CN117495564A - 基于逻辑驱动的股票交易策略构建方法、系统及介质 - Google Patents
基于逻辑驱动的股票交易策略构建方法、系统及介质 Download PDFInfo
- Publication number
- CN117495564A CN117495564A CN202311511174.XA CN202311511174A CN117495564A CN 117495564 A CN117495564 A CN 117495564A CN 202311511174 A CN202311511174 A CN 202311511174A CN 117495564 A CN117495564 A CN 117495564A
- Authority
- CN
- China
- Prior art keywords
- transaction data
- data
- stock
- historical transaction
- historical
- 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
- 238000010276 construction Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000004140 cleaning Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 38
- 238000012986 modification Methods 0.000 claims description 37
- 230000004048 modification Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 27
- 230000000630 rising effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 abstract description 3
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供基于逻辑驱动的股票交易策略构建方法、系统及介质，涉及股票数据挖掘技术领域，包括：步骤S1，获取与股票相关的历史交易数据，对历史交易数据进行预处理；步骤S2，对步骤S1中预处理后的历史交易数据进行数据分析；步骤S3，基于步骤S2中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；步骤S4，使用逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略；本发明用于解决现有的股票的预测方法缺少对历史数据的有效分析，导致股票交易决策不够准确的问题。
Description
技术领域
本发明涉及股票数据挖掘技术领域，尤其涉及基于逻辑驱动的股票交易策略构建方法、系统及介质。
背景技术
在股票交易领域投资者试图利用各种分析工具预测股票的轨迹，然而，传统的股票分析法往往需要大量的时间和资源，而且受制于分析人员的主观意见和经验，缺少基于逻辑驱动的相关预测，近年来，随着大数据技术的成熟，越来越多的研究者基于大数据分析预测股票市场的发展趋势；
现有的应用在股票价格趋势预测的改进的方法通常是对股票价格的历史数据进行分析并建立预测模型，基于预测模型预测未来股票价格趋势，比如在公开号为CN106355499A的中国专利中，公开了一种股票价格趋势预测及交易方法，该方案是“通过历史特征量数据训练预测模型，设置交叉验证集、测试集，检验模型的有效性，使用预测模型预测未来股票价格趋势，然后根据预测结果进行投资决策”，再比如在公开号为CN112669145A的中国专利中，公开了基于动态阈值的股票交易策略构建方法、系统、设备和介质，该方案是通过“接收股票交易数据；对股票交易数据进行数据预处理；基于动态阈值对预处理后的股票交易数据进行资产操作方向的识别；根据所述资产操作方向，利用概率模型构建交易策略”，上述预测方法缺少对历史数据的综合分析处理，交易数据的分析有效性较低，实时处理过程中的数据过多且数据过杂导致需要较长的处理时间，同时在进行预测后，在股票交易时通常需要人工进行分析和决策，容易受到人为干预的影响，导致交易决策不够理性和准确，鉴于此，有必要对现有的基于逻辑驱动的股票交易策略构建方法进行改进。
发明内容
针对现有技术存在的不足，本发明目的是提供基于逻辑驱动的股票交易策略构建方法、系统及介质，用于解决现有的对股票的预测方法缺少对历史数据的有效处理，容易因数据过多且数据过杂导致需要较长的处理时间，同时在进行预测后，在股票交易时通常需要人工进行分析和决策，容易受到人为干预的影响，导致交易决策不够准确的问题。
为了实现上述目的，第一方面，本发明提供基于逻辑驱动的股票交易策略构建方法，包括：
步骤S1，获取与股票相关的历史交易数据，对历史交易数据进行预处理；
步骤S2，对步骤S1中预处理后的历史交易数据进行数据分析；
步骤S3，基于步骤S2中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
步骤S4，使用逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略。
进一步地，所述步骤S1包括如下子步骤：
步骤S101，获取与股票相关的历史交易数据，基于历史交易数据的年份，将历史交易数据记为历史交易数据1至历史交易数据A；
步骤S102，对历史交易数据1至历史交易数据A进行数据清洗；
步骤S103，对进行步骤S102后的历史交易数据1至历史交易数据A进行数据去噪；
步骤S104，对进行步骤S103后的历史交易数据1至历史交易数据A进行标准化处理。
进一步地，所述步骤S102包括如下子步骤：
步骤S1021，获取历史交易数据1中若干交易数据的名称，记为清理名称1至清理名称N；
获取清理名称1至清理名称N中每个清理名称出现的次数，将清理名称出现的次数大于等于第一次数阈值的清理名称记为重复名称；
