CN113537651A - 一种金融时间序列预测方法、系统及相关设备 - Google Patents

一种金融时间序列预测方法、系统及相关设备 Download PDF

Info

Publication number
CN113537651A
CN113537651A CN202111090571.5A CN202111090571A CN113537651A CN 113537651 A CN113537651 A CN 113537651A CN 202111090571 A CN202111090571 A CN 202111090571A CN 113537651 A CN113537651 A CN 113537651A
Authority
CN
China
Prior art keywords
time series
segments
financial
similar
segment
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
CN202111090571.5A
Other languages
English (en)
Inventor
张传雷
赵洪伟
闫潇宁
许能华
李建荣
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.)
Tianjin University of Science and Technology
Shenzhen Anruan Technology Co Ltd
Original Assignee
Tianjin University of Science and Technology
Shenzhen Anruan 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 Tianjin University of Science and Technology, Shenzhen Anruan Technology Co Ltd filed Critical Tianjin University of Science and Technology
Priority to CN202111090571.5A priority Critical patent/CN113537651A/zh
Publication of CN113537651A publication Critical patent/CN113537651A/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明适用于金融分析技术领域，提供了一种金融时间序列预测方法、系统和相关设备，所述方法包括：计算金融时间序列之间的时间相似性；计算预测窗口大小
Figure 452334DEST_PATH_IMAGE001
；从金融时间序列中选出具有相似性的
Figure 17308DEST_PATH_IMAGE002
个相似片段，并从金融时间序列中确定一个目标片段，从相似片段中按每个类别选出与目标片段相似的
Figure 447021DEST_PATH_IMAGE003
片段；将
Figure 843367DEST_PATH_IMAGE002
个相似片段按照预测窗口大小
Figure 185487DEST_PATH_IMAGE001
分为
Figure 972177DEST_PATH_IMAGE004
份，得到
Figure 753051DEST_PATH_IMAGE005
个时间序列片段，将属于同一相似片段的时间序列片段划为一类，并建立索引；利用索引、时间序列片段、目标片段和
Figure 207166DEST_PATH_IMAGE003
片段进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果。本发明能够有效识别不同维度时间序列的不同特征，并能够处理具有较大规模的数据。

