CN114943255A - 一种资产对象形态识别方法、装置、电子设备及存储介质 - Google Patents
一种资产对象形态识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114943255A CN114943255A CN202210585618.3A CN202210585618A CN114943255A CN 114943255 A CN114943255 A CN 114943255A CN 202210585618 A CN202210585618 A CN 202210585618A CN 114943255 A CN114943255 A CN 114943255A
- Authority
- CN
- China
- Prior art keywords
- asset object
- sequence
- standard form
- target
- asset
- 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 68
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种资产对象形态识别方法、装置、电子设备及存储介质,涉及数据处理技术领域,具体方案为:获取待进行形态分析的目标资产对象的目标序列;对所述目标序列进行标准化处理,得到待匹配序列;获取各个资产对象标准形态对应的参考序列;分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;基于计算得到的相似度,输出所述目标资产对象的形态识别结果。通过本方案可以实现对资产对象形态的自动识别。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种资产对象形态识别方法、装置、电子设备及存储介质。
背景技术
K线形态分析是证券技术分析方法的重要组成部分,是大多数用户进行交易决策时的参考因素之一,K线形态分析的对象可以对任意种类的资产对象,例如股票和基金等,并且,分析结果可以对用户交易决策进行指导。通过资产对象形态分析,对资产对象价格走势中各个典型的形态作出归纳,可以对资产对象后续涨跌做出预测,也能直接生成交易信号,对交易决策提供支持。
相关技术中,在对任一资产对象的K线形态进行分析时,需要人为分析资产对象的形态,得到形态识别结果。从而,后续利用形态识别结果对资产对象进行分析。若采用相关技术进行资产对象形态分析,由于人为的经验以及观点不尽相同,导致形态识别结果主观性强且速度慢。
因此,如何实现对资产对象形态的自动识别是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种资产对象形态识别方法、装置、电子设备及存储介质,以实现资产对象形态的自动匹配。具体技术方案如下:
第一方面,本发明实施例提供了一种资产对象形态识别方法,所述方法包括:
获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
可选地,所述获取各个资产对象标准形态对应的参考序列,包括:
获取各个资产对象标准形态对应的初始标准化序列;其中,每一资产对象标准形态对应的初始标准化序列为该资产对象标准形态对应的针对收盘价的、具有初始长度的标准化序列;
针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列。
可选地,所述针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列,包括:
针对每一资产对象标准形态,若该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行均匀采样,得到该资产对象标准形态对应的参考序列;
若该资产对象标准形态对应的初始标准化序列的长度与所述目标序列的长度相同,将该资产对象标准形态对应的初始标准化序列,确定为该资产对象标准形态对应的参考序列;
若该资产对象标准该形态对应的初始标准化序列的长度小于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行插值,得到该资产对象标准形态对应的参考序列。
可选地,所述对所述目标序列进行标准化处理,得到待匹配序列,包括:
利用预设的标准化处理公式,对所述目标序列进行标准化处理,得到待匹配序列。
可选地,所述标准化处理公式为:
其中,p′为标准化处理后得到的待匹配序列,close为目标序列,mean(close)为目标序列close中的各个收盘价的均值,std(close)为目标序列close中各个收盘价的标准差。
可选地,所述基于计算得到的相似度,输出所述目标资产对象的形态识别结果,包括:
针对每一资产对象标准形态,判断所述待匹配序列和该资产对象标准形态对应的参考序列的相似度,是否大于该资产对象标准形态所对应的预定阈值,若大于,确定该资产对象标准形态对应的匹配结果为相匹配,否则,确定该资产对象标准形态的匹配结果为不匹配;
将所对应的匹配结果为相匹配的资产对象标准形态作为所述目标资产对象的形态识别结果,并输出所述形态识别结果。
可选地,任一资产对象标准形态所对应的预定阈值的确定方式包括:
针对每一历史时间段,确定每一样本资产对象在该历史时间段内的样本序列,对所确定的样本序列进行标准化处理,得到各个待分析序列;计算各个待分析序列,与该资产对象标准形态对应的参考序列的相似度,并对计算得到的相似度进行从大到小的排序,选取排序靠前的指定数量个相似度;其中,所述历史时间段的时长与所述指定时间段的时长相同;每一样本资产对象在该历史时间段内的样本序列为:该历史时间段内该样本资产对象的各个收盘价按照时间序列所形成的序列;
从针对每一历史时间段所选取的相似度中,选取最小的相似度,作为该资产对象标准形态所对应的预定阈值。
第二方面,本发明实施例提供了一种资产对象形态识别装置,所述装置包括:
第一获取模块,用于获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
处理模块,用于对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