当重复名称的数量大于等于第一数量阈值时，获取清理名称1至清理名称N中的若干重复名称，记为重复名称1至重复名称M；
对于重复名称1至重复名称M中的每一个重复名称，将重复名称与对应的若干交易数据进行逐对查重处理，将查重率大于等于第一标准重复率的一对交易数据记为重复交易数据，在历史交易数据1中删除重复交易数据中交易数据的日期最早的交易数据；
步骤S1022，对历史交易数据1至历史交易数据A均使用步骤S1021进行第一步数据清洗；
步骤S1023，对经过步骤S1012的历史交易数据1至历史交易数据A进行第二步数据清洗，所述第二步数据清洗包括：
获取历史交易数据1至历史交易数据A中所有交易数据的格式，记为数据格式1至数据格式Q，获取标准情况下的交易数据的格式，记为标准格式，将数据格式1至数据格式Q分别与标准格式进行比对，将比对结果中格式错误率大于等于第一标准错误率的数据格式记为错误格式，所述格式错误率＝(W1/W2)*100％，其中，W1为数据格式与标准格式不符的格式数，W2为标准格式中的总格式数；
获取所有错误格式对应的交易数据，记为格式错误交易数据，将格式错误交易数据在历史交易数据中删除。
进一步地，所述步骤S103包括如下子步骤：
步骤S1031，获取历史交易数据1至历史交易数据A中的所有交易数据的文本，记为交易文本1至交易文本N；
步骤S1032，对交易文本1进行中文分词处理；
获取股票相关的关键词数据库，将交易文本1中的所有中文词与股票相关的关键词数据库中的关键词进行比对，将比对率小于等于标准比对率的交易文本对应的交易数据在历史交易数据1至历史交易数据A中删除，将交易文本1中的中文词与股票相关的关键词数据库中的关键词相等的数量记为关键词数，所述比对率＝(E1/E2)*100％，其中，E1为关键词数，E2为交易文本中的中文词的数量；
步骤S1033，对交易文本1至交易文本N使用步骤S1032进行处理。
进一步地，所述步骤S104包括如下子步骤：
步骤S1041，对历史交易数据1至历史交易数据A中所有交易数据中的指标使用指标一致化处理；
步骤S1042，对步骤S1041中的指标进行一致化处理过程中，对逆指标进行倒数一致化处理。
进一步地，所述步骤S2包括如下子步骤：
步骤S201，对历史交易数据1至历史交易数据A使用数据可视化处理，得到可视化图表；
步骤S202，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据；
步骤S203，获取热门交易数据中每个交易股票的交易差，记为交易差1至交易差G，所述交易差等于交易股票被交易时的最高价格减去交易股票被交易时的最低价格；
将交易差1至交易差G中大于等于第一标准交易差的交易差对应的交易股票记为高波动股票；
将交易差1至交易差G中小于等于第二标准交易差的交易差对应的交易股票记为交易稳定股票；
步骤S204，获取冷门交易数据中每个交易股票被交易的次数，记为冷门交易次数1至冷门交易次数H；
将冷门交易次数1至冷门交易次数H中小于等于标准冷门次数的冷门交易次数对应的交易数据在历史交易数据1至历史交易数据A中删除；
所述步骤S201包括：
获取步骤S1中每个历史交易数据的每个交易文本的关键词数，将同一个历史交易数据中的交易文本的关键词数进行相加的和记为历史交易数据对应的关键词总数；
获取历史交易数据1至历史交易数据A对应的关键词总数1至关键词总数A；
基于关键词总数1至关键词总数A制作可视化图表；
所述步骤S202包括：
获取可视化图表中大于等于第一标准数量的关键词总数对应的历史交易数据，记为热门交易数据；
获取可视化图表中小于等于第二标准数量的关键词总数对应的历史交易数据，记为冷门交易数据。
进一步地，所述步骤S3包括如下子步骤：
步骤S301，随机选择历史交易数据1至历史交易数据A中的一个历史交易数据，记为初始交易数据，基于初始交易数据，建立初始模型；
步骤S302，使用历史交易数据1至历史交易数据A对初始模型进行优化处理，得到逻辑驱动模型；
所述步骤S301包括如下子步骤：
步骤S3011，所述初始模型用于对股票所在的交易数据进行分析，并对股票进行标记；
当初始交易数据为热门交易数据时，获取交易稳定股票，记为可购入股票；获取高波动股票，记为高风险股票；对于高波动股票之外的股票，记为可购入股票；
步骤S3012，当初始交易数据为冷门交易数据时，记为高风险股票；
步骤S3013，当初始交易数据不为热门交易数据且不为冷门交易数据时，获取初始交易数据中所有股票上涨次数，将上涨次数大于等于第一标准次数的股票记为可购入股票，将上涨次数小于第一标准次数的股票记为高风险股票。
进一步地，所述步骤S302包括如下子步骤：
步骤S3021，通过初始模型对历史交易数据1至历史交易数据A进行分析，每次随机获取历史交易数据1至历史交易数据A中第一训练数量的交易数据，将第一数量的交易数据记为训练数据；
步骤S3022，通过初始模型对训练数据进行分析，对训练数据中的股票进行标记，对于训练数据中被标记后的股票；
当股票被标记为可购入股票时，获取股票的价格趋势，当价格趋势为下降时，将股票的修改数加1；当股票被标记为高风险股票时，获取股票的价格趋势，当价格趋势为上涨或横盘时，将股票的修改数加1；
每个股票的修改数初始为0，当修改数为第一标准修改数时，将修改数对应的股票的标记进行改变并将修改数清零；
步骤S3023，当使用初始模型对训练数据进行分析后，训练数据中的所有股票的修改数的和小于等于第二标准修改数时，将初始模型记为逻辑驱动模型。
第二方面，本发明提供基于逻辑驱动模型的股票交易策略构建系统，包括预处理模块、数据分析模块、模型获取模块以及预测模块，所述预处理模块、数据分析模块以及模型获取模块与预测模块通讯连接；
所述预处理模块用于获取与股票相关的历史交易数据，对历史交易数据进行预处理；
所述数据分析模块用于对预处理模块中预处理后的历史交易数据进行数据分析；
所述模型获取模块基于数据分析模块中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
所述预测模块通过逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略。