Description

一种金融时间序列预测方法、系统及相关设备
技术领域
本发明属于金融分析技术领域，尤其涉及一种金融时间序列预测方法、系统及相关设备。
背景技术
股票价格预测是股票市场永恒的话题。目前股票价格预测的方法分为以下三种：其一，以基本分析技术分析为主的传统预测方法；其二，以神经网络、支持向量机为主的人工智能方法；其三，以时间序列为主的计量经济学方法。
传统预测方法是最为常用的方法，包含基本分析法和技术分析法。基本分析法主要包括宏观经济分析、行业和区域分析以及公司分析三种。技术分析主要通过市场行为来分析股票价格变化的，而市场行为通常又表现为价格和成交量，在分析时还要结合时间和空间两个因素；技术分析的优势在于股票价格的短期预测，但技术分析也有自己的缺陷，例如在技术形态识别上不具有客观性，因为现实价格形态不一定具有理想的形式，此时判断股票价格就会具有一定的主观性。
人工智能方法主要是利用计算机人工智能来模拟人的大脑学习过程，在给定样本对的情况下对其进行学习，发掘其内在的规律，然后用这种规律来对未来做出预测。目前，人工智能方法主要有神经网络方法和支持向量机方法，并在实际应用中取得了不错的预测效果。但是，在金融领域中使用人工智能方法的一个不足就是其解释能力不是很强，结果不容易被人理解。
金融时间序列方法是股市预测中使用的一种计量方法。金融时间序列是时间序列 中的一个分支，其与其他时间序列不同之处在于，金融时间序列的分析中要考虑随机因素 的影响。在使用金融时间序列对股票价格预测时主要是通过分析价格随时间演变的过程， 然后根据严密的数学理论为价格序列建立模型，从而利用模型预测价格。自回归模型(
Figure 306357DEST_PATH_IMAGE001
，简称
Figure 886374DEST_PATH_IMAGE002
)、移动平均模型(
Figure 615165DEST_PATH_IMAGE003
，简称
Figure 317542DEST_PATH_IMAGE004
)、自回归移动平 均模型(
Figure 882515DEST_PATH_IMAGE005
，简称
Figure 515491DEST_PATH_IMAGE006
)、自回归条件异方差模型(
Figure 646258DEST_PATH_IMAGE007
，简称
Figure 253957DEST_PATH_IMAGE008
)、广义自回归条件异方差模型(
Figure 40647DEST_PATH_IMAGE009
，简称
Figure 24784DEST_PATH_IMAGE010
)等都是比较常用的时间序 列模型。基于金融时间序列的股票预测模型建立在严密的数学逻辑推理之上，在预测股票 过程中具有很好的解释能力，相对于其他复杂的预测方法，金融时间序列建模相对比较简 单，而且计算比较简单。但金融时间序列在实际应用过程中也有自己的局限性：由于在使用 金融时间序列建模时，对样本数据要求往往较高，比如必须要大样本，样本数据必须平稳独 立等，而在实际当中金融数据往往又是包含较多噪音，并且通常表现出非平稳、非线性的特 点。所以用金融时间序列很难建立比较理想的模型，有时虽然模型可以建立，参数估计往往 又是一个比较困难的问题。
综上所述，传统金融时间序列预测方法无法有效地识别不同维度时间序列的不同特征，从而导致了当前一些时间序列预测方法的不足，因此无法有效地指导实际研究，也无法有效处理具有较大规模的数据。
发明内容
本发明实施例提供一种金融时间序列预测方法，旨在解决传统金融时间序列预测方法无法有效地识别不同维度时间序列的不同特征、也无法有效处理具有较大规模数据的问题。
第一方面，本发明实施例提供一种金融时间序列预测方法，所述方法包括以下步骤：
计算金融时间序列之间的时间相似性；
计算预测窗口大小
Figure 10057DEST_PATH_IMAGE011
；
从所述金融时间序列中选出具有相似性的
Figure 40855DEST_PATH_IMAGE012
个相似片段，并从所述金融时间序列 中确定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 314841DEST_PATH_IMAGE013
片 段；
将
Figure 633827DEST_PATH_IMAGE012
个所述相似片段按照所述预测窗口大小
Figure 942449DEST_PATH_IMAGE011
分为
Figure 626371DEST_PATH_IMAGE014
份，得到
Figure 902500DEST_PATH_IMAGE015
个时间序列片 段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索引；
利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 962860DEST_PATH_IMAGE013
片段进行快速查询 以及时间序列趋势分析，得到金融时间序列预测结果。
更进一步地，所述计算金融时间序列之间的时间相似性所使用的计算方法为加权欧氏距离计算法。
更进一步地，所述计算预测窗口大小
Figure 922726DEST_PATH_IMAGE011
的步骤具体包括以下子步骤：
预设一个所述预测窗口大小
Figure 308708DEST_PATH_IMAGE011
的范围区间；
通过所述时间序列的实际值和预测值计算错误损失，将所述错误损失和所述范围 区间进行比较，将在所述范围区间内的最小的所述错误损失作为最终的所述预测窗口大小
Figure 291707DEST_PATH_IMAGE011
的值。
更进一步地，所述从所述金融时间序列中选出具有相似性的
Figure 405026DEST_PATH_IMAGE012
个相似片段，并确 定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 484977DEST_PATH_IMAGE013
片段的 步骤具体包括以下子步骤：
将所述金融时间序列输入到Milvus中；
使用所述Milvus搜索所述金融时间序列中具有时间相似性的
Figure 776281DEST_PATH_IMAGE012
个相似片段；
对所述相似片段进行分类并计算类别数，所述类别数为所述相似片段的种类数， 预设定一个类别数范围区间，使用K-means算法从所述相似片段中进行聚类计算，得到每个 所述类别数的DBI指数，将处于所述类别数范围区间中的所述DBI指数最小的所述类别数记 为
Figure 246577DEST_PATH_IMAGE016
；
从所述金融时间序列中确定一个目标片段，从所述相似片段中取前
Figure 914319DEST_PATH_IMAGE016
个与所述目 标片段中的向量最相似的向量，组成所述
Figure 848777DEST_PATH_IMAGE013
片段。
更进一步地，将
Figure 560249DEST_PATH_IMAGE012
个所述相似片段按照所述预测窗口大小
Figure 517841DEST_PATH_IMAGE011
分为
Figure 520432DEST_PATH_IMAGE014
份，得到
Figure 512659DEST_PATH_IMAGE015
个时间序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索引的 步骤具体包括以下子步骤：
将
Figure 145766DEST_PATH_IMAGE012
个所述相似片段按照所述预测窗口大小
Figure 126008DEST_PATH_IMAGE011
分为
Figure 666711DEST_PATH_IMAGE014
份，得到
Figure 779023DEST_PATH_IMAGE015
个所述时间序 列片段；
在所述Milvus中建立一个数据集，将所述时间序列片段中属于同一所述相似片段的所述时间序列片段划为一类，并存储到所述数据集的其中一个数据类中；