第二获取模块,用于获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的资产对象K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
计算模块,用于分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
输出模块,用于基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现任一所述的资产对象形态识别方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现任一所述的资产对象形态识别方法。
本发明实施例还提供了一种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任一所述的资产对象形态识别方法。
本发明实施例有益效果:
本发明实施例提供的一种资产对象形态识别方法,可以获取目标资产对象的目标序列,考虑到不同的资产对象,其价格和波动性不同,可以对目标序列进行标准化处理,得到待匹配序列,之后获取与目标序列长度相同的、各个资产对象标准形态对应的参考序列,通过计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度,可以输出目标资产对象的形态识别结果。可见,本方案通过对目标序列的标准化处理可以对不同价格和波动性的资产对象进行形态匹配,并且,通过相似度计算的方式来分析目标资产对象与各个资产对象标准形态的匹配程度,这样使得不用人为进行资产对象形态识别,从而自动得到目标资产对象的形态识别结果。因此,通过本方案可以实现对资产对象形态的自动识别。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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,还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种资产对象形态识别方法的流程示意图;
图2为本发明实施例提供的一种资产对象形态识别方法的另一流程示意图;
图3为本发明实施例提供的各个资产对象标准形态的示意图;
图4为本发明实施例提供的一种资产对象形态识别装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
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基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
随着信息时代的推进,人们越来越多的进行投资从而获取收益;资产对象的K线形态分析是一个指导投资者交易的重要因素,因此对资产对象形态进行识别是很有必要的。
相关技术中,一般是投资者或交易员主观判断某个资产对象的形态,该种方式非常依赖个人的经验,并且不能给出定量的形态识别标准,另外,若对多个资产对象进行形态识别,需要人为逐一的判断各个资产对象的识别结果,导致资产对象形态识别的主观性强且速度慢。
另一种识别方式是基于机器学习或深度学习模型进行资产对象形态识别,该方法一般都是算法层面的资产对象形态识别;需要从当前K线形态中提取出特征,并与历史特征做对比,从而得到对应的资产对象形态识别结果。利用该方法进行资产对象形态识别时,所利用的模型需要对资产对象历史数据进行选择和标注,并且,所提取的特征并不一定被投资者或交易员认可。
基于此,本发明提供了一种资产对象形态识别方法、装置、电子设备及存储介质,以实现对资产对象形态的自动识别。
下面首先对本发明提供的一种资产对象形态识别方法进行介绍。
其中,本发明实施例提供的一种资产对象形态识别方法可以应用于电子设备,该电子设备可以为服务器或终端设备,示例性的,终端设备可以为:智能手机、平板电脑、台式电脑或笔记本电脑等,本发明并不对电子设备的具体形态进行限定,本发明实施例提供的一种资产对象形态识别方法可以应用于任一具有资产对象形态识别需求的场景,例如:识别与某一资产对象所匹配的形态,或者,识别与某个形态所匹配的多个资产对象。
具体而言,该资产对象形态识别方法的执行主体可以为资产对象形态识别装置。示例性的,当该资产对象形态识别方法应用于终端设备时,该资产对象形态识别装置可以为运行于终端设备的功能软件,例如:用于资产对象形态识别的功能软件;该资产对象形态识别装置也可以为现有客户端中的插件,例如:用于资产对象管理的客户端中的插件。示例性的,当该资产对象形态识别方法应用于服务器时,该资产对象形态识别装置可以为运行于服务器的、资产对象管理的客户端对应的服务端程序中的功能模块。
本发明实施例提供的一种资产对象形态识别方法,可以包括如下步骤:
获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
本发明实施例提供的一种资产对象形态识别方法,可以获取目标资产对象的目标序列,考虑到不同的资产对象,其价格和波动性不同,可以对目标序列进行标准化处理,得到待匹配序列,之后获取与目标序列长度相同的、各个资产对象标准形态对应的参考序列,通过计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度,可以输出目标资产对象的形态识别结果。可见,本方案通过对目标序列的标准化处理可以对不同价格和波动性的资产对象进行形态匹配,并且,通过相似度计算的方式来分析目标资产对象与各个资产对象标准形态的匹配程度,这样使得不用人为进行资产对象形态识别,从而自动得到目标资产对象的形态识别结果。因此,通过本方案可以实现对资产对象形态的自动识别。
下面结合附图,对本发明实施例提供的一种资产对象形态识别方法进行详细介绍。
如图1所示,本发明实施例提供的一种资产对象形态识别方法,可以包括如下步骤:
S101:获取待进行形态分析的目标资产对象的目标序列;
其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
