CN113706307A - 一种股票中长期趋势预测方法、设备、系统及介质 - Google Patents
一种股票中长期趋势预测方法、设备、系统及介质 Download PDFInfo
- Publication number
- CN113706307A CN113706307A CN202110991098.1A CN202110991098A CN113706307A CN 113706307 A CN113706307 A CN 113706307A CN 202110991098 A CN202110991098 A CN 202110991098A CN 113706307 A CN113706307 A CN 113706307A
- Authority
- CN
- China
- Prior art keywords
- line graph
- historical
- price
- stock
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007774 longterm Effects 0.000 title claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 113
- 238000012216 screening Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种股票中长期趋势预测方法、设备、系统及介质，该方法对待比对股票的历史数据进场分段，并通过对变化率、变化率之间的距离对历史子K线图进行筛选得到待匹配历史子K线图，以减小需要匹配的数据量，通过匹配待匹配历史子K线图与待预测股票的历史K线图实现趋势预测，采用上述方法，需要匹配的数据量大大减小，可提高预测速度，且通过变化率对数据进行筛选，准确度高。
Description
技术领域
本发明属于数据预测技术领域，具体地涉及一种股票中长期趋势预测方法、设备、系统及介质。
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梦寐以求的事，也对宏观国民经济的研究和管理有着重要的现实意义。由于影响股价的因素包括企业内部因素、经济因素、制度因素、人们的心理因素等等，各种因素的影响程度和方式各不相同，股价的准确性预测难度很大。
现有的股票中长期趋势预测，其直接采用图像匹配的方法，但是，当历史数据量大时，其预测速度慢。
发明内容
为了解决现有预测速度慢的问题，本发明提供一种股票中长期趋势预测方法、设备、系统及介质，其预测速度快。
本发明通过以下技术方案实现：
本发明第一方面提供一种股票中长期趋势预测方法，包括以下步骤：
获取预测请求，所述预测请求包括待预测股票代码和预测时间区间；
根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数；
筛选出至少一个待比对股票在预测时间区间之前的历史数据；
根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图；
计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率；
计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图；
对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率；
根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图；
根据所述待比对K线图实现趋势预测，得到预测结果。
本方案对待比对股票的历史数据进场分段，并通过对变化率、变化率之间的距离对历史子K线图进行筛选得到待匹配历史子K线图，以减小需要匹配的数据量，通过匹配待匹配历史子K线图与待预测股票的历史K线图实现趋势预测，采用上述方法，需要匹配的数据量大大减小，可提高预测速度，且通过变化率对数据进行筛选，准确度高。
在一种可能的设计中，所述计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，包括：
获取待预测股票的历史K线图和至少一个历史子K线图；
依据时间先后顺序获取所述待预测股票的历史K线图和所述至少一个历史子K线图中的每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
根据所述待预测股票的历史K线图和所述每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格，确定价格变化点，所述变化点为在该日前至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小且在该日后至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小；
根据所述价格变化点对所述待预测股票的历史K线图和所述每个历史子K线图进行分段，得到至少一个分段K线图；
分别计算至少一个分段K线图中每个分段K线图的价格变化率。
本方通过识别变化点，通过变化点对每个历史子K线图进行分段，可提高后续数据筛选的准确性。
在一种可能的设计中，所述计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图，包括：
在至少一个历史子K线图中筛选出价格变化点个数与待预测股票的历史K线图中价格变化点个数相等的历史子K线图；
根据所述价格变化点所在日期排序再次对筛选出的历史子K线图进行筛选，得到一子集，所述子集包括至少一历史子K线图；
分别计算所述子集中每个历史子K线图中至少一个分段K线图与待预测股票的历史K线图中至少一个分段K线图价格变化率之间的距离；
计算所述距离的平均距离；
选取平均距离在前P的历史子K线图中作为待匹配历史子K线图，此处的P为大于等于5的自然数。
在一种可能的设计中，所述根据所述待比对K线图实现趋势预测，得到预测结果，包括：
获取待比对K线图中的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
计算待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率；