第三方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，运行如上所述方法中的步骤。
本发明的有益效果：本发明通过获取与股票相关的历史交易数据，对历史交易数据进行预处理，在预处理过程中，主要通过数据清洗、数据去噪以及标准化处理对历史交易数据进行删减以及整理，这样的好处在于，通过对历史交易数据的预处理，可以有效减少后续对历史交易数据的分析压力，有利于加快后续对历史交易数据的分析速度，提高整体的分析速度；
本发明还通过对将预处理后的历史交易数据进行可视化处理，得到可视化图表，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据，并基于分析结果建立初始模型，使用历史交易数据对初始模型进行优化处理，得到逻辑驱动模型，这样的好处在于，通过对预处理后的历史交易数据进行分析，有利于提炼历史交易数据中的关键部分，减少后续分析时需要的工作量，通过建立初始模型并对初始模型不断训练可以提高逻辑驱动模型对股票价格预测的准确性，确保最终得到的逻辑驱动模型在实际应用时可以及时对股票的交易信息进行分析并做出准确的判断。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的方法的步骤流程图；
图2为本发明的系统的原理框图；
图3为本发明的可视化图表的示意图；
图4为本发明的电子设备的连接框图；
图中，501、预测模块；502、预处理模块；503、数据分析模块；504、模型获取模块；60、电子设备；601、处理器；602、存储器。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
请参阅图1，图1展示了本实施例提出的基于逻辑驱动的股票交易策略构建方法，用于解决现有的股票的预测方法缺少对历史数据的有效分析，导致交易决策不够准确的问题；具体地，基于逻辑驱动的股票交易策略构建方法包括：
步骤S1，获取与股票相关的历史交易数据，对历史交易数据进行预处理；
步骤S1包括如下子步骤：
步骤S101，获取与股票相关的历史交易数据，基于历史交易数据的年份，将历史交易数据记为历史交易数据1至历史交易数据A；
步骤S102，对历史交易数据1至历史交易数据A进行数据清洗；
步骤S102包括如下子步骤：
步骤S1021，获取历史交易数据1中若干交易数据的名称，记为清理名称1至清理名称N；
获取清理名称1至清理名称N中每个清理名称出现的次数，将清理名称出现的次数大于等于第一次数阈值的清理名称记为重复名称；
当重复名称的数量大于等于第一数量阈值时，获取清理名称1至清理名称N中的若干重复名称，记为重复名称1至重复名称M；
在具体实施过程中，第一次数阈值为2，第一数量阈值为5，为了防止经过处理后历史交易数据中的交易数据过少，因此当重复名称的数量小于5时，不对重复名称对应的交易数据进行处理；
对于重复名称1至重复名称M中的每一个重复名称，将重复名称与对应的若干交易数据进行逐对查重处理，将查重率大于等于第一标准重复率的一对交易数据记为重复交易数据，在历史交易数据1中删除重复交易数据中交易数据的日期最早的交易数据；
步骤S1022，对历史交易数据1至历史交易数据A均使用步骤S1021进行第一步数据清洗；
步骤S1023，对经过步骤S1012的历史交易数据1至历史交易数据A进行第二步数据清洗，第二步数据清洗包括：
获取历史交易数据1至历史交易数据A中所有交易数据的格式，记为数据格式1至数据格式Q，获取标准情况下的交易数据的格式，记为标准格式，将数据格式1至数据格式Q分别与标准格式进行比对，将比对结果中格式错误率大于等于第一标准错误率的数据格式记为错误格式，格式错误率＝(W1/W2)*100％，其中，W1为数据格式与标准格式不符的格式数，W2为标准格式中的总格式数；
在具体实施过程中，交易数据中的每种数据都对应一种格式，因此一个交易数据中包含若干格式，第一标准错误率为30％；
获取所有错误格式对应的交易数据，记为格式错误交易数据，将格式错误交易数据在历史交易数据中删除；
步骤S103，对进行步骤S102后的历史交易数据1至历史交易数据A进行数据去噪；步骤S103包括如下子步骤：
步骤S1031，获取历史交易数据1至历史交易数据A中的所有交易数据的文本，记为交易文本1至交易文本N；
步骤S1032，对交易文本1进行中文分词处理；
获取股票相关的关键词数据库，将交易文本1中的所有中文词与股票相关的关键词数据库中的关键词进行比对，将比对率小于等于标准比对率的交易文本对应的交易数据在历史交易数据1至历史交易数据A中删除，将交易文本1中的中文词与股票相关的关键词数据库中的关键词相等的数量记为关键词数，比对率＝(E1/E2)*100％，其中，E1为关键词数，E2为交易文本中的中文词的数量；
在具体实施过程中使用中文分词是为了将交易文本中的若干中文词进行提取，减少后续比对处理的工作量，将标准比对率设置为25％，当交易文本的比对率小于等于25％时，说明该交易文本中包含的与股票相关的内容不多，因此没有分析处理的必要；
步骤S1033，对交易文本1至交易文本N使用步骤S1032进行处理；
步骤S104，对进行步骤S103后的历史交易数据1至历史交易数据A进行标准化处理；
步骤S104包括如下子步骤：
步骤S1041，对历史交易数据1至历史交易数据A中所有交易数据中的指标使用指标一致化处理；
步骤S1042，对步骤S1041中的指标进行一致化处理过程中，对逆指标进行倒数一致化处理；
步骤S2，对步骤S1中预处理后的数据进行数据分析；
步骤S2包括如下子步骤：
步骤S201，对历史交易数据1至历史交易数据A使用数据可视化处理，得到可视化图表；
步骤S201包括：
获取步骤S1中每个历史交易数据的每个交易文本的关键词数，将同一个历史交易数据中的交易文本的关键词数进行相加的和记为历史交易数据对应的关键词总数；
获取历史交易数据1至历史交易数据A对应的关键词总数1至关键词总数A；