可以理解的是,本发明提供的一种资产对象形态识别方法是针对目标资产对象进行形态识别的方法,因此,可以先获取目标资产对象的目标序列,从而执行后续的资产对象形态识别的步骤,得到目标资产对象的形态识别结果。其中,待进行形态分析的目标资产对象的确定方式可以为:在指定界面上输入资产对象名称、或者,从资产对象列表中选定特定的资产对象,得到目标资产对象。
需要说明的是,目标资产对象可以是任一种待进行形态分析的资产对象,在此并不对目标资产对象进行限定。例如:股票、ETF(Exchange Traded Fund,交易所交易基金)、LOF(Listed Open-ended Fund,上市型开放式基金)、指数基金和场外基金等。并且,目标序列为指定时间段内,目标资产对象的各个收盘价按照时间顺序形成的序列,例如:指定时间段为100天,每天都会存在一个目标资产对象的收盘价m,那目标资产对象的目标序列M可以为:这100天的收盘价按照时间的先后顺序所形成的序列,M={m1,m2,m3,m4,m5……m98,m99,m100}。
示例性的,在一种实现方式中,获取待进行形态分析的目标资产对象的目标序列的方式可以为:从资产对象数据库中,获取目标资产对象在指定时间段内的收盘价,然后,按照时间顺序,构成目标序列。
需要说明的是,目标资产对象的目标序列的获取方式可以有多种,任一能获取目标资产对象的目标序列的方式均适用于本发明,在此并不做限定。
S102:对目标序列进行标准化处理,得到待匹配序列;
其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
需要说明的是,由于各个目标资产对象的价格和波动性不同,例如:资产对象A一股的价值为100元,资产对象B一股的价值为2元;因此,为了使得不同价格和波动性的各个目标资产对象均可以采用本方案进行资产对象形态识别,可以对所获取的目标资产对象的目标序列进行标准化处理,得到待匹配序列。也就是,舍去所获取的目标资产对象的实质价值,得到具有所设定的标准价值的待匹配序列。示例性的,在一种实现方式,对所述目标序列进行标准化处理,得到待匹配序列,包括:对目标序列进行归一化处理,得到待匹配序列。
示例性的,在一种实现方式中,对所述目标序列进行标准化处理,得到待匹配序列,包括:
利用预设的标准化处理公式,对所述目标序列进行标准化处理,得到待匹配序列。
其中,所述标准化处理公式为:
其中,p′为标准化处理后得到的待匹配序列,close为目标序列,mean(close)为目标序列close中的各个收盘价的均值,std(close)为目标序列close中各个收盘价的标准差。
例如:目标资产对象A的目标序列为A={100,110,120,80,90},按照上述的标准化处理公式,对其进行标准化处理后,得到的待匹配序列可以为A’={0,0.707,1.414,-1.414,-0.707}。
需要说明的是,标准化处理后得到的待匹配序列实质上所体现的含义是:目标资产对象在某一时间点的收盘价相对于上一历史时间点的收盘价的涨幅或下跌趋势,不代表目标资产对象的实质价值。上述对目标序列进行标准化处理的方式的说明,仅仅作为示例,并不应构成对本发明实施例的限定。
S103:获取各个资产对象标准形态对应的参考序列;
其中,每一资产对象标准形态为预先设定的资产对象K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
在得到标准化处理后的待匹配序列后,可以获取各个资产对象标准形态对应的参考序列,并且通过执行后续的资产对象形态识别的步骤,将待匹配序列与该各个资产对象标准形态对应的参考序列进行匹配,得到目标资产对象的形态识别结果。
另外,目标资产对象针对指定时间段的目标序列而言,该指定时间段可以是一个固定长度的时间段,也可以是多个根据不同资产对象标准形态而设置的指定时间段。当指定时间段为一个固定的时间段时,不同资产对象标准形态可以针对该指定时间段,得到与该指定时间段长度相同的参考序列,例如:该指定时间段为100,目标序列的长度为100,则针对各个资产对象标准形态,其参考序列的长度均为100。当指定时间段为多个时,针对资产对象中第一类标准形态,可以设置该指定时间段为较小的时间段,例如:20、30、40、50或60。针对资产对象中第二类标准形态,可以设置该指定时间段为较大的时间段,例如:45、60、75或90;此时,各个资产对象标准形态对应的参考序列的长度可以为:各个标准形态下所设置的指定时间段的长度。其中,第一类标准形态和第二类标准形态为预先指定的标准形态,且第一类标准形态相对于第二类标准形态而言,形态变化较为简单。
需要说明的是,各个资产对象标准形态可以为预先设置的资产对象K线形态,各个资产对象的标准形态以及各个标准形态对应的针对收盘价的序列可以作为标准形态数据,当需要获取各个资产对象标准形态对应的参考序列时,可以先获取该标准形态数据,并利用该标准形态数据中的各个标准形态对应的针对收盘价的序列,从而获取各个资产对象标准形态对应的参考序列。
示例性的,在一种实现方式中,获取各个资产对象标准形态对应的参考序列,包括:
获取各个资产对象标准形态对应的初始标准化序列;其中,每一资产对象标准形态对应的初始标准化序列为该资产对象标准形态对应的针对收盘价的、具有初始长度的标准化序列;
针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列。
其中,初始标准化序列可以是对具有该形态的样本股票在预先设定的时间范围内的收盘价,进行标准化处理后,所得到的序列。当利用待匹配序列与初始标准化序列进行匹配时,需要保证两者的序列长度是相同的,否则得到的匹配结果不准确或无法匹配;并且,待匹配序列的长度与目标序列的长度相同,因此,可以针对每一资产对象标准形态,利用该初始标准化序列生成与目标序列长度相同的该资产对象标准形态对应的参考序列。
示例性的,在一种实现方式中,针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列,包括:
针对每一资产对象标准形态,若该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行均匀采样,得到该资产对象标准形态对应的参考序列;
若该资产对象标准形态对应的初始标准化序列的长度与所述目标序列的长度相同,将该资产对象标准形态对应的初始标准化序列,确定为该资产对象标准形态对应的参考序列;
