进的布谷鸟算 法对BP神经网络的初始权值和阈值进行优化，能够寻找到BP神经网络的最优初始权值和 阈值，从而提高BP神经网络的预测精度，继而将所述BP神经网络应用到股票预测中时， 能够有效的预测股票趋势，从而起到预警的作用。
方法实施例
本实施例的目的在于，提供了基于大数据和区块链的股票走势分析及预警系统的运行 方法，包括如下步骤：
S1、系统经授权访问合作股票交易应用平台，获取各大股票交易平台上的海量数据， 同时系统从网上获取海量已公开的股票信息，形成大数据库并存储在云端；
S2、系统随机在大数据库中抽取大量数据形成训练数集，将训练数集导入到BP神经 网络预测算法训练模型中进行训练；
S3、用户登录系统，输入待预测的股票信息，包括股票名称、代码、所属公司等，并设定想要预测的时长、波动方向、波动阈值等参数；
S4、系统根据待预测股票信息的关键词，在大数据库中搜索相关数据信息，获取信息 并进行筛选、归类及综合统析，并最终生成包含报表和图形的分析报告；
S5、系统根据训练成效及数据分析结果，对股票在预设的未来一段时间内的走势趋向 进行预测，并通过echarts绘制动态图表展示在显示终端上；
S6、在预测的股票走势波动量超过用户预先设定的上升阈值或下降阈值时，在显示终 端上显示警报弹窗，以供用户参考；
S7、当时间到达上一次预测股票波动时段时，将股票实际的波动情况反馈返回系统， 与预测的走势情况进行对比，并统计预测的准确性及准确率；
S8、在系统运行的全过程中，以区块链技术为基础，将每个时段新增的数据以链式区 块结构添加到区块链中，并对用户的情况及涉及的交易情况进行安全验证及保护，最后以 防篡改的格式对所有数据进行长期保存。
计算机程序产品实施例
参阅图1，示出了基于大数据和区块链的股票走势分析及预警系统的示例性产品架构 图，包括处理主机1及其配套的显示终端2，处理主机1外通过以太网通讯连接有云端数 库3，处理主机1上装载有以云端数库3为基础搭建的深度学习训练模型4。
参阅图8，示出了基于大数据和区块链的股票走势分析及预警系统的运行装置结构示 意图，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存 储程序指令，处理器执行存储器中的程序指令时实现上述的基于大数据和区块链的股票走 势分析及预警系统。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现， 如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快 闪存储器，磁盘或光盘。
此外，本发明还提供了计算机可读存储介质，计算机可读存储介质存储有计算机程序， 计算机程序被处理器执行时实现上述的基于大数据和区块链的股票走势分析及预警系统。
可选的，本发明还提供了包含指令的计算机程序产品，当其在计算机上运行时，使得 计算机执行上述各方面基于大数据和区块链的股票走势分析及预警系统。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完 成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上 述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员 应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优 选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变 化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附 的权利要求书及其等效物界定。

Claims (10)