请参阅图3所示，基于关键词总数1至关键词总数A制作可视化图表，可视化图标为折线图，其中折线图的横轴的单位为时间，横轴的刻度为历史交易数据出现的时间，折线图的纵轴的单位为数量，用于表示每个历史交易数据对应的关键词总数；
步骤S202，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据；
步骤S202包括：
获取可视化图表中大于等于第一标准数量的关键词总数对应的历史交易数据，记为热门交易数据；
获取可视化图表中小于等于第二标准数量的关键词总数对应的历史交易数据，记为冷门交易数据；
在具体实施过程中，将可视化图表中历史交易数据对应的关键词总数的最大值的70％设置为第一标准数量，将可视化图表中历史交易数据对应的关键词总数的最小值的130％设置为第二标准数量，通过对历史交易数据进行分类，有利于提高对历史交易数据进行分析的速度；
步骤S203，获取热门交易数据中每个交易股票的交易差，记为交易差1至交易差G，交易差等于交易股票被交易时的最高价格减去交易股票被交易时的最低价格；
将交易差1至交易差G中大于等于第一标准交易差的交易差对应的交易股票记为高波动股票；
将交易差1至交易差G中小于等于第二标准交易差的交易差对应的交易股票记为交易稳定股票；
在具体实施过程中，第一标准交易差为该商品被交易时最低价格的80％，第二标准交易差为该商品被交易时最低价格的30％；
步骤S204，获取冷门交易数据中每个交易股票被交易的次数，记为冷门交易次数1至冷门交易次数H；
将冷门交易次数1至冷门交易次数H中小于等于标准冷门次数的冷门交易次数对应的交易数据在历史交易数据1至历史交易数据A中删除；
在具体实施过程中，标准冷门次数为3，当股票处于冷门交易数据中且股票的交易次数小于等于3时，则股票具备的分析价值较低，应当从历史交易数据中删除；
步骤S3，基于步骤S2中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
步骤S3包括如下子步骤：
步骤S301，随机选择历史交易数据1至历史交易数据A中的一个历史交易数据，记为初始交易数据，基于初始交易数据，建立初始模型；
步骤S301包括如下子步骤：
步骤S3011，初始模型用于对股票所在的交易数据进行分析，并对股票进行标记；
当初始交易数据为热门交易数据时，获取交易稳定股票，记为可购入股票；获取高波动股票，记为高风险股票；对于高波动股票之外的股票，记为可购入股票。
步骤S3012，当初始交易数据为冷门交易数据时，记为高风险股票；
步骤S3013，当初始交易数据不为热门交易数据且不为冷门交易数据时，获取初始交易数据中所有股票上涨次数，将上涨次数大于等于第一标准次数的股票记为可购入股票，将上涨次数小于第一标准次数的股票记为高风险股票；
在具体实施过程中，第一标准次数为股票出现波动的总次数的70％；
步骤S302，使用历史交易数据1至历史交易数据A对初始模型进行优化处理，得到逻辑驱动模型；
步骤S302包括如下子步骤：
步骤S3021，通过初始模型对历史交易数据1至历史交易数据A进行分析，每次随机获取历史交易数据1至历史交易数据A中第一训练数量的交易数据，将第一数量的交易数据记为训练数据；
步骤S3022，通过初始模型对训练数据进行分析，对训练数据中的股票进行标记，对于训练数据中被标记后的股票；
当股票被标记为可购入股票时，获取股票的价格趋势，当价格趋势为下降时，将股票的修改数加1；当股票被标记为高风险股票时，获取股票的价格趋势，当价格趋势为上涨或横盘时，将股票的修改数加1；
每个股票的修改数初始为0，当修改数为第一标准修改数时，将修改数对应的股票的标记进行改变并将修改数清零；
在具体实施过程中，第一标准修改数设置为10，当一个股票的修改数为10时，若股票被记为可购入股票，则将股票的标记改为高风险股票，若股票被记为高风险股票，则将股票的标记改为可购入股票；
步骤S3023，当使用初始模型对训练数据进行分析后，训练数据中的所有股票的修改数的和小于等于第二标准修改数时，将初始模型记为逻辑驱动模型；
步骤S4，使用逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略；
在具体实施过程中，逻辑驱动模型对交易数据进行分析后，基于逻辑驱动模型对股票的标记进行购买。
实施例2
请参阅图2，图2展示了本实施例提出的基于逻辑驱动模型的股票交易策略构建系统，利用该系统可以执行上述实施例一公开的股票价格逻辑驱动方法，该系统包括预处理模块502、数据分析模块503、模型获取模块504以及预测模块501，预处理模块502、数据分析模块503以及模型获取模块504与预测模块501通讯连接；
预处理模块502用于获取与股票相关的历史交易数据，对历史交易数据进行预处理；
预处理模块502用于获取与股票相关的历史交易数据，基于历史交易数据的年份，将历史交易数据记为历史交易数据1至历史交易数据A；
预处理模块502配置有第一数据清洗策略，第一数据清洗策略包括：
获取历史交易数据1中若干交易数据的名称，记为清理名称1至清理名称N；
获取清理名称1至清理名称N中每个清理名称出现的次数，将清理名称出现的次数大于等于第一次数阈值的清理名称记为重复名称；
当重复名称的数量大于等于第一数量阈值时，获取清理名称1至清理名称N中的若干重复名称，记为重复名称1至重复名称M；
在具体实施过程中，第一次数阈值为2，第一数量阈值为5，为了防止经过处理后历史交易数据中的交易数据过少，因此当重复名称的数量小于5时，不对重复名称对应的交易数据进行处理；
对于重复名称1至重复名称M中的每一个重复名称，将重复名称与对应的若干交易数据进行逐对查重处理，将查重率大于等于第一标准重复率的一对交易数据记为重复交易数据，在历史交易数据1中删除重复交易数据中交易数据的日期最早的交易数据；
对历史交易数据1至历史交易数据A均使用上述方法进行第一步数据清洗；
预处理模块502还配置有第二数据清洗策略，第二数据清洗策略包括：
获取历史交易数据1至历史交易数据A中所有交易数据的格式，记为数据格式1至数据格式Q，获取标准情况下的交易数据的格式，记为标准格式，将数据格式1至数据格式Q分别与标准格式进行比对，将比对结果中格式错误率大于等于第一标准错误率的数据格式记为错误格式，格式错误率＝(W1/W2)*100％，其中，W1为数据格式与标准格式不符的格式数，W2为标准格式中的总格式数；