若该资产对象标准该形态对应的初始标准化序列的长度小于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行插值,得到该资产对象标准形态对应的参考序列。
可以理解的是,该资产对象标准形态对应的初始标准化序列的长度与目标序列的长度可以相同也可以不同,因此,当长度相同时,可以直接将该资产对象标准形态对应的初始标准化序列作为该资产对象标准形态对应的参考序列;当该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度时,可以从该资产对象标准形态对应的初始化标准序列中的元素均匀采样,得到与目标序列长度相同的该资产对象标准形态对应的参考序列;当该资产对象标准形态对应的初始标准化序列的长度小于所述目标序列的长度时,可以对该资产对象标准形态对应的初始标准化序列进行插值,即在该资产对象标准形态对应的初始标准化序列中各个相邻的两个元素中,插入一个大小为该两个元素的平均值的元素,直至得到与目标序列长度相同的该资产对象标准形态对应的参考序列。
示例性的,当该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度时,该初始标准化序列的长度为100,目标序列的长度为20,那么可以对初始标准化序列中的各个元素进行均匀采样,即每隔4个元素,选取1个元素,得到该资产对象标准形态对应的参考序列的长度为20。当该资产对象标准形态对应的初始标准化序列的长度小于所述目标序列的长度时,该初始标准化序列的长度为100,目标序列的长度为200,那么可以在该初始标准化长度中各个相邻的两个元素中,插入一个元素大小为该两个元素的平均值的元素,得到该资产对象标准形态对应的参考序列的长度为200。
需要说明的是上述对,获取各个资产对象标准形态对应的参考序列的方式的说明,仅仅作为示例,并不应构成对本发明的限定。另外,针对各个资产对象标准形态,将在后续进行详细介绍,在此不做赘述。
S104:分别计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
在得到对目标序列标准化处理后的待匹配序列,以及各个资产对象标准形态对应的参考序列后,可以计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度,从而执行后续的步骤,得到目标资产对象的形态识别结果。
其中,该相似度的即为待匹配序列和各个资产对象标准形态对应的参考序列的相似度,该相似度的计算方式可以有多种,例如:余弦距离算法、豪斯多夫距离算法、动态时间规整(Dynamic Time Warping,DTW)或欧几里得距离算法等。
其中,余弦距离算法利用空间向量中两个向量夹角的余弦值计算余弦距离作为两个向量的相似度,此时,这两个向量可以为待匹配序列和一资产对象标准形态对应的参考序列,两者的余弦距离即为待匹配序列和该资产对象标准形态对应的参考序列的相似度;例如:长度为3的待匹配序列X=(x1,x2,x3)与长度为3的参考序列Y=(y1,y2,y3),可以直接由余弦距离算法公式,得到X与Y的余弦距离。欧几里得距离算法为计算两点之间的绝对距离的相似度计算方法,针对序列而言,可以通过计算序列中各个对应的点的绝对距离的均值,得到序列间的相似度。豪斯多夫距离算法是在某一度量空间中计算两个集合之间的距离的相似度计算方法,此时这两个集合可以为待匹配序列和资产对象标准形态对应的参考序列形成的集合。动态时间规整即一种对输入进行伸长或压缩使得输入的长度与标准长度相同的相似算法,也就是,可以对待匹配序列进行压缩或伸长,得到与各个资产对象标准序列长度相同的序列,从而进行相似度计算。
以欧几里得距离算法为例,该相似度计算公式为:
其中,Similarity为所计算的所述标准序列与所述待匹配序列的相似度,p′为标准化后得到的待匹配序列,q为一资产对象标准形态对应的参考序列,n为所述指定时间段。
需要说明的是,上述对待匹配序列和各个资产对象标准形态对应的参考序列的相似度的计算方式的说明,仅仅作为示例,并不应构成对本发明的限定。
S105:基于计算得到的相似度,输出目标资产对象的形态识别结果;
在得到待匹配序列和各个资产对象标准形态对应的参考序列的相似度后,可以基于计算得到的相似度的大小,输出目标资产对象的形态识别结果。
示例性的,在一种实现方式中,基于计算得到的相似度,输出所述目标资产对象的形态识别结果,包括:
针对每一资产对象标准形态,判断所述待匹配序列和该资产对象标准形态对应的参考序列的相似度,是否大于该资产对象标准形态所对应的预定阈值,若大于,确定该资产对象标准形态对应的匹配结果为相匹配,否则,确定该资产对象标准形态的匹配结果为不匹配;
将所对应的匹配结果为相匹配的资产对象标准形态作为所述目标资产对象的形态识别结果,并输出所述形态识别结果。
需要说明的是,由于预先设置的资产对象标准形态为多个,因此每一标准形态都会存在待匹配序列和该资产对象标准形态对应的参考序列的相似度,可以针对每一资产对象标准形态,可以判断该匹配的是否大于该资产对象标准形态的预定阈值,得到相匹配或不匹配的匹配结果。每一资产对象标准形态的预定阈值可以相同也可以不同,在此不做限定。然后,可以将匹配结果为匹配的资产对象标准形态作为该目标资产对象的形态识别结果,并输出形态识别结果。示例性的,输出的形态识别结果可以为:目标资产对象在指定时间段内与某个资产对象标准形态匹配。并且,每一资产对象标准形态的预定阈值可以是根据经验值而设定的阈值,也可以是结合历史数据进行计算得到的阈值,针对利用历史数据计算每一资产对象标准形态的预定阈值的方式,将在后续进行介绍,在此不做赘述。
另外,除了给出目标资产对象的形态识别结果,本发明提供的方案还可以针对用户的需求,输出与某个形态匹配的多个资产对象,也就是,目标资产对象的数量为多个,针对每一标准形态,确定多个目标资产对象中与该标准形态匹配的资产对象,即多个目标资产对象中相似度大于该标准形态对应的预定阈值的资产对象,得到与该标准形态匹配的至少一个资产对象,并输出用于表征每一标准形态与相应至少一个资产对象相匹配的识别结果。