为每一个所述数据类分别建立所述索引。
更进一步地，所述利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 317452DEST_PATH_IMAGE013
片段进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果的步骤具体包括以 下子步骤：
根据所述索引进行所述时间序列片段的快速查询；
利用所述目标片段和所述
Figure 311953DEST_PATH_IMAGE013
片段的斜率以及所述目标片段的值进行计算，得 到所述金融时间序列预测结果。
更进一步地，所述利用所述目标片段和所述
Figure 859609DEST_PATH_IMAGE013
片段的斜率以及所述目标片段 的值进行计算，得到所述金融时间序列预测结果的步骤具体为：
分别计算所述目标片段与所述
Figure 810116DEST_PATH_IMAGE013
片段的斜率，所述斜率分别为
Figure 50605DEST_PATH_IMAGE017
，并 按照如下计算式进行计算：
Figure 266822DEST_PATH_IMAGE018
其中，
Figure 618169DEST_PATH_IMAGE019
为所述
Figure 173916DEST_PATH_IMAGE013
片段中第
Figure 834573DEST_PATH_IMAGE020
个片段在序列中的下一个值，
Figure 538087DEST_PATH_IMAGE021
为最终的预测结 果。
第二方面，本发明实施例提供一种金融时间序列预测系统，包括以下模块：时间相似性模块、预测窗口模块、相似片段处理模块、索引建立模块、预测模块，其中：
所述时间相似性模块用于计算金融时间序列之间的时间相似性；
所述预测窗口模块用于计算预测窗口大小
Figure 161966DEST_PATH_IMAGE011
；
所述相似片段处理模块用于从所述金融时间序列中选出具有相似性的
Figure 103377DEST_PATH_IMAGE012
个相似 片段，并确定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 482406DEST_PATH_IMAGE013
片段；
所述索引建立模块用于将
Figure 876478DEST_PATH_IMAGE012
个所述相似片段按照所述预测窗口大小
Figure 553316DEST_PATH_IMAGE011
分为
Figure 83655DEST_PATH_IMAGE014
份， 得到
Figure 633585DEST_PATH_IMAGE015
个时间序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建 立索引；
所述预测模块用于利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 514953DEST_PATH_IMAGE013
片段进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果。
第三方面，本发明实施例提供一种计算机设备，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述实施例中任一项所述的金融时间序列预测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任一项所述的金融时间序列预测方法中的步骤。
本发明所达到的有益效果，由于采用了基于模式序列的相似性搜索的金融时间序列预测方法，同时使用更高效的数据库作为搜索载体，使得本发明的预测方法能够有效识别不同维度时间序列的不同特征，并能够处理具有较大规模的数据。
附图说明
图1是本发明实施例提供的一种金融时间序列预测方法的流程框图；
图2是本发明实施例提供的一种金融时间序列预测方法中步骤S102的子流程框图；
图3是本发明实施例提供的一种金融时间序列预测方法中步骤S103的子流程框图；
图4是本发明实施例提供的一种金融时间序列预测方法中步骤S104的子流程框图；
图5是本发明实施例提供的一种金融时间序列预测方法中步骤S105的子流程框图；
图6是本发明实施例提供的金融时间序列预测系统的结构框图；
图7是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参见图1，图1是本发明实施例提供的一种金融时间序列预测方法的流程框图，所述预测方法包括以下步骤：
S101、计算金融时间序列之间的时间相似性。
所述时间序列是指在一定时间内按时间顺序测量的某个变量的取值序列，从数学的二维坐标的角度来说，所述时间序列以时间为自变量，测量得到的数值为因变量，所述时间序列在二维坐标中能够体现出变化率的特性。本发明实施例所指的所述时间序列为金融时间序列，所述金融时间序列以时间为自变量，股票的价格或者股票的收益率等金融数据为因变量，具体为现实生活中，根据时间的变化关系得到的股票数据，而金融时间序列分析考虑的就是金融数据随时间演变的理论和实践，而对于所述金融时间序列来说，其金融数据的影响因素是多维的，以时间作为主要的自变量，是因为现实中人们经常以某个时间顺序作为所述金融数据的观察点，所述金融数据的影响因素还包括投资行为、舆论影响、行政调控等，同时这些因素对所述金融数据的影响程度也是有所不同的。
综上所述，本发明实施例所指的时间序列对应所述金融时间序列的特点，其在数学维度的体现上为拥有多个维度的序列，并且这多个维度对所述金融数据的影响程度不同。本发明实施例首先使用加权欧氏距离计算法对所述金融时间序列计算时间相似性，所述时间相似性为一段时间内的序列点的增减变化模式相同，即在同一时间范围内，两个所述金融时间序列之间呈现一定程度的相互平行。在所述金融时间序列中，因为各个维度对所述金融数据的影响程度不同，所以所述金融数据在多维度中的时间相似性不能将各维度的分量作统一计算。
本发明实施例将所述金融时间序列的维度数量记为
Figure 746214DEST_PATH_IMAGE022
，其中每一个维度对所述金 融数据的影响程度用权重值体现，记所述权重值为
Figure 193376DEST_PATH_IMAGE023
，其中
Figure 104088DEST_PATH_IMAGE024
取正整数且不大于
Figure 207173DEST_PATH_IMAGE022
，
Figure 242125DEST_PATH_IMAGE024
的取 值使
Figure 809373DEST_PATH_IMAGE023
能够代表各个维度的权重值，例如
Figure 638788DEST_PATH_IMAGE025
代表第二维度的取值，具体的，每个维度的所 述权重值的计算满足如下表达式：
Figure 478437DEST_PATH_IMAGE026
进一步地，将所述金融时间序列的其中任意两个序列点记为
Figure 113818DEST_PATH_IMAGE027
和
Figure 473255DEST_PATH_IMAGE028
，使用
Figure 473572DEST_PATH_IMAGE029
代表 利用所述加权欧氏距离计算法计算出的
Figure 551250DEST_PATH_IMAGE027
和
Figure 990321DEST_PATH_IMAGE028
之间的欧氏距离，具体的，所述金融时间序列 的其中任意两个序列点
Figure 719112DEST_PATH_IMAGE027
和
Figure 890330DEST_PATH_IMAGE028
之间的加权欧氏距离计算满足如下表达式：
Figure 455303DEST_PATH_IMAGE030
其中，
Figure 432487DEST_PATH_IMAGE031
代表
Figure 766516DEST_PATH_IMAGE027