根据所述待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率、待预测股票代码在预测时间区间前一日历史数据对待预测股票代码在预测时间区间的趋势进行预测，得到预测结果。
在一种可能的设计中，所述对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率，包括：
将待预测股票和待匹配历史子K线图输入已训练完成的神经网络模型中，实现图像匹配，得到至少一个匹配率。
本发明第二方面提供一种股票中长期趋势预测设备，包括依次信号连接的请求获取单元、历史数据获取单元、历史数据筛选单元、分段单元、变化率计算单元、距离计算单元、匹配单元、待比对K线图确认单元和预测单元，
所述请求获取单元用于获取预测请求，所述预测请求包括待预测股票代码和预测时间区间；
所述历史数据获取单元用于根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数；
所述历史数据筛选单元用于筛选出至少一个待比对股票在预测时间区间之前的历史数据；
所述分段单元用于根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图；
所述变化率计算单元用于计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率；
所述距离计算单元用于计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图；
所述匹配单元用于对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率；
所述待比对K线图确认单元用于根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图；
所述预测单元根据所述待比对K线图实现趋势预测。
本发明第三方面提供一种股票中长期趋势预测设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，所述处理器用于读取所述计算机程序，执行第一方面任一所述的一种股票中长期趋势预测方法。
本发明第四方面提供一种股票中长期趋势预测系统，包括第二方面或第二方面所述的一种股票中长期趋势预测设备和请求终端，所述请求终端用于向所述预测设备发送预测请求并接收与所述预测请求对应的预测结果。
本发明第五方面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指令，当所述指令在计算机上运行时，执行第一方面任一所述的一种股票中长期趋势预测方法。
本发明与现有技术相比，至少具有以下优点和有益效果：
本发明的方法对待比对股票的历史数据进场分段，并通过对变化率、变化率之间的距离对历史子K线图进行筛选得到待匹配历史子K线图，以减小需要匹配的数据量，通过匹配待匹配历史子K线图与待预测股票的历史K线图实现趋势预测，采用上述方法，需要匹配的数据量大大减小，可提高预测速度，且通过变化率对数据进行筛选，准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明的流程图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
如图1所示，本实施例公开一种股票中长期趋势预测方法，该预测方法可以应用于电子设备，也可是单独的应用程序，示例性的，该电子设备可以是手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。具体的，该股票中长期趋势预测方法包括以下步骤S101～步骤S109。
步骤S101、获取预测请求，所述预测请求包括待预测股票代码和预测时间区间。
用户想获取某只股票的趋势时，通过相关设备向本方案中的电子设备发送一预测请求，电子设备与用户的相关设备进行信息交互并接收该请求。
步骤S102、根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数。
此处的历史数据可以是本地数据、云数据或其他数据。历史数据的天数包括预测时间区间前至少10天的数据，以提高数据预测的准确性。K线图也叫阴阳线图表。通过K线图，我们能够把每日或某一周期的市况表现完全记录下来，股价经过一段时间的盘档后，在图上即形成一种特殊区域或形态，不同的形态显示出不同意义。K线图中包含当日开盘价、当日收盘价、当日最高价和当日最低价。
步骤S103、根据所述预测时间区间筛选出至少一个待比对股票在预测时间区间之前的历史数据。
同理的，此处的至少一个股票的在预测时间区间之前的历史数据也可以是本地数据、云数据或其他数据。此处的至少一个股票中的股票可以是其他股票，也可以是待预测股票。此处，至少一个股票的数量越多越好，数量越多，其数据量越多，预测准确性越高。
步骤S104、根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图。
至少一个股票中的每个股票的K线图作为数据库进行匹配，其分段标准以预测时间区间为依准，不同的预测时间区间，其分段间隔不同，后续需要进行图像匹配，故为了提高匹配准确率，K线图的分段时间间隔与预测时间区间匹配。若预测时间区间包括一个月的时间，即包括30个时间节点，则对至少一个股票中的每个股票的K线图进行分段时，每个分段中均包括30个时间节点。
步骤S105、计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率。
此步骤中，价格变化率的计算方法为：
获取待预测股票的历史K线图和至少一个历史子K线图；
依据时间先后顺序获取所述待预测股票的历史K线图和所述至少一个历史子K线图中的每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
根据所述待预测股票的历史K线图和所述每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格，确定价格变化点，所述变化点为在该日前至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小且在该日后至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小；