本发明实施例提供的一种资产对象形态识别方法,可以获取目标资产对象的目标序列,考虑到不同的资产对象,其价格和波动性不同,可以对目标序列进行标准化处理,得到待匹配序列,之后获取与目标序列长度相同的、各个资产对象标准形态对应的参考序列,通过计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度,可以输出目标资产对象的形态识别结果。可见,本方案通过对目标序列的标准化处理可以对不同价格和波动性的资产对象进行形态匹配,并且,通过相似度计算的方式来分析目标资产对象与各个资产对象标准形态的匹配程度,这样使得不用人为进行资产对象形态识别,从而自动得到目标资产对象的形态识别结果。因此,通过本方案可以实现对资产对象形态的自动识别。
可选地,在本发明的另一实施例中,任一资产对象标准形态所对应的预定阈值的确定方式包括步骤A1-步骤A2:
步骤A1,针对每一历史时间段,确定每一样本资产对象在该历史时间段内的样本序列,对所确定的样本序列进行标准化处理,得到各个待分析序列;计算各个待分析序列,与该资产对象标准形态对应的参考序列的相似度,并对计算得到的相似度进行从大到小的排序,选取排序靠前的指定数量个相似度;其中,所述历史时间段的时长与所述指定时间段的时长相同;每一样本资产对象在该历史时间段内的样本序列为:该历史时间段内该样本资产对象的各个收盘价按照时间序列所形成的序列;
步骤A2,从针对每一历史时间段所选取的相似度中,选取最小的相似度,作为该资产对象标准形态所对应的预定阈值。
需要说明的是,历史时间段可以是天、小时或者其他时间粒度,若历史时间段是天的时间粒度,每一历史时间段即每一天。
可以利用上述的相似度计算方式,,针对每一历史时间段,计算历史时间段内样本序列标准化后的各个待分析序列与该资产对象标准形态对应的参考序列的相似度,并选取排序靠前的多个相似度,将每一历史时间段所选取的最小的相似度作为该资产对象标准形态对应的预定阈值。
该种方式是利用历史时间段范围内,预期的符合该资产对象标准形态的资产对象的数量所计算的预定阈值,例如:针对某一资产对象标准形态A,整个资产对象市场中有4000个资产对象,历史时间段为30天,针对每一历史时间段,即每天预期的符合该资产对象标准形态的样本资产对象的数量为3个,即预期每一天都存在3个样本资产对象与该资产对象标准形态A相匹配,这3个样本资产对象的相似度即上述一个历史时间段范围内排序靠前的指定数量个相似度;那么在这30天的时间范围内,会选出90个相似度,也就是,所预期的符合该资产对象标准形态的资产对象的数量共有90个,这90个相似度所针对的样本资产对象可以存在相同的资产对象,并且,这90个相似度所对应的样本资产对象均被认为是符合该资产对象标准形态的,此时,可以将这90个相似度中,最小的相似度,作为该资产对象标准形态A对应的预定阈值。
该种资产对象标准形态所对应的预定阈值的确定方式中,通过利用历史数据,来确定每个资产对象标准形态对应的预设阈值,这样使得每个资产对象标准形态对应的预设阈值,更贴合该资产对象标准形态本身的形态特性,从而使得在进行资产对象形态识别时能够提升识别的精准性。
为了方便理解,下面结合图2对本发明提供的一种资产对象形态识别方法的原理内容进行介绍。
以资产对象为股票为例,该方法包括步骤S201-S209;
S201:定义股票标准形态(对应上述资产对象标准形态)、定义形态计算周期n(对应上述指定时间段);如图3所示,已经预定的一些股票标准形态可以包括:双重底、三重底、圆弧底、头肩底、单平台突破上涨、双重平台突破上涨、双重顶、三重顶、头肩顶、圆弧顶、单平台突破下跌和双重平台突破下跌等形态中的至少一个形态,另外,用户也可以定量输入、K线页面框选、手写输入方式,自主扩充形态。
需要说明的是,目标序列的指定时间段可以为固定的时间长度,例如:100,也可以是根据多个根据不同资产对象的标准形态所设置的不同时间长度,在相似度计算时,只须保证待匹配序列和各个资产对象标准形态对应的参考序列的时间长度相同即可,每一资产对象标准形态的时间长度可以不同。并且,对于预先设定的形态中的简单形态而言,对应于上述第一类标准形态,目标序列的计算周期可以为较小的时间长度,例如:双重底和圆弧底,形态计算周期n可以较小,例如:20、30、40、50或60,对于预先设定的形态中的复杂形态而言,对应于上述第二类标准形态,目标序列的计算周期可以为较大的时间长度,例如:三重底等,形态计算周期n可以较大,例如45、60、75或90。本方案不限于资产对象日频和分钟频形态的分析和识别,也可以对其他周期的资产对象进行分析和识别,例如:15分钟频、小时频和周频的资产对象形态分析和识别。
S202:标准形态进行线性插值,通过线性插值,将预定义的标准形态序列插值到长度为n的标准形态序列,即上述的获取各个资产对象标准形态对应的参考序列。
S203:获取股票收盘价序列,标准化处理,对应上述获取目标资产对象的目标序列,并对目标序列进行标准化处理,得到待匹配序列。
S204:相似度匹配算法、输出相似度,即计算长度为n的标准形态序列和长度为n的目标股票的收盘价序列的相似度,并输出相似度,对应上述的分别计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度。
当该相似度计算方法方法应用于最新的目标数据时,执行步骤S205:最新数据相似度,即得到目标资产对象与各个资产对象标准形态的相似度。
当该相似度计算方法应用于历史数据时,执行步骤S206:历史数据相似度,即得到历史上每一天所有资产对象与某个资产对象标准形态在时间周期n下的相似度。
并且,通过步骤S207:计算阈值、阈值判定,即统计历史数据中每个形态下的所有相似度值,给出相似度阈值,并判断所计算的最新数据相似度是否大于阈值。对应上述任一资产对象标准形态对应的预定阈值的确定方式,并判断所得到的目标资产对象与资产对象标准形态的相似度是否大于预定阈值。
S208:输出相似度的统计特征,即目标资产对象为多个,可以输出针对某一资产对象标准形态相匹配的至少一个资产对象的识别结果。
S209:输出最新信号,即利用S207所计算的阈值,将相似度大于阈值的资产对象标准形态,作为目标资产对象的形态识别结果进行输出,例如:某资产对象最近n个K线与某个形态匹配。
K线形态识别是市场中大部分人使用的交易方法,本发明所提供的方案,能同时进行全市场所有资产对象与所有资产对象标准形态的相似度判定和形态识别,给出定量的计算结果,计算速度快,支持分钟频的K线处理;历史数据和最新数据的相似度计算完全是自动化的,不需要人工筛选或标注;并且,允许用户自定义形态,支持不同的相似度算法和阈值计算方法,可以使用用户的主观经验配置资产对象的标准形态,可配置性更强,能够输出用户感兴趣的形态统计信息,为用户交易决策提供更多支持。