1.基于大数据和区块链的股票走势分析及预警系统，其特征在于：包括
基础建设单元(100)、预测训练单元(200)、数据处理单元(300)和、功能应用单元(400)和股票预测模型建立单元；所述基础建设单元(100)、所述预测训练单元(200)、所述数据处理单元(300)与所述功能应用单元(400)依次通过以太网通讯连接；所述基础建设单元(100)用于提供了支持系统运行的基础设备、应用及智能技术；所述预测训练单元(200)用于以深度学习算法为基础、以BP神经网络预测模型为框架，搭建预测模型并进行训练；所述数据处理单元(300)用于对股票相关的信息数据进行采集、归类及计算处理并生成图表报告；所述功能应用单元(400)用于以预测模型及数据处理结果为基础，给用户提供了股票走势分析相关的功能服务，股票预测模型建立单元采用样本集对BP神经网络进行训练和测试，从而建立股票预测模型；
所述基础建设单元(100)包括应用平台模块(101)、大数据库模块(102)、技术支持模块(103)和网络通信模块(104)；
所述预测训练单元(200)包括模型搭建模块(201)、数集导入模块(202)、前传训练模块(203)和误差训练模块(204)；
所述数据处理单元(300)包括采集清筛模块(301)、分类归纳模块(302)、综合统析模块(303)和报表图形模块(304)；
所述功能应用单元(400)包括参数设定模块(401)、走势测判模块(402)、超阈预警模块(403)和反馈统计模块(404)。
2.根据权利要求1所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述应用平台模块(101)、所述大数据库模块(102)与所述技术支持模块(103)依次通过以太网通讯连接并独立运行；所述应用平台模块(101)用于通过授权接入各大股票交易平台以获取海量的历史及实施股市信息；所述大数据库模块(102)用于获取股票交易平台及网上公开的股市相关数据，经整理后形成支持系统运行的基础数据库并存储在云端；所述技术支持模块(103)用于通过以区块链技术为主的大数据技术来支持系统的顺畅运行并给数据提供了安全管理功能；所述网络通信模块(104)用于给系统各层面之间提供了连接通讯及数据传输的通道。
3.根据权利要求2所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述技术支持模块(103)包括节点共识模块(1031)、安全验证模块(1032)、数据回溯模块(1033)和防篡久存模块(1034)；所述节点共识模块(1031)、所述安全验证模块(1032)、所述数据回溯模块(1033)与所述防篡久存模块(1034)依次通过以太网通讯连接；所述节点共识模块(1031)用于通过共识机制在所有记账节点之间达成共识以认定一个记录的有效性并在效率与安全性之间取得平衡；所述安全验证模块(1032)用于在网络节点中通过公开算法来验证交易和用户状态以提高信息数据的安全性；所述数据回溯模块(1033)用于以区块链的链式结构数据使各类数据可以完整进行回溯；所述防篡久存模块(1034)用于通过各种共识机制使各节点处的数据无法篡改并使数据可以长期保存。
4.根据权利要求1所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述模型搭建模块(201)的信号输出端与所述数集导入模块(202)的信号输入端连接，所述数集导入模块(202)的信号输出端与所述前传训练模块(203)的信号输入端连接，所述前传训练模块(203)的信号输出端与所述误差训练模块(204)的信号输入端连接；所述模型搭建模块(201)用于搭建基于误差反向传播算法的多层前馈网络模型以便对数据进行训练；所述数集导入模块(202)用于在云端数库中随机抽取大量的数据形成训练数集并导入BP神经网络模型中；所述前传训练模块(203)用于在向前传输阶段对数据进行训练；所述误差训练模块(204)用于在向后传输阶段对数据进行训练并最终通过训练得到输入、输出间合适的线性或非线性关系。
5.根据权利要求4所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述前传训练模块(203)中，向前传输阶段的训练流程包括如下步骤：
Step1、从样本集中取一个样本Pi，Qj，将Pi输入网络；
Step2、计算出误差测度E1和实际输出Oi＝FL(...(F2(F1(PiW(1))W(2))...)W(L))；
Step3、对权重值W(1)，W(2)，...，W(L)各做一次调整，重复这个循环，直到ΣEi＜ε。
6.根据权利要求5所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述误差训练模块(204)中，误差传播阶段也称为向后传输阶段，其训练流程包括如下步骤：
Step1、计算实际输出OP与理想输出Qi的差；
Step2、用输出层的误差调整输出层权矩阵；
Step3、设定误差估计公式：
Figure FDA0003020825910000031
Step4、用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差，如此获得所有其他各层的误差估计；
Step5、并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程；
进而，BP网络关于整个样本集的误差测度表达式为：
E＝∑iEi。
7.根据权利要求1所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述采集清筛模块(301)的信号输出端与所述分类归纳模块(302)的信号输入端连接，所述分类归纳模块(302)的信号输出端与所述综合统析模块(303)的信号输入端连接，所述综合统析模块(303)的信号输出端与所述报表图形模块(304)的信号输入端连接；所述采集清筛模块(301)用于在大数据中获取与用户输入股票相关的数据并自动进行筛选清理；所述分类归纳模块(302)用于经筛选出的信息按设定的类型分别归类并进行存储；所述综合统析模块(303)用于分别对归类后的数据进行单独分析并结合各类数据进行统计和综合分析；所述报表图形模块(304)用于通过统析结果针对各股票的走向趋势形成分析报告并自动生成表格和图形。
8.根据权利要求7所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述分类归纳模块(302)采用TF-IDF匹配算法，其计算表达式为：
Figure FDA0003020825910000041
式中tfi，j为中i和j的文本数量，dfi为包含i的文本数量，N为文本的总数。
9.根据权利要求1所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述参数设定模块(401)的信号输出端与所述走势测判模块(402)的信号输入端连接，所述走势测判模块(402)的信号输出端与所述的信号输入端连接，所述超阈预警模块(403)的信号输出端与所述反馈统计模块(404)的信号输入端连接；所述参数设定模块(401)用于给用户提供了输入待预测走势的股票信息、股票走势方向、预测时长、波动阈值等基础参数的通道；所述走势测判模块(402)用于根据训练成果及数据统析结果来预测、判识指定股票未来一段时间的走势趋向并通过echarts绘制动态图表展示出来；所述超阈预警模块(403)用于在预测的股票走势波动超过用户设定的阈值时向用户发出警报；所述反馈统计模块(404)用于将股票在预测时段时的实际走势及波动量反馈回到系统中并定期对系统的预测准确情况进行统计。
10.根据权利要求1所述的基于大数据和区块链的股票走势分析及预警系统，其特征在于：所述系统的运行方法包括如下步骤：
S1、系统经授权访问合作股票交易应用平台，获取各大股票交易平台上的海量数据，同时系统从网上获取海量已公开的股票信息，形成大数据库并存储在云端；
S2、系统随机在大数据库中抽取大量数据形成训练数集，将训练数集导入到BP神经网络预测算法训练模型中进行训练；
S3、用户登录系统，输入待预测的股票信息，包括股票名称、代码、所属公司等，并设定想要预测的时长、波动方向、波动阈值等参数；
S4、系统根据待预测股票信息的关键词，在大数据库中搜索相关数据信息，获取信息并进行筛选、归类及综合统析，并最终生成包含报表和图形的分析报告；
S5、系统根据训练成效及数据分析结果，对股票在预设的未来一段时间内的走势趋向进行预测，并通过echarts绘制动态图表展示在显示终端上；
S6、在预测的股票走势波动量超过用户预先设定的上升阈值或下降阈值时，在显示终端上显示警报弹窗，以供用户参考；
S7、当时间到达上一次预测股票波动时段时，将股票实际的波动情况反馈返回系统，与预测的走势情况进行对比，并统计预测的准确性及准确率；
S8、在系统运行的全过程中，以区块链技术为基础，将每个时段新增的数据以链式区块结构添加到区块链中，并对用户的情况及涉及的交易情况进行安全验证及保护，最后以防篡改的格式对所有数据进行长期保存。
CN202110402195.2A 2021-04-14 2021-04-14 基于算法，大数据和区块链的股票走势分析及预警系统 Pending CN113034284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402195.2A CN113034284A (zh) 2021-04-14 2021-04-14 基于算法，大数据和区块链的股票走势分析及预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402195.2A CN113034284A (zh) 2021-04-14 2021-04-14 基于算法，大数据和区块链的股票走势分析及预警系统