根据所述价格变化点对所述待预测股票的历史K线图和所述每个历史子K线图进行分段，得到至少一个分段K线图；
分别计算至少一个分段K线图中每个分段K线图的价格变化率。
此处以一历史子K线图中最高价格为例进行说明。
若该历史子K线图中最高价格依次为：12.9、13.15、13.37、13.47、13.83、14.14、14.39、14.44、13.76、13.39、13.20、13.67，则该历史子K线图中存在两个价格变化点，即第8天和第11天的14.44、13.20。
此时，可将该历史子K线图分为3段分段K线图。
此时可得到第一段分段K线图的价格变化率:(14.44-12.9)/12.99＝0.11；第二段分段K线图的价格变化率为：(14.44-13.2)/14.44＝0.09；第三段分段K线图的价格变化率为：(13.67-13.2)/13.2＝0.04。
步骤S106、计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图。
该步骤具体为：
在至少一个历史子K线图中筛选出价格变化点个数与待预测股票的历史K线图中价格变化点个数相等的历史子K线图；若待预测股票的历史K线图中仅有2个价格变化点，则先选取具有2个价格变化点的历史子K线图。
根据所述价格变化点所在日期排序再次对筛选出的历史子K线图进行筛选，得到一子集，所述子集包括至少一历史子K线图；此步骤中，若待预测股票的历史K线图中2个价格变化点分别在第8天和第11天，则选取价格变化点分别在第8天和第11天的历史子K线图作为子集的历史子K线图。
分别计算所述子集中每个历史子K线图中至少一个分段K线图与待预测股票的历史K线图中至少一个分段K线图价格变化率之间的距离；此时，针对上述情况，可得到3个距离。
针对每个子集中的历史子K线图分别计算所述距离的平均距离。
选取平均距离在前P的历史子K线图中作为待匹配历史子K线图，此处的P为大于等于5的自然数。
本步骤中，现根据价格变化点个数对历史子K线图进行初步筛选，再根据价格变化点所在位置对其进场二次筛选，最后根据平均距离对其进行三次筛选，该方法简单有效，且相比于现有的图像识别方法，其方法简单，速度快。
步骤S107、对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率。
采用图像匹配的方法，其速度慢，但是，其识别准确性高，该步骤中的待匹配历史子K线图数量小，可兼顾速度和识别准确性的问题。
具体的，可将待预测股票和待匹配历史子K线图输入已训练完成的神经网络模型中，实现图像匹配。
步骤S108、根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图。
步骤S109、根据所述待比对K线图实现趋势预测，得到预测结果。
该步骤中，具体的采用以下方法实现：
获取待比对K线图中的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
计算待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率；
根据所述待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率、待预测股票代码在预测时间区间前一日历史数据对待预测股票代码在预测时间区间的趋势进行预测，得到预测结果。
本发明第二方面提供一种股票中长期趋势预测设备，包括依次信号连接的请求获取单元、历史数据获取单元、历史数据筛选单元、分段单元、变化率计算单元、距离计算单元、匹配单元、待比对K线图确认单元和预测单元，
所述请求获取单元用于获取预测请求，所述预测请求包括待预测股票代码和预测时间区间；
所述历史数据获取单元用于根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数；
所述历史数据筛选单元用于筛选出至少一个待比对股票在预测时间区间之前的历史数据；
所述分段单元用于根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图；
所述变化率计算单元用于计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率；
所述距离计算单元用于计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图；
所述匹配单元用于对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率；
所述待比对K线图确认单元用于根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图；
所述预测单元根据所述待比对K线图实现趋势预测。
本发明第三方面提供一种股票中长期趋势预测设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，所述处理器用于读取所述计算机程序，执行第一方面任一所述的一种股票中长期趋势预测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源单元、显示屏和其它必要的部件。
本发明第四方面提供一种股票中长期趋势预测系统，包括第二方面或第二方面所述的一种股票中长期趋势预测设备和请求终端，所述请求终端用于向所述预测设备发送预测请求并接收与所述预测请求对应的预测结果。
本发明第二方面、第三方面和第四方面公开的设备和系统，其运行原理与第一方面相同，在此不再赘述。
本发明第五方面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指令，当所述指令在计算机上运行时，执行第一方面任一所述的一种股票中长期趋势预测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (9)
1.一种股票中长期趋势预测方法，其特征在于，包括以下步骤：
获取预测请求，所述预测请求包括待预测股票代码和预测时间区间；
根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数；
筛选出至少一个待比对股票在预测时间区间之前的历史数据；