在具体实施过程中，交易数据中的每种数据都对应一种格式，因此一个交易数据中包含若干格式，第一标准错误率为30％；
获取所有错误格式对应的交易数据，记为格式错误交易数据，将格式错误交易数据在历史交易数据中删除；
预处理模块502还配置有数据去噪策略，数据去噪策略包括：
获取历史交易数据1至历史交易数据A中的所有交易数据的文本，记为交易文本1至交易文本N；
对交易文本1进行中文分词处理；
获取股票相关的关键词数据库，将交易文本1中的所有中文词与股票相关的关键词数据库中的关键词进行比对，将比对率小于等于标准比对率的交易文本对应的交易数据在历史交易数据1至历史交易数据A中删除，将交易文本1中的中文词与股票相关的关键词数据库中的关键词相等的数量记为关键词数，比对率＝(E1/E2)*100％，其中，E1为关键词数，E2为交易文本中的中文词的数量；
在具体实施过程中使用中文分词是为了将交易文本中的若干中文词进行提取，减少后续比对处理的工作量，将标准比对率设置为25％，当交易文本的比对率小于等于25％时，说明该交易文本中包含的与股票相关的内容不多，因此没有分析处理的必要；
对交易文本1至交易文本N使用上述方法；
预处理模块502还配置有标准化处理策略，标准化处理策略包括：
对历史交易数据1至历史交易数据A中所有交易数据中的指标使用指标一致化处理，对逆指标进行倒数一致化处理；
数据分析模块503用于对预处理模块502中预处理后的数据进行数据分析；
数据分析模块503配置有图表建立策略，图表建立策略包括：
对历史交易数据1至历史交易数据A使用数据可视化处理，得到可视化图表；
获取步骤S1中每个历史交易数据的每个交易文本的关键词数，将同一个历史交易数据中的交易文本的关键词数进行相加的和记为历史交易数据对应的关键词总数；
获取历史交易数据1至历史交易数据A对应的关键词总数1至关键词总数A；
请参阅图3所示，基于关键词总数1至关键词总数A制作可视化图表，可视化图标为折线图，其中折线图的横轴的单位为时间，横轴的刻度为历史交易数据出现的时间，折线图的纵轴的单位为数量，用于表示每个历史交易数据对应的关键词总数；
数据分析模块503还配置有图表分析策略，图表分析策略包括：
获取可视化图表中大于等于第一标准数量的关键词总数对应的历史交易数据，记为热门交易数据；
获取可视化图表中小于等于第二标准数量的关键词总数对应的历史交易数据，记为冷门交易数据；
在具体实施过程中，将可视化图表中历史交易数据对应的关键词总数的最大值的70％设置为第一标准数量，将可视化图表中历史交易数据对应的关键词总数的最小值的130％设置为第二标准数量，通过对历史交易数据进行分类，有利于提高对历史交易数据进行分析的速度；
获取热门交易数据中每个交易股票的交易差，记为交易差1至交易差G，交易差等于交易股票被交易时的最高价格减去交易股票被交易时的最低价格；
将交易差1至交易差G中大于等于第一标准交易差的交易差对应的交易股票记为高波动股票；
将交易差1至交易差G中小于等于第二标准交易差的交易差对应的交易股票记为交易稳定股票；
在具体实施过程中，第一标准交易差为该商品被交易时最低价格的80％，第二标准交易差为该商品被交易时最低价格的30％；
获取冷门交易数据中每个交易股票被交易的次数，记为冷门交易次数1至冷门交易次数H；
将冷门交易次数1至冷门交易次数H中小于等于标准冷门次数的冷门交易次数对应的交易数据在历史交易数据1至历史交易数据A中删除；
在具体实施过程中，标准冷门次数为3，当股票处于冷门交易数据中且股票的交易次数小于等于3时，则股票具备的分析价值较低，应当从历史交易数据中删除；
模型获取模块504基于数据分析模块503中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
模型获取模块504配置有初始模型建立策略，初始模型建立策略包括：
随机选择历史交易数据1至历史交易数据A中的一个历史交易数据，记为初始交易数据，基于初始交易数据，建立初始模型；初始模型用于对股票所在的交易数据进行分析，并对股票进行标记；当初始交易数据为冷门交易数据时，记为高风险股票；
当初始交易数据为热门交易数据时，获取交易稳定股票，记为可购入股票；获取高波动股票，记为高风险股票；对于高波动股票之外的股票，记为可购入股票；
当初始交易数据不为热门交易数据且不为冷门交易数据时，获取初始交易数据中所有股票上涨次数，将上涨次数大于等于第一标准次数的股票记为可购入股票，将上涨次数小于第一标准次数的股票记为高风险股票；
在具体实施过程中，第一标准次数为股票出现波动的总次数的70％；
模型获取模块504还配置有模型优化策略，模型优化策略包括：
通过初始模型对历史交易数据1至历史交易数据A进行分析，每次随机获取历史交易数据1至历史交易数据A中第一训练数量的交易数据，将第一数量的交易数据记为训练数据；
通过初始模型对训练数据进行分析，对训练数据中的股票进行标记，对于训练数据中被标记后的股票；
当股票被标记为可购入股票时，获取股票的价格趋势，当价格趋势为下降时，将股票的修改数加1；当股票被标记为高风险股票时，获取股票的价格趋势，当价格趋势为上涨或横盘时，将股票的修改数加1；
每个股票的修改数初始为0，当修改数为第一标准修改数时，将修改数对应的股票的标记进行改变并将修改数清零；
在具体实施过程中，第一标准修改数设置为10，当一个股票的修改数为10时，若股票被记为可购入股票，则将股票的标记改为高风险股票，若股票被记为高风险股票，则将股票的标记改为可购入股票；
当使用初始模型对训练数据进行分析后，训练数据中的所有股票的修改数的和小于等于第二标准修改数时，将初始模型记为逻辑驱动模型；
预测模块501通过逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略；
使用逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略；
在具体实施过程中，逻辑驱动模型对交易数据进行分析后，基于逻辑驱动模型对股票的标记进行购买。