点在第
Figure 357903DEST_PATH_IMAGE032
个维度的分量，
Figure 206911DEST_PATH_IMAGE033
代表
Figure 925468DEST_PATH_IMAGE028
点在第
Figure 114004DEST_PATH_IMAGE032
个维度的分量，例如
Figure 892604DEST_PATH_IMAGE034
和
Figure 228907DEST_PATH_IMAGE035
分别代表
Figure 997494DEST_PATH_IMAGE027
点和
Figure 40536DEST_PATH_IMAGE028
点在第1个维度的分量，
Figure 786775DEST_PATH_IMAGE036
和
Figure 548058DEST_PATH_IMAGE037
分别代表
Figure 608418DEST_PATH_IMAGE027
点和
Figure 20813DEST_PATH_IMAGE028
点在第2个维度 的分量。
在确定所述加权欧氏距离计算法的规则之后，在整个所述金融时间序列中针对不同的任意两点进行计算，根据计算得到的值的相近程度，能够反映所述时间序列中任意两点之间是否存在时间相似性。
S102、计算预测窗口大小
Figure 937954DEST_PATH_IMAGE011
。
所述预测窗口大小是本发明实施例用于计算所述金融时间序列中的任一片段的值，所述预测窗口大小的取值会影响最终预测结果的准确性，若所述预测窗口大小过大，那么得到的所述最终预测结果可能无法反映较短时间内的所述金融数据的变化情况，反之则无法反映较长时间内的所述金融数据的变化情况，因此在进行下一步计算前，要先确定所述预测窗口大小的具体取值。请参照图2，图2是本发明实施例提供的一种金融时间序列预测方法中步骤S102的子流程框图，所述预测窗口大小的计算包括以下步骤。
S201、预设一个预测窗口大小
Figure 186532DEST_PATH_IMAGE011
的范围区间。
记
Figure 50583DEST_PATH_IMAGE011
为所述预测窗口大小的具体取值，为了减少计算量和误差，需要对所述预测 窗口大小做取值范围限定，本发明实施例将所述预测窗口大小的所述范围区间设为5到10。
S202、通过所述金融时间序列的实际值和预测值计算错误损失，将所述错误损失 和所述范围区间进行比较，将在所述范围区间内的最小的所述错误损失作为最终的所述预 测窗口大小
Figure 68218DEST_PATH_IMAGE011
的值。
记错误损失为
Figure 421839DEST_PATH_IMAGE038
为时间点，在所述金融时间序列中，时间点的取值一般是天， 即所述金融时间序列中的每个序列点之间的时间差为一天，记
Figure 141402DEST_PATH_IMAGE039
为所述金融时间序列 在某一时间点上的实际值，记
Figure 809144DEST_PATH_IMAGE040
为所述金融时间序列在某一时间点上的预测值，所述预测 值通过算法进行计算，并已经反映到实际的所述金融时间序列的预测中，记
Figure 478022DEST_PATH_IMAGE041
为计算使用 的整个时间段，所述错误损失
Figure 205807DEST_PATH_IMAGE042
的计算满足如下表达式：
Figure 163399DEST_PATH_IMAGE043
得到所述错误损失后，与其所述范围区间进行比较，从而得到一个最小值，将所述 最小值作为所述预测窗口大小
Figure 618520DEST_PATH_IMAGE011
的值。
S103、从所述金融时间序列中选出具有相似性的
Figure 407484DEST_PATH_IMAGE044
个相似片段，并从所述金融时 间序列中确定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 306170DEST_PATH_IMAGE045
片段。
请参照图3，图3是本发明实施例提供的一种金融时间序列预测方法中步骤S103的子流程框图，具体包括以下子步骤：
S301、将所述金融时间序列输入到Milvus中。
所述Milvus是一种云原生的向量数据库，其采用了存储与计算分离的架构设计，因此能够灵活地部署在不同的计算机设备上。将所述金融时间序列输入所述Milvus中，并根据所述金融时间序列的数学特征进行数据库设计，使得所述金融时间序列能够在所述Milvus中能够体现其多维度的特征。
S302、使用所述Milvus搜索所述金融时间序列中具有时间相似性的
Figure 485478DEST_PATH_IMAGE044
个相似片 段。
在所述Milvus数据库中使用上述步骤S101中的所述加权欧氏距离计算法对所述 金融时间序列进行时间相似性计算，具体的，所述金融时间序列中拥有多个维度，并且不同 维度的权重值不同，一般而言，所述金融时间序列中的任意一个值与其相邻的值之间的欧 氏距离计算得到的结果，更能体现因为维度的权值不同所带来的差异性。在所述Milvus数 据库中使用所述加权欧氏距离计算法计算每一所述序列点与其上一个所述序列点之间的 所述时间相似性，并根据计算结果，得到具有所述时间相似性的
Figure 291760DEST_PATH_IMAGE044
个序列片段，将所述具有 所述时间相似性的
Figure 404073DEST_PATH_IMAGE044
个序列片段记为
Figure 194699DEST_PATH_IMAGE044
个相似片段。
S303、对所述相似片段进行分类并计算类别数，所述类别数为所述相似片段的种 类数，预设定一个类别数范围区间，使用
Figure 392462DEST_PATH_IMAGE046
算法从所述相似片段中进行聚类计算，得 到每个所述类别数的
Figure 736856DEST_PATH_IMAGE047
指数，将处于所述类别数范围区间中的所述
Figure 703675DEST_PATH_IMAGE047
指数最小的所述类 别数记为
Figure 413005DEST_PATH_IMAGE048
。
在本发明实施例中，上述步骤S302得到的所述
Figure 347332DEST_PATH_IMAGE044
个序列片段之间具有所述时间相 似性，但每一个所述相似片段中包含的所述序列点的数量是不确定的。具体的，任意两个相 邻的所述序列点在多维空间中拥有坐标，任意两个相邻的所述序列点能够以向量的形式体 现出两者之间的变化趋势，将所述相似片段中的任意两个相邻的序列点能够表现出来的片 段的变化趋势划为同一种类，记为所述类别数，并使用K-means聚类算法从所述相似片段中 根据所述类别数进行聚类计算，得到每个所述类别数的
Figure 495416DEST_PATH_IMAGE047
指数（Davies-Bouldin），所述
Figure 51162DEST_PATH_IMAGE047
指数用于评估聚类算法的优劣，其中，本发明实施例中记所述类别数的初始范围区间为 5到10，在所述类别数对应的所述
Figure 462552DEST_PATH_IMAGE047
指数中，取在所述初始范围内的最小的所述DBI值对应 的所述类别数，将其记为
Figure 369328DEST_PATH_IMAGE048
。
S304、从所述金融时间序列中确定一个目标片段，从所述相似片段中取前
Figure 55525DEST_PATH_IMAGE048
个与所 述目标片段中的向量最相似的向量，组成所述
Figure 246203DEST_PATH_IMAGE013
片段。
确定一个目标片段，所述目标片段为
Figure 297336DEST_PATH_IMAGE044
个所述相似片段中的其中一段，在本发明 实施例中，所述目标片段是进行所述金融时间序列预测的基准片段。在
Figure 488146DEST_PATH_IMAGE044