可选地,在本发明的另一实施例中,各个资产对象的标准形态如图3所示,包括:双重底、三重底、圆弧底、头肩底、单平台突破上涨、双重平台突破上涨、双重顶、三重顶、头肩顶、圆弧顶、单平台突破下跌和双重平台突破下跌。并且,可以利用用户的主观经验,对资产对象标准形态可以扩充,例如:用户自定义标准形态。
图中的各个资产对象的形态的横坐标表示100天的时间范围,对应上述输出标准化序列的初始长度,纵坐标的数值例如:3、2、1、0、-1或-2不具有实质上的数值含义,仅仅用于区分这100天的时间范围内,所预设的标准形态的收盘价上涨、下跌或不变的趋势。图中的各个标准形态的曲线可以看做100天的时间范围内,各个标准形态每一天的标准的收盘价的点连接而成的曲线。
针对某一目标序列而言,可以对该目标序列进行标准化处理,得到待匹配序列,该目标序列的长度可以为20天,然后需要获取上述各个资产对象标准形态对应的参考序列,也就是,从各个资产对象标准形态的100个收盘价序列中,每隔4个收盘价均匀地采取20个收盘价的点,得到的序列作为上述各个资产对象标准形态对应的参考序列,然后,计算待匹配序列与各个资产对象标准形态序列的相似度,计算得到的相似度结果可以为:与双重底的相似度为80%,与三重底的相似度为10%,与头肩底的相似度为10%,与其他资产对象标准形态的相似度均为0,并且,若针对双重底形态的预定阈值为70%,那么可以输出该目标资产对象的形态识别结果为:该目标资产对象在20天的时间范围内,与双重底形态匹配。
相似度匹配方法能定量给出每日或每分钟资产对象与任一资产对象标准形态的相似度,结合阈值计算方法,当相似度大于阈值时可以给出符合形态该的资产对象识别结果或符合目标资产对象的标准形态的识别结果,生成的相似度结果从多角度为用户提供信息,并且输出的形态识别结果可以直接指导用户交易。本发明提供的方案具有定量可追溯、可由用户自定义、兼具日频和日内的特征,适用于不同用户灵活的需求。
基于上述资产对象形态识别方法,本发明实施例还提供了一种资产对象形态识别装置,如图4所示,包括:
第一获取模块410,用于获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
处理模块420,用于对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
第二获取模块430,用于获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
计算模块440,用于分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
输出模块450,用于基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
本发明实施例提供的一种资产对象形态识别装置,可以获取目标资产对象的目标序列,考虑到不同的资产对象,其价格和波动性不同,可以对目标序列进行标准化处理,得到待匹配序列,之后获取与目标序列长度相同的、各个资产对象标准形态对应的参考序列,通过计算待匹配序列和各个资产对象标准形态对应的参考序列的相似度,可以输出目标资产对象的形态识别结果。可见,本方案通过对目标序列的标准化处理可以对不同价格和波动性的资产对象进行形态匹配,并且,通过相似度计算的方式来分析目标资产对象与各个资产对象标准形态的匹配程度,这样使得不用人为进行资产对象形态识别,从而自动得到目标资产对象的形态识别结果。因此,通过本方案可以实现对资产对象形态的自动识别。
可选地,所述第二获取模块,包括:
获取子模块,用于获取各个资产对象标准形态对应的初始标准化序列;其中,每一资产对象标准形态对应的初始标准化序列为该资产对象标准形态对应的针对收盘价的、具有初始长度的标准化序列;
生成子模块,用于针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列。
可选地,所述生成子模块,具体用于:
针对每一资产对象标准形态,若该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行均匀采样,得到该资产对象标准形态对应的参考序列;
若该资产对象标准形态对应的初始标准化序列的长度与所述目标序列的长度相同,将该资产对象标准形态对应的初始标准化序列,确定为该资产对象标准形态对应的参考序列;
若该资产对象标准该形态对应的初始标准化序列的长度小于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行插值,得到该资产对象标准形态对应的参考序列。
可选地,所述处理模块具体用于:
利用预设的标准化处理公式,对所述目标序列进行标准化处理,得到待匹配序列。
可选地,所述标准化处理公式为:
其中,p′为标准化处理后得到的待匹配序列,close为目标序列,mean(close)为目标序列close中的各个收盘价的均值,std(close)为目标序列close中各个收盘价的标准差。
可选地,所述输出模块具体用于:
针对每一资产对象标准形态,判断所述待匹配序列和该资产对象标准形态对应的参考序列的相似度,是否大于该资产对象标准形态所对应的预定阈值,若大于,确定该资产对象标准形态对应的匹配结果为相匹配,否则,确定该资产对象标准形态的匹配结果为不匹配;
将所对应的匹配结果为相匹配的资产对象标准形态作为所述目标资产对象的形态识别结果,并输出所述形态识别结果。
可选地,任一资产对象标准形态所对应的预定阈值的确定方式包括:
针对每一历史时间段,确定每一样本资产对象在该历史时间段内的样本序列,对所确定的样本序列进行标准化处理,得到各个待分析序列;计算各个待分析序列,与该资产对象标准形态对应的参考序列的相似度,并对计算得到的相似度进行从大到小的排序,选取排序靠前的指定数量个相似度;其中,所述历史时间段的时长与所述指定时间段的时长相同;每一样本资产对象在该历史时间段内的样本序列为:该历史时间段内该样本资产对象的各个收盘价按照时间序列所形成的序列;