实施例3
第三方面，本申请提供一种电子设备60，包括处理器601以及存储器602，存储器602存储有计算机可读取指令，当计算机可读取指令由处理器601执行时，运行如上任意一项方法中的步骤。通过上述技术方案，处理器601和存储器602通过通信总线和/或其他形式的连接机构(未标出)互连并相互通讯，存储器602存储有处理器601可执行的计算机程序，当电子设备60运行时，处理器601执行该计算机程序，以执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：通过获取与股票相关的历史交易数据，对历史交易数据进行预处理，在预处理过程中，主要通过数据清洗、数据去噪以及标准化处理对历史交易数据进行删减以及整理，本发明还通过对将预处理后的历史交易数据进行可视化处理，得到可视化图表，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据，并基于分析结果建立初始模型，使用历史交易数据对初始模型进行优化处理，得到逻辑驱动模型。
实施例4
本实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：通过获取与股票相关的历史交易数据，对历史交易数据进行预处理，在预处理过程中，主要通过数据清洗、数据去噪以及标准化处理对历史交易数据进行删减以及整理，本发明还通过对将预处理后的历史交易数据进行可视化处理，得到可视化图表，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据，并基于分析结果建立初始模型，使用历史交易数据对初始模型进行优化处理，得到逻辑驱动模型。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质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，如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，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，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.基于逻辑驱动的股票交易策略构建方法，其特征在于，包括：
步骤S1，获取与股票相关的历史交易数据，对历史交易数据进行预处理；
步骤S2，对步骤S1中预处理后的历史交易数据进行数据分析；
步骤S3，基于步骤S2中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
步骤S4，使用逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略。
2.根据权利要求1所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S1包括如下子步骤：
步骤S101，获取与股票相关的历史交易数据，基于历史交易数据的年份，将历史交易数据记为历史交易数据1至历史交易数据A；
步骤S102，对历史交易数据1至历史交易数据A进行数据清洗；
步骤S103，对进行步骤S102后的历史交易数据1至历史交易数据A进行数据去噪；
步骤S104，对进行步骤S103后的历史交易数据1至历史交易数据A进行标准化处理。
3.根据权利要求2所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S102包括如下子步骤：
步骤S1021，获取历史交易数据1中若干交易数据的名称，记为清理名称1至清理名称N；
获取清理名称1至清理名称N中每个清理名称出现的次数，将清理名称出现的次数大于等于第一次数阈值的清理名称记为重复名称；
当重复名称的数量大于等于第一数量阈值时，获取清理名称1至清理名称N中的若干重复名称，记为重复名称1至重复名称M；
对于重复名称1至重复名称M中的每一个重复名称，将重复名称与对应的若干交易数据进行逐对查重处理，将查重率大于等于第一标准重复率的一对交易数据记为重复交易数据，在历史交易数据1中删除重复交易数据中交易数据的日期最早的交易数据；
步骤S1022，对历史交易数据1至历史交易数据A均使用步骤S1021进行第一步数据清洗；
步骤S1023，对经过步骤S1012的历史交易数据1至历史交易数据A进行第二步数据清洗，所述第二步数据清洗包括：
获取历史交易数据1至历史交易数据A中所有交易数据的格式，记为数据格式1至数据格式Q，获取标准情况下的交易数据的格式，记为标准格式，将数据格式1至数据格式Q分别与标准格式进行比对，将比对结果中格式错误率大于等于第一标准错误率的数据格式记为错误格式，所述格式错误率＝(W1/W2)*100％，其中，W1为数据格式与标准格式不符的格式数，W2为标准格式中的总格式数；
获取所有错误格式对应的交易数据，记为格式错误交易数据，将格式错误交易数据在历史交易数据中删除。
4.根据权利要求3所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S103包括如下子步骤：
步骤S1031，获取历史交易数据1至历史交易数据A中的所有交易数据的文本，记为交易文本1至交易文本N；
步骤S1032，对交易文本1进行中文分词处理；
获取股票相关的关键词数据库，将交易文本1中的所有中文词与股票相关的关键词数据库中的关键词进行比对，将比对率小于等于标准比对率的交易文本对应的交易数据在历史交易数据1至历史交易数据A中删除，将交易文本1中的中文词与股票相关的关键词数据库中的关键词相等的数量记为关键词数，所述比对率＝(E1/E2)*100％，其中，E1为关键词数，E2为交易文本中的中文词的数量；
步骤S1033，对交易文本1至交易文本N使用步骤S1032进行处理。
5.根据权利要求4所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S104包括如下子步骤：