个所述相似片段 中取按照所述时间相似性与所述目标片段的所述时间相似性最相似的前
Figure 181295DEST_PATH_IMAGE048
个向量，组成所 述Top K片段。
S104、将
Figure 977213DEST_PATH_IMAGE044
个所述相似片段按照所述预测窗口大小
Figure 714094DEST_PATH_IMAGE049
分为
Figure 392200DEST_PATH_IMAGE050
份，得到
Figure 623461DEST_PATH_IMAGE051
个时间 序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索引。
请参照图4，图4是本发明实施例提供的一种金融时间序列预测方法中步骤S104的子流程框图，具体包括以下子步骤：
S401、将
Figure 8306DEST_PATH_IMAGE044
个所述相似片段按照所述预测窗口大小
Figure 932400DEST_PATH_IMAGE049
分为
Figure 97802DEST_PATH_IMAGE050
份，得到
Figure 379092DEST_PATH_IMAGE051
个时间 序列片段。
将
Figure 618443DEST_PATH_IMAGE044
个所述相似片段按照所述预测窗口大小
Figure 510176DEST_PATH_IMAGE049
分为
Figure 366136DEST_PATH_IMAGE050
份，具体的，
Figure 673621DEST_PATH_IMAGE044
个所述相似 片段中包括若干个所述序列点，所述序列点之间能够以向量形式体现变化趋势，所述窗口 大小
Figure 547905DEST_PATH_IMAGE049
为一个具体的值，将
Figure 610539DEST_PATH_IMAGE044
个所述相似片段中每一个所述相似片段中的所述序列点按照 所述窗口大小
Figure 422637DEST_PATH_IMAGE049
进行顺序拆分，从而得到
Figure 64971DEST_PATH_IMAGE051
个所述时间序列片段。
S402、在所述Milvus中建立一个数据集，将所述时间序列片段中属于同一所述相似片段的所述时间序列片段划为一类，并存储到所述数据集的其中一个数据类中。
在所述Milvus中建立一个数据集，所述数据集为一个数据库总表，之后，将所述时 间序列片段中的属于同一所述相似片段的所述时间序列片段划为一类，并存储到所述数据 集中的一个数据类中，具体的，所述数据类为所述数据集的子表，每一个所述数据类中的所 述时间序列片段均属于一个所述相似片段，因此所述数据类为
Figure 544494DEST_PATH_IMAGE044
个，每一个数据类包括
Figure 778029DEST_PATH_IMAGE050
个所述时间序列片段。
S403、为每一个所述数据类分别建立所述索引。
所述索引为数据库软件常用的查询表，所述索引不具有所述数据库中条目的内容，但是其能够以类似指针的方式快速定位到数据库中的某一条目，因此利用所述索引能够加快在数据库中进行查询的速度，在本发明实施例中，每一个所述数据类分别建立一个所述索引，以达到当所述金融时间序列数据量较大时，所述Milvus数据库仍能提供高效查询功能的效果。
S105、利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 326691DEST_PATH_IMAGE052
片段进行快 速查询以及时间序列趋势分析，得到金融时间序列预测结果。
请参照图5，图5是本发明实施例提供的一种金融时间序列预测方法中步骤S105的子流程框图，具体包括以下子步骤：
S501、根据所述索引进行所述时间序列片段的快速查询。
在上述步骤S403后，根据所述索引在所述Milvus数据库中进行对于所述时间序列片段的快速查询。
S502、利用所述目标片段和所述
Figure 241557DEST_PATH_IMAGE052
片段的斜率以及所述目标片段的值进行计 算，得到所述金融时间序列预测结果。
具体的，通过上述步骤S501在所述Milvus数据库能够对所述时间序列片段中的任 意序列点的值进行快速查询，从而计算任意两个所述序列点之间的向量值，在数学意义中， 所述向量值在多维空间中表现为对于自变量所在维度的斜率，对于所述金融时间序列来 说，所述自变量所在维度指的是时间维度。本发明实施例首先计算所述目标片段的斜率，记 为
Figure 637904DEST_PATH_IMAGE053
，并分别计算所述
Figure 245602DEST_PATH_IMAGE052
片段中每个片段的斜率，分别记为
Figure 32293DEST_PATH_IMAGE054
，根据所述目标片段 的斜率和所述
Figure 118DEST_PATH_IMAGE052
片段的斜率对所述金融时间序列预测结果进行计算，其计算过程满足 如下表达式：
Figure 250971DEST_PATH_IMAGE055
其中，
Figure 763991DEST_PATH_IMAGE056
为所述
Figure 303557DEST_PATH_IMAGE052
片段中第
Figure 622543DEST_PATH_IMAGE057
个片段在所述金融时间序列中的下一个值，具体 的，所述
Figure 931165DEST_PATH_IMAGE052
片段为所述金融时间序列中的一个子片段，所述金融时间序列为连续的数值 序列，
Figure 867284DEST_PATH_IMAGE058
具体为所述
Figure 628567DEST_PATH_IMAGE052
片段中的最后一个值在对应的所述金融时间序列中的下一个值， 也就是说，
Figure 751244DEST_PATH_IMAGE058
与所述
Figure 648792DEST_PATH_IMAGE052
片段呈连续性，且能够通过所述金融时间序列得到。
Figure 769195DEST_PATH_IMAGE059
为最终的 所述金融时间序列预测结果。
本发明实施例还提供一种金融时间序列预测系统，请参照图6，图6是本发明实施例提供的金融时间序列预测系统的结构框图，所述金融时间序列预测系统600包括以下模块：时间相似性模块601、预测窗口模块602、相似片段处理模块603、索引建立模块604、预测模块605，其中：
所述时间相似性模块601用于计算金融时间序列之间的时间相似性；
所述预测窗口模块602用于计算预测窗口大小
Figure 80091DEST_PATH_IMAGE049
；
所述相似片段处理模块603用于从所述金融时间序列中选出具有相似性的
Figure 193409DEST_PATH_IMAGE060
个相 似片段，并从所述金融时间序列中确定一个目标片段，从所述相似片段中按每个类别选出 与所述目标片段相似的
Figure 945465DEST_PATH_IMAGE052
片段；
所述索引建立模块604用于将
Figure 502348DEST_PATH_IMAGE060
个所述相似片段按照所述预测窗口大小
Figure 34960DEST_PATH_IMAGE049
分为
Figure 437123DEST_PATH_IMAGE061
份，得到
Figure 558531DEST_PATH_IMAGE062
个时间序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并 建立索引；
所述预测模块605用于利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 83054DEST_PATH_IMAGE052
片段进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果。