Publications (1)

Publication Number Publication Date
CN113034284A true CN113034284A (zh) 2021-06-25

Family

ID=76457360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402195.2A Pending CN113034284A (zh) 2021-04-14 2021-04-14 基于算法，大数据和区块链的股票走势分析及预警系统

Country Status (1)

Country Link
CN (1) CN113034284A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581242A (zh) * 2022-05-05 2022-06-03 北京中捷互联信息技术有限公司 一种金融数据处理系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN110889291A (zh) * 2019-11-21 2020-03-17 山东浪潮人工智能研究院有限公司 一种基于深度学习和区块链的研报评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN110889291A (zh) * 2019-11-21 2020-03-17 山东浪潮人工智能研究院有限公司 一种基于深度学习和区块链的研报评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴涛: "基于神经网络的模拟股票预测交易系统设计与实现", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
孙晨；李阳等: "基于布谷鸟算法优化BP神经网络模型的股价预测", 《计算机应用与软件》 *
计明军等: "《预测与决策方法》", 31 August 2018 *
许鑫: "《基于文本特征计算的信息分析方法》", 30 November 2015 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581242A (zh) * 2022-05-05 2022-06-03 北京中捷互联信息技术有限公司 一种金融数据处理系统及方法

Similar Documents

Publication Publication Date Title
WO2019218475A1 (zh) 异常行为对象的识别方法、装置、终端设备及介质
CN113095927B (zh) 一种反洗钱可疑交易识别方法及设备
CN107909299A (zh) 人伤理赔数据风险检测方法和系统
US20200167593A1 (en) Dynamic reconfiguration training computer architecture
CN112053233B (zh) 基于gra的动态中小企业信用评分方法及系统
CN111340606B (zh) 一种全流程收入稽核方法和装置
US20210026872A1 (en) Data classification
CN111105092A (zh) 面向医院医保限额分配的数据交互系统及方法
CN112562863A (zh) 流行病监测预警方法、装置、电子设备
US8364614B2 (en) Method for building predictive models with incomplete data
CN116452052A (zh) 一种专利价值评估方法、系统、装置及存储介质
CN114448657B (zh) 一种配电通信网络安全态势感知与异常入侵检测方法
CN113034284A (zh) 基于算法，大数据和区块链的股票走势分析及预警系统
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
KR101278135B1 (ko) 확률론적 특허 인용 분석에 기반한 미래 유망 특허 탐색 장치 및 그 방법
KR102406375B1 (ko) 원천 기술의 평가 방법을 포함하는 전자 장치
CN111325255B (zh) 特定人群圈定方法、装置、电子设备及存储介质
CN111552882A (zh) 一种新闻影响力计算方法、装置、计算机设备及存储介质
US20210326645A1 (en) Robust correlation of vehicle extents and locations when given noisy detections and limited field-of-view image frames
CN112308294B (zh) 违约概率预测方法及装置
CN114612239A (zh) 基于算法、大数据、人工智能的股票舆情监测和风控系统
CN113849618A (zh) 基于知识图谱的策略确定方法、装置、电子设备及介质
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
CN113657945A (zh) 用户价值预测方法、装置、电子设备和计算机存储介质
CN112669093A (zh) 海洋经济预测方法、系统、电子设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210625