步骤S1041，对历史交易数据1至历史交易数据A中所有交易数据中的指标使用指标一致化处理；
步骤S1042，对步骤S1041中的指标进行一致化处理过程中，对逆指标进行倒数一致化处理。
6.根据权利要求5所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S2包括如下子步骤：
步骤S201，对历史交易数据1至历史交易数据A使用数据可视化处理，得到可视化图表；
步骤S202，对可视化图表进行分析，基于分析结果得到热门交易数据以及冷门交易数据；
步骤S203，获取热门交易数据中每个交易股票的交易差，记为交易差1至交易差G，所述交易差等于交易股票被交易时的最高价格减去交易股票被交易时的最低价格；
将交易差1至交易差G中大于等于第一标准交易差的交易差对应的交易股票记为高波动股票；
将交易差1至交易差G中小于等于第二标准交易差的交易差对应的交易股票记为交易稳定股票；
步骤S204，获取冷门交易数据中每个交易股票被交易的次数，记为冷门交易次数1至冷门交易次数H；
将冷门交易次数1至冷门交易次数H中小于等于标准冷门次数的冷门交易次数对应的交易数据在历史交易数据1至历史交易数据A中删除；
所述步骤S201包括：
获取步骤S1中每个历史交易数据的每个交易文本的关键词数，将同一个历史交易数据中的交易文本的关键词数进行相加的和记为历史交易数据对应的关键词总数；
获取历史交易数据1至历史交易数据A对应的关键词总数1至关键词总数A；
基于关键词总数1至关键词总数A制作可视化图表；
所述步骤S202包括：
获取可视化图表中大于等于第一标准数量的关键词总数对应的历史交易数据，记为热门交易数据；
获取可视化图表中小于等于第二标准数量的关键词总数对应的历史交易数据，记为冷门交易数据。
7.根据权利要求6所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S3包括如下子步骤：
步骤S301，随机选择历史交易数据1至历史交易数据A中的一个历史交易数据，记为初始交易数据，基于初始交易数据，建立初始模型；
步骤S302，使用历史交易数据1至历史交易数据A对初始模型进行优化处理，得到逻辑驱动模型；
所述步骤S301包括如下子步骤：
步骤S3011，所述初始模型用于对股票所在的交易数据进行分析，并对股票进行标记；
当初始交易数据为热门交易数据时，获取交易稳定股票，记为可购入股票；获取高波动股票，记为高风险股票；对于高波动股票之外的股票，记为可购入股票；
步骤S3012，当初始交易数据为冷门交易数据时，记为高风险股票；
步骤S3013，当初始交易数据不为热门交易数据且不为冷门交易数据时，获取初始交易数据中所有股票上涨次数，将上涨次数大于等于第一标准次数的股票记为可购入股票，将上涨次数小于第一标准次数的股票记为高风险股票。
8.根据权利要求7所述的基于逻辑驱动的股票交易策略构建方法，其特征在于，所述步骤S302包括如下子步骤：
步骤S3021，通过初始模型对历史交易数据1至历史交易数据A进行分析，每次随机获取历史交易数据1至历史交易数据A中第一训练数量的交易数据，将第一数量的交易数据记为训练数据；
步骤S3022，通过初始模型对训练数据进行分析，对训练数据中的股票进行标记，对于训练数据中被标记后的股票；
当股票被标记为可购入股票时，获取股票的价格趋势，当价格趋势为下降时，将股票的修改数加1；当股票被标记为高风险股票时，获取股票的价格趋势，当价格趋势为上涨或横盘时，将股票的修改数加1；
每个股票的修改数初始为0，当修改数为第一标准修改数时，将修改数对应的股票的标记进行改变并将修改数清零；
步骤S3023，当使用初始模型对训练数据进行分析后，训练数据中的所有股票的修改数的和小于等于第二标准修改数时，将初始模型记为逻辑驱动模型。
9.适用于权利要求1-8任意一项所述的基于逻辑驱动的股票交易策略构建方法的系统，其特征在于，包括预处理模块、数据分析模块、模型获取模块以及预测模块，所述预处理模块、数据分析模块以及模型获取模块与预测模块通讯连接；
所述预处理模块用于获取与股票相关的历史交易数据，对历史交易数据进行预处理；
所述数据分析模块用于对预处理模块中预处理后的历史交易数据进行数据分析；
所述模型获取模块基于数据分析模块中的分析结果搭建逻辑驱动模型，并对逻辑驱动模型进行优化；
所述预测模块通过逻辑驱动模型对实际交易进行预测，并基于预测结果制定相应的交易策略。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-8任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311511174.XA CN117495564A (zh) | 2023-11-14 | 2023-11-14 | 基于逻辑驱动的股票交易策略构建方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311511174.XA CN117495564A (zh) | 2023-11-14 | 2023-11-14 | 基于逻辑驱动的股票交易策略构建方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117495564A true CN117495564A (zh) | 2024-02-02 |
Family
ID=89667226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311511174.XA Pending CN117495564A (zh) | 2023-11-14 | 2023-11-14 | 基于逻辑驱动的股票交易策略构建方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495564A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765146A (zh) * | 2018-04-25 | 2018-11-06 | 武汉灯塔之光科技有限公司 | 一种根据已有曲线形态选取特定曲线股票的方法和装置 |