本发明实施例还提供一种计算机设备，请参照图7，图7是本发明实施例提供的一种计算机设备的结构示意图，所述计算机设备700包括：存储器702、处理器701及存储在所述存储器702上并可在所述处理器701上运行的计算机程序。
所述处理器701调用所述存储器702存储的计算机程序，执行本发明实施例提供的金融时间序列预测方法中的步骤，请结合图1，具体包括：
S101、计算金融时间序列之间的时间相似性；
S102、计算预测窗口大小
Figure 40645DEST_PATH_IMAGE049
；
S103、从所述金融时间序列中选出具有相似性的
Figure 246499DEST_PATH_IMAGE060
个相似片段，并从所述金融时间 序列中确定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 238726DEST_PATH_IMAGE052
片段。；
S104、将
Figure 668570DEST_PATH_IMAGE060
个所述相似片段按照所述预测窗口大小
Figure 628305DEST_PATH_IMAGE049
分为
Figure 372270DEST_PATH_IMAGE061
份，得到
Figure 15741DEST_PATH_IMAGE062
个时间 序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索引；
S105、利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 85328DEST_PATH_IMAGE052
片段进行快 速查询以及时间序列趋势分析，得到金融时间序列预测结果。
更进一步地，所述计算金融时间序列之间的时间相似性所使用的计算方法为加权欧氏距离计算法。
更进一步地，所述计算预测窗口大小
Figure 751932DEST_PATH_IMAGE049
的步骤具体包含以下子步骤：
预设一个所述预测窗口大小
Figure 811506DEST_PATH_IMAGE049
的范围区间；
通过所述时间序列的实际值和预测值计算错误损失，将所述错误损失和所述范围 区间进行比较，将在所述范围区间内的最小的所述错误损失作为最终的所述预测窗口大小
Figure 575062DEST_PATH_IMAGE049
的值。
更进一步地，所述从所述金融时间序列中选出具有相似性的
Figure 549971DEST_PATH_IMAGE060
个相似片段，并确定 一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 969451DEST_PATH_IMAGE052
片段的步 骤具体包括以下子步骤：
将所述金融时间序列输入到Milvus中；
使用Milvus搜索所述金融时间序列中具有时间相似性的
Figure 117536DEST_PATH_IMAGE060
个相似片段；
确定每一个所述相似片段中的类别数，所述类别数为所述相似片段中的向量数， 使用
Figure 938862DEST_PATH_IMAGE063
算法从所述相似片段中进行聚类计算，得到每个所述类别数的DBI指数，将所 述DBI指数最小的类别数记为
Figure 68360DEST_PATH_IMAGE064
；
从所述金融时间序列中确定一个目标片段，从所述相似片段中取前
Figure 975137DEST_PATH_IMAGE064
个与所述目 标片段中的向量最相似的向量，组成所述
Figure 926912DEST_PATH_IMAGE052
片段。
更进一步地，将
Figure 602744DEST_PATH_IMAGE060
个所述相似片段按照所述预测窗口大小
Figure 919456DEST_PATH_IMAGE049
分为
Figure 562796DEST_PATH_IMAGE061
份，得到
Figure 52683DEST_PATH_IMAGE062
个时间序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索引的 步骤具体包括以下子步骤：
将
Figure 583021DEST_PATH_IMAGE060
个所述相似片段按照所述预测窗口大小
Figure 336214DEST_PATH_IMAGE049
分为
Figure 748740DEST_PATH_IMAGE061
份，得到
Figure 245581DEST_PATH_IMAGE062
个所述时间序 列片段；
在所述Milvus中建立一个数据集，将所述时间序列片段中属于同一所述相似片段的所述时间序列片段划为一类，并存储到所述数据集的其中一个数据类中；
为每一个所述数据类分别建立所述索引。
更进一步地，所述利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 879693DEST_PATH_IMAGE052
片段进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果的步骤具体包括以 下子步骤：
根据所述索引进行所述时间序列片段的快速查询；
利用所述目标片段和所述
Figure 803787DEST_PATH_IMAGE052
片段的斜率以及所述目标片段的值进行计算，得 到所述时间序列的最终预测结果。
更进一步地，所述利用所述斜率以及所述目标片段的值计算得到所述时间序列的最终预测结果具体为：
分别计算所述目标片段与所述
Figure 969189DEST_PATH_IMAGE052
片段的斜率，所述斜率分别为
Figure 738562DEST_PATH_IMAGE065
，并按 照如下计算式进行计算：
Figure 243493DEST_PATH_IMAGE066
其中，
Figure 135225DEST_PATH_IMAGE067
为所述
Figure 977804DEST_PATH_IMAGE052
片段中第
Figure 550868DEST_PATH_IMAGE068
个片段在序列中的下一个值，
Figure 175884DEST_PATH_IMAGE069
为最终的预测结 果。
本发明实施例提供的计算机设备700可用于实现本发明实施例提供的金融时间序列预测方法中的步骤，解决的技术问题和达到的技术效果也相同，参上述金融时间序列预测方法的描述，在此不再赘述。
本发明实施例还提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的金融时间序列预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例所达到的有益效果，由于采用了基于模式序列的相似性搜索的金融时间序列预测方法，同时使用更高效的数据库作为搜索载体，使得本发明的预测方法能够有效识别不同维度时间序列的不同特征，并能够处理具有较大规模的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以 通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质 中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁 碟、光盘、只读存储记忆体（
Figure 238518DEST_PATH_IMAGE070
，
Figure 316196DEST_PATH_IMAGE071
）或随机存取存储器（
Figure 676639DEST_PATH_IMAGE072
，简称
Figure 952899DEST_PATH_IMAGE073
）等。
需要说明的是，在本文中，术语“包括”、“包含”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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