从针对每一历史时间段所选取的相似度中,选取最小的相似度,作为该资产对象标准形态所对应的预定阈值。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现任一资产对象形态识别方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的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 SignalProcessor,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一资产对象形态识别方法。
在本发明提供的又一实施例中,还提供了一种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实施例中任一资产对象形态识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。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。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State DisK(SSD))等。
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”、“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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种资产对象形态识别方法,其特征在于,所述方法包括:
获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取各个资产对象标准形态对应的参考序列,包括:
获取各个资产对象标准形态对应的初始标准化序列;其中,每一资产对象标准形态对应的初始标准化序列为该资产对象标准形态对应的针对收盘价的、具有初始长度的标准化序列;
针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列。
3.根据权利要求2所述的方法,其特征在于,所述针对每一资产对象标准形态,利用该资产对象标准形态对应初始标准化序列,生成该资产对象标准形态对应的参考序列,包括:
针对每一资产对象标准形态,若该资产对象标准形态对应的初始标准化序列的长度大于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行均匀采样,得到该资产对象标准形态对应的参考序列;
若该资产对象标准形态对应的初始标准化序列的长度与所述目标序列的长度相同,将该资产对象标准形态对应的初始标准化序列,确定为该资产对象标准形态对应的参考序列;
若该资产对象标准该形态对应的初始标准化序列的长度小于所述目标序列的长度,则对该资产对象标准形态对应的初始标准化序列中的元素进行插值,得到该资产对象标准形态对应的参考序列。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标序列进行标准化处理,得到待匹配序列,包括:
利用预设的标准化处理公式,对所述目标序列进行标准化处理,得到待匹配序列。
6.根据权利要求1所述的方法,其特征在于,所述基于计算得到的相似度,输出所述目标资产对象的形态识别结果,包括:
针对每一资产对象标准形态,判断所述待匹配序列和该资产对象标准形态对应的参考序列的相似度,是否大于该资产对象标准形态所对应的预定阈值,若大于,确定该资产对象标准形态对应的匹配结果为相匹配,否则,确定该资产对象标准形态的匹配结果为不匹配;
将所对应的匹配结果为相匹配的资产对象标准形态作为所述目标资产对象的形态识别结果,并输出所述形态识别结果。
7.根据权利要求6所述的方法,其特征在于,任一资产对象标准形态所对应的预定阈值的确定方式包括:
针对每一历史时间段,确定每一样本资产对象在该历史时间段内的样本序列,对所确定的样本序列进行标准化处理,得到各个待分析序列;计算各个待分析序列,与该资产对象标准形态对应的参考序列的相似度,并对计算得到的相似度进行从大到小的排序,选取排序靠前的指定数量个相似度;其中,所述历史时间段的时长与所述指定时间段的时长相同;每一样本资产对象在该历史时间段内的样本序列为:该历史时间段内该样本资产对象的各个收盘价按照时间序列所形成的序列;
从针对每一历史时间段所选取的相似度中,选取最小的相似度,作为该资产对象标准形态所对应的预定阈值。
8.一种资产对象形态识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取待进行形态分析的目标资产对象的目标序列;其中,所述目标序列为指定时间段内所述目标资产对象的各个收盘价按照时间顺序形成的序列;
处理模块,用于对所述目标序列进行标准化处理,得到待匹配序列;其中,所述标准化处理用于对所述目标序列中的各个收盘价进行预定标准化处理;
第二获取模块,用于获取各个资产对象标准形态对应的参考序列;其中,每一资产对象标准形态为预先设定的资产对象K线形态,每一资产对象标准形态对应的参考序列为该资产对象标准形态对应的针对收盘价的、与所述目标序列的长度相同的标准化序列;
计算模块,用于分别计算所述待匹配序列和各个资产对象标准形态对应的参考序列的相似度;
输出模块,用于基于计算得到的相似度,输出所述目标资产对象的形态识别结果。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585618.3A CN114943255A (zh) | 2022-05-27 | 2022-05-27 | 一种资产对象形态识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585618.3A CN114943255A (zh) | 2022-05-27 | 2022-05-27 | 一种资产对象形态识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943255A true CN114943255A (zh) | 2022-08-26 |
Family