| CN110335152A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨工业大学 | 基于标签组合的股市分析方法 |
| CN113781224A (zh) * | 2021-09-13 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种股票交易数据的预测方法及其系统 |
| KR102453549B1 (ko) * | 2022-01-04 | 2022-10-14 | 주식회사 슈페릭스 | 인공지능과 빅데이터를 이용하여 자동 트레이딩 봇을 지원하는 주식 거래 플랫폼 서버 및 이의 동작 방법 |
| CN116109006A (zh) * | 2023-03-07 | 2023-05-12 | 西安电子科技大学 | 一种股票长期趋势预测方法、系统、设备及介质 |
-
2023
- 2023-11-14 CN CN202311511174.XA patent/CN117495564A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765146A (zh) * | 2018-04-25 | 2018-11-06 | 武汉灯塔之光科技有限公司 | 一种根据已有曲线形态选取特定曲线股票的方法和装置 |
| CN110335152A (zh) * | 2019-07-10 | 2019-10-15 | 哈尔滨工业大学 | 基于标签组合的股市分析方法 |
| CN113781224A (zh) * | 2021-09-13 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种股票交易数据的预测方法及其系统 |
| KR102453549B1 (ko) * | 2022-01-04 | 2022-10-14 | 주식회사 슈페릭스 | 인공지능과 빅데이터를 이용하여 자동 트레이딩 봇을 지원하는 주식 거래 플랫폼 서버 및 이의 동작 방법 |
| CN116109006A (zh) * | 2023-03-07 | 2023-05-12 | 西安电子科技大学 | 一种股票长期趋势预测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8762180B2 (en) | Claims analytics engine | |
| US20220343433A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
| CN117807377B (zh) | 多维度物流数据挖掘与预测方法及系统 | |
| Amin et al. | Application of optimistic and pessimistic OWA and DEA methods in stock selection | |
| CN115049137A (zh) | 交易收益率的预测方法及装置、存储介质、电子设备 | |
| CN114298172A (zh) | 一种基于经济价值及风险预测的预警方法及系统 | |
| CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
| CN111242779B (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| CN111738610A (zh) | 一种基于舆情数据的企业流失性风险预警系统和方法 | |
| Handoyo et al. | Factors influencing audit quality of banking business sector in Indonesia | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| CN116596662A (zh) | 基于企业舆情信息的风险预警的方法、装置、电子设备和介质 | |
| CN117422321A (zh) | 专利价值评估方法、装置、电子设备和存储介质 | |
| CN117495564A (zh) | 基于逻辑驱动的股票交易策略构建方法、系统及介质 | |
| Muramiya et al. | A research note: Quality of financial inputs and management earnings forecast accuracy in Japan | |
| WO2022271431A1 (en) | System and method that rank businesses in environmental, social and governance (esg) | |
| CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
| CN112668796A (zh) | 回款预测方法及系统 | |
| CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
| CN112685563A (zh) | 生产经营视角下的现金流数据处理方法和装置 | |
| Oelerich et al. | Evaluation of rating systems | |
| CN117726468B (zh) | 一种ai财税机器人的财税管理方法、系统及应用 | |
| Yang et al. | Debt enforcement, financial leverage, and product failures: Evidence from China and the United States | |
| Bane | Auto Trading with ML |
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 |