Claims (10)

1.一种金融时间序列预测方法，其特征在于，所述方法包括以下步骤：
计算金融时间序列之间的时间相似性；
计算预测窗口大小
Figure 37667DEST_PATH_IMAGE001
；
从所述金融时间序列中选出具有相似性的
Figure 320880DEST_PATH_IMAGE002
个相似片段，并从所述金融时间序列中确 定一个目标片段，从所述相似片段中按每个类别选出与所述目标片段相似的
Figure 881960DEST_PATH_IMAGE003
片段；
将
Figure 414572DEST_PATH_IMAGE002
个所述相似片段按照所述预测窗口大小
Figure 82314DEST_PATH_IMAGE001
分为
Figure 954455DEST_PATH_IMAGE004
份，得到
Figure 213398DEST_PATH_IMAGE005
个时间序列片段，将 属于同一所述相似片段的所述时间序列片段划为一类，并建立索引；
利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 436569DEST_PATH_IMAGE003
片段进行快速查询以及 时间序列趋势分析，得到金融时间序列预测结果。
2.如权利要求1所述的金融时间序列预测方法，其特征在于，所述计算金融时间序列之间的时间相似性所使用的计算方法为加权欧氏距离计算法。
3.如权利要求1所述的金融时间序列预测方法，其特征在于，所述计算预测窗口大小
Figure 891690DEST_PATH_IMAGE001
的步骤具体包括以下子步骤：
预设一个所述预测窗口大小
Figure 883917DEST_PATH_IMAGE001
的范围区间；
通过所述金融时间序列的实际值和预测值计算错误损失，将所述错误损失和所述范围 区间进行比较，将在所述范围区间内的最小的所述错误损失作为最终的所述预测窗口大小
Figure 313761DEST_PATH_IMAGE001
的值。
4.如权利要求1所述的金融时间序列预测方法，其特征在于，从所述金融时间序列中选 出具有相似性的
Figure 24228DEST_PATH_IMAGE002
个相似片段，并从所述金融时间序列中确定一个目标片段，从所述相似片 段中按每个类别选出与所述目标片段相似的
Figure 768193DEST_PATH_IMAGE003
片段的步骤具体包括以下子步骤：
将所述金融时间序列输入到Milvus中；
使用所述Milvus搜索所述金融时间序列中具有时间相似性的
Figure 411664DEST_PATH_IMAGE002
个相似片段；
对所述相似片段进行分类并计算类别数，所述类别数为所述相似片段的种类数，预设 定一个类别数范围区间，使用K-means算法从所述相似片段中进行聚类计算，得到每个所述 类别数的DBI指数，将处于所述类别数范围区间中的所述DBI指数最小的所述类别数记为
Figure 730519DEST_PATH_IMAGE006
；
从所述金融时间序列中确定一个目标片段，从所述相似片段中取前
Figure 397124DEST_PATH_IMAGE006
个与所述目标片 段中的向量最相似的向量，组成所述
Figure 210359DEST_PATH_IMAGE003
片段。
5.如权利要求4所述的金融时间序列预测方法，其特征在于，将
Figure 708336DEST_PATH_IMAGE002
个所述相似片段按照 所述预测窗口大小
Figure 948825DEST_PATH_IMAGE001
分为
Figure 351993DEST_PATH_IMAGE004
份，得到
Figure 703340DEST_PATH_IMAGE007
个时间序列片段，将属于同一所述相似片段的所 述时间序列片段划为一类，并建立索引的步骤具体包括以下子步骤：
将
Figure 321403DEST_PATH_IMAGE002
个所述相似片段按照所述预测窗口大小
Figure 467214DEST_PATH_IMAGE001
分为
Figure 373990DEST_PATH_IMAGE004
份，得到
Figure 781225DEST_PATH_IMAGE007
个所述时间序列片 段；
在所述Milvus中建立一个数据集，将所述时间序列片段中属于同一所述相似片段的所述时间序列片段划为一类，并存储到所述数据集的其中一个数据类中；
为每一个所述数据类分别建立所述索引。
6.如权利要求5所述的金融时间序列预测方法，其特征在于，所述利用所述索引、所述 时间序列片段、所述目标片段和所述
Figure 253795DEST_PATH_IMAGE003
片段进行快速查询以及时间序列趋势分析，得到 金融时间序列预测结果的步骤具体包括以下子步骤：
根据所述索引进行所述时间序列片段的快速查询；
利用所述目标片段和所述
Figure 836086DEST_PATH_IMAGE003
片段的斜率以及所述目标片段的值进行计算，得到所述 金融时间序列预测结果。
7.如权利要求6所述的金融时间序列预测方法，其特征在于，利用所述目标片段和所述
Figure 964579DEST_PATH_IMAGE003
片段的斜率以及所述目标片段的值进行计算，得到所述金融时间序列预测结果的步 骤具体为：
分别计算所述目标片段与所述
Figure 657728DEST_PATH_IMAGE003
片段的斜率，所述斜率分别为
Figure 250384DEST_PATH_IMAGE008
，并按照 如下计算式进行计算：
Figure 721685DEST_PATH_IMAGE009
其中，
Figure 603053DEST_PATH_IMAGE010
为所述
Figure 99894DEST_PATH_IMAGE003
片段中第
Figure 547056DEST_PATH_IMAGE011
个片段在序列中的下一个值，
Figure 205570DEST_PATH_IMAGE012
为最终的预测结果。
8.一种金融时间序列预测系统，其特征在于，包括以下模块：时间相似性模块、预测窗口模块、相似片段处理模块、索引建立模块、预测模块，其中：
所述时间相似性模块用于计算计算金融时间序列之间的时间相似性；
所述预测窗口模块用于计算预测窗口大小
Figure 557923DEST_PATH_IMAGE001
；
所述相似片段处理模块用于从所述金融时间序列中选出具有相似性的
Figure 389613DEST_PATH_IMAGE002
个相似片段， 并从所述金融时间序列中确定一个目标片段，从所述相似片段中按每个类别选出与所述目 标片段相似的
Figure 160123DEST_PATH_IMAGE003
片段；
所述索引建立模块用于将
Figure 989538DEST_PATH_IMAGE002
个所述相似片段按照所述预测窗口大小
Figure 579920DEST_PATH_IMAGE001
分为
Figure 215300DEST_PATH_IMAGE004
份，得到
Figure 824005DEST_PATH_IMAGE013
个时间序列片段，将属于同一所述相似片段的所述时间序列片段划为一类，并建立索 引；
所述预测模块用于利用所述索引、所述时间序列片段、所述目标片段和所述
Figure 89901DEST_PATH_IMAGE003
片段 进行快速查询以及时间序列趋势分析，得到金融时间序列预测结果。
9.一种计算机设备，其特征在于，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权利要求1至7中任一项所述的金融时间序列预测方法中的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的金融时间序列预测方法中的步骤。
CN202111090571.5A 2021-09-17 2021-09-17 一种金融时间序列预测方法、系统及相关设备 Pending CN113537651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111090571.5A CN113537651A (zh) 2021-09-17 2021-09-17 一种金融时间序列预测方法、系统及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111090571.5A CN113537651A (zh) 2021-09-17 2021-09-17 一种金融时间序列预测方法、系统及相关设备