ID=82908362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210585618.3A Pending CN114943255A (zh) | 2022-05-27 | 2022-05-27 | 一种资产对象形态识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943255A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572886A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 基于k线图表示的金融时间序列相似性查询方法 |
CN106776692A (zh) * | 2016-11-11 | 2017-05-31 | 洪志令 | 一种基于预定义模式匹配的股票推荐选股方法 |
CN110534085A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
CN111400359A (zh) * | 2020-03-17 | 2020-07-10 | 创新奇智(北京)科技有限公司 | 面向股票趋势预测的相似k线检索方法及检索系统 |
CN114239697A (zh) * | 2021-11-26 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 目标对象的分类方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-27 CN CN202210585618.3A patent/CN114943255A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572886A (zh) * | 2014-12-23 | 2015-04-29 | 浙江大学 | 基于k线图表示的金融时间序列相似性查询方法 |
CN106776692A (zh) * | 2016-11-11 | 2017-05-31 | 洪志令 | 一种基于预定义模式匹配的股票推荐选股方法 |
CN110534085A (zh) * | 2019-08-29 | 2019-12-03 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
CN111400359A (zh) * | 2020-03-17 | 2020-07-10 | 创新奇智(北京)科技有限公司 | 面向股票趋势预测的相似k线检索方法及检索系统 |
CN114239697A (zh) * | 2021-11-26 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 目标对象的分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李宏等: "基于时序模式关联的股票走势分析研究", 《计算机工程与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149757B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN109992664B (zh) | 争议焦点的标注分类方法、装置、计算机设备和存储介质 | |
CN110263821B (zh) | 交易特征生成模型的训练、交易特征的生成方法和装置 | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN110188357B (zh) | 对象的行业识别方法及装置 | |
CN110826494A (zh) | 标注数据质量评价方法、装置、计算机设备及存储介质 | |
CN109284369B (zh) | 证券新闻资讯重要性的判定方法、系统、装置及介质 | |
CN111340233B (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
CN113160800B (zh) | 语音数据标注方法及电子设备、存储装置 | |
CN111125658A (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
CN114662602A (zh) | 一种离群点检测方法、装置、电子设备及存储介质 | |
CN115618415A (zh) | 敏感数据识别方法、装置、电子设备和存储介质 | |
CN110427358B (zh) | 数据清洗方法及装置和信息推荐方法及装置 | |
CN113850077A (zh) | 基于人工智能的话题识别方法、装置、服务器及介质 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN115687790B (zh) | 基于大数据的广告推送方法、系统及云平台 | |
CN111488497B (zh) | 字符串集合的相似度确定方法、装置、终端及可读介质 | |
CN114943255A (zh) | 一种资产对象形态识别方法、装置、电子设备及存储介质 | |
CN110971973A (zh) | 一种视频推送方法、装置及电子设备 | |
CN113282837B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
WO2022237065A1 (zh) | 分类模型的训练方法、视频分类方法及相关设备 | |
CN112597208A (zh) | 企业名称检索方法、企业名称检索装置及终端设备 | |
CN117573956B (zh) | 元数据管理方法、装置、设备及存储介质 | |
CN115497633B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117436550B (zh) | 推荐模型训练方法及装置 |
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: 20220826 |
|
RJ01 | Rejection of invention patent application after publication |