根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图；
计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率；
计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图；
对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率；
根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图；
根据所述待比对K线图实现趋势预测，得到预测结果。
2.根据权利要求1所述的一种股票中长期趋势预测方法，其特征在于，所述计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，包括：
获取待预测股票的历史K线图和至少一个历史子K线图；
依据时间先后顺序获取所述待预测股票的历史K线图和所述至少一个历史子K线图中的每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
根据所述待预测股票的历史K线图和所述每个历史子K线图中每天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格，确定价格变化点，所述变化点为在该日前至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小且在该日后至少一天的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格相较于该日为增大或减小；
根据所述价格变化点对所述待预测股票的历史K线图和所述每个历史子K线图进行分段，得到至少一个分段K线图；
分别计算至少一个分段K线图中每个分段K线图的价格变化率。
3.根据权利要求2所述的一种股票中长期趋势预测方法，其特征在于，所述计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图，包括：
在至少一个历史子K线图中筛选出价格变化点个数与待预测股票的历史K线图中价格变化点个数相等的历史子K线图；
根据所述价格变化点所在日期排序再次对筛选出的历史子K线图进行筛选，得到一子集，所述子集包括至少一历史子K线图；
分别计算所述子集中每个历史子K线图中至少一个分段K线图与待预测股票的历史K线图中至少一个分段K线图价格变化率之间的距离；
计算所述距离的平均距离；
选取平均距离在前P的历史子K线图中作为待匹配历史子K线图，此处的P为大于等于5的自然数。
4.根据权利要求1所述的一种股票中长期趋势预测方法，其特征在于，所述根据所述待比对K线图实现趋势预测，得到预测结果，包括：
获取待比对K线图中的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格；
计算待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率；
根据所述待比对K线图中每日的开盘价格、收盘价格、最高价格和最低价格中的至少一种价格的价格变化率、待预测股票代码在预测时间区间前一日历史数据对待预测股票代码在预测时间区间的趋势进行预测，得到预测结果。
5.根据权利要求1所述的一种股票中长期趋势预测方法，其特征在于，所述对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率，包括：
将待预测股票和待匹配历史子K线图输入已训练完成的神经网络模型中，实现图像匹配，得到至少一个匹配率。
6.一种股票中长期趋势预测设备，其特征在于，包括依次信号连接的请求获取单元、历史数据获取单元、历史数据筛选单元、分段单元、变化率计算单元、距离计算单元、匹配单元、待比对K线图确认单元和预测单元，
所述请求获取单元用于获取预测请求，所述预测请求包括待预测股票代码和预测时间区间；
所述历史数据获取单元用于根据待预测股票代码获取待预测股票在预测时间区间之前且与所述预测时间区间连续的至少N天的历史数据，所述历史数据包括历史K线图，所述N为大于等于10的自然数；
所述历史数据筛选单元用于筛选出至少一个待比对股票在预测时间区间之前的历史数据；
所述分段单元用于根据所述预测时间区间对所述至少一个待比对股票中的每个待比对股票的历史K线图进行分段，得到至少一个历史子K线图；
所述变化率计算单元用于计算所述待预测股票的历史K线图和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率，所述价格变化率包括开盘价格变化率、收盘价格变化率、最高价格变化率和最低价格变化率中至少一种变化率；
所述距离计算单元用于计算待预测股票的历史K线图中每段价格变化率和至少一个历史子K线图中的每个历史子K线图中每段的价格变化率之间的距离，根据所述距离筛选出至少一个待匹配历史子K线图；
所述匹配单元用于对待预测股票的历史K线图和至少一个待匹配历史子K线图中的每个待匹配历史子K线图进行图像匹配，得到至少一个匹配率；
所述待比对K线图确认单元用于根据所述至少一个匹配率确定待比对股票并获取待比对K线图，所述待比对K线图为待比对股票在待匹配历史子K线图之后与所述预测时间区间时间长度相对应的K线图；
所述预测单元根据所述待比对K线图实现趋势预测。
7.一种股票中长期趋势预测设备，其特征在于，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，其特征在于：所述处理器用于读取所述计算机程序，执行权利要求1-5任一所述的一种股票中长期趋势预测方法。
8.一种股票中长期趋势预测系统，其特征在于，包括权利要求6或7所述的一种股票中长期趋势预测设备和请求终端，所述请求终端用于向所述预测设备发送预测请求并接收与所述预测请求对应的预测结果。