Publications (1)

Publication Number Publication Date
CN113537651A true CN113537651A (zh) 2021-10-22

Family

ID=78092858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111090571.5A Pending CN113537651A (zh) 2021-09-17 2021-09-17 一种金融时间序列预测方法、系统及相关设备

Country Status (1)

Country Link
CN (1) CN113537651A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572888A (zh) * 2014-12-23 2015-04-29 浙江大学 一种时间序列关联的信息检索方法
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法
US20200258157A1 (en) * 2019-02-11 2020-08-13 Td Ameritrade Ip Company, Inc. Time-Series Pattern Matching System

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572888A (zh) * 2014-12-23 2015-04-29 浙江大学 一种时间序列关联的信息检索方法
US20200258157A1 (en) * 2019-02-11 2020-08-13 Td Ameritrade Ip Company, Inc. Time-Series Pattern Matching System
CN111401599A (zh) * 2019-08-01 2020-07-10 河海大学 一种基于相似性搜索和lstm神经网络的水位预测方法

Similar Documents

Publication Publication Date Title
Kotu et al. Predictive analytics and data mining: concepts and practice with rapidminer
CN107766929B (zh) 模型分析方法及装置
JP2021504789A (ja) Ｅｓｇ基盤の企業評価遂行装置及びその作動方法
CN109710766B (zh) 一种工单数据的投诉倾向分析预警方法及装置
CN113111924A (zh) 电力客户分类方法及装置
Tran et al. Data-driven neural architecture learning for financial time-series forecasting
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及系统
Lee et al. Hidden markov models for forex trends prediction
Wimmer et al. Leveraging vision-language models for granular market change prediction
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Chang et al. An ensemble of neural networks for stock trading decision making
CN111353728A (zh) 一种风险分析方法和系统
CN116049733A (zh) 基于神经网络的效能评估方法、系统、设备与存储介质
CN113537651A (zh) 一种金融时间序列预测方法、系统及相关设备
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
CN113393023A (zh) 模具质量评估方法、装置、设备及存储介质
Pereira et al. Strategic bidding for electricity markets negotiation using support vector machines
Khanarsa et al. Self-identification deep learning ARIMA
Gao et al. ENHANCING MOTION CAPTURE TECHNOLOGY FOR YOUTH SPORTS TRAINING THROUGH DECISION TREE ALGORITHMS
CN109754324A (zh) 一种股票价格走势预测方法
Baboli et al. Financial time series prediction by a hybrid memetic computation-based support vector regression (MA-SVR) method
Verma et al. Advanced Regression Models for Accurate House Price Prediction: An Analysis of Performance and Interpretability
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
Ganesan Forecasting share prices using soft computing techniques
Carrega et al. Data Streams for Unsupervised Analysis of Company Data

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: 20211022