9.一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指令，其特征在于：当所述指令在计算机上运行时，执行权利要求1-5任一所述的一种股票中长期趋势预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991098.1A CN113706307A (zh) | 2021-08-26 | 2021-08-26 | 一种股票中长期趋势预测方法、设备、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110991098.1A CN113706307A (zh) | 2021-08-26 | 2021-08-26 | 一种股票中长期趋势预测方法、设备、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113706307A true CN113706307A (zh) | 2021-11-26 |
Family
ID=78655473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110991098.1A Pending CN113706307A (zh) | 2021-08-26 | 2021-08-26 | 一种股票中长期趋势预测方法、设备、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706307A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409621A (zh) * | 2022-05-16 | 2022-11-29 | 深圳格隆汇信息科技有限公司 | 金融期货的划线方法及系统 |
-
2021
- 2021-08-26 CN CN202110991098.1A patent/CN113706307A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409621A (zh) * | 2022-05-16 | 2022-11-29 | 深圳格隆汇信息科技有限公司 | 金融期货的划线方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111045814B (zh) | 资源调度方法和终端设备 | |
| US10102481B2 (en) | Hybrid active learning for non-stationary streaming data with asynchronous labeling | |
| CN105744005A (zh) | 客户定位分析方法及服务器 | |
| CN114239859B (zh) | 基于迁移学习的用电量数据预测方法、装置及存储介质 | |
| CN109215037A (zh) | 目标图像分割方法、装置及终端设备 | |
| CN107832291A (zh) | 人机协作的客服方法、电子装置及存储介质 | |
| CN109002925A (zh) | 业务量预测方法和装置 | |
| CN113849532A (zh) | 缓存预热方法、装置、计算机设备和存储介质 | |
| CN110135892A (zh) | Api的调用计费方法、装置、电子设备以及存储介质 | |
| CN110766184A (zh) | 订单量预测方法和装置 | |
| CN113706307A (zh) | 一种股票中长期趋势预测方法、设备、系统及介质 | |
| CN111126629B (zh) | 模型的生成方法、刷单行为识别方法、系统、设备和介质 | |
| CN117236999A (zh) | 一种活跃度确定方法、装置、电子设备及存储介质 | |
| CN115563522B (zh) | 交通数据的聚类方法、装置、设备及介质 | |
| CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
| CN114520773B (zh) | 一种服务请求的响应方法、装置、服务器及存储介质 | |
| CN109872183A (zh) | 智能服务评价方法、计算机可读存储介质和终端设备 | |
| CN113537631B (zh) | 药品需求量的预测方法、装置、电子设备及存储介质 | |
| JP2023547002A (ja) | ケイ線パターンの識別方法及び電子機器 | |
| EP0883067A1 (en) | A method and apparatus for determining how many input values of a time series of data are required for forecasting a future value of the time series | |
| CN114462679A (zh) | 基于深度学习的网络流量预测方法、装置、设备及介质 | |
| CN112085496A (zh) | 用户账户数据的处理方法及装置 | |
| CN111523802B (zh) | 送达时间应答方法、装置、设备及介质 | |
| CN113192315A (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
| CN110648208B (zh) | 群组识别方法、装置和电子设备 |
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 | ||
| CB02 | Change of applicant information |
Address after: 310000 room 4401, Yintai international business center, 1600 kekeguan street, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou High Energy Cloud Technology Co.,Ltd. Address before: 310000 room 4401, Yintai international business center, 1600 kekeguan street, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou high energy investment consulting Co.,Ltd. |
|
| CB02 | Change of applicant information |