TWI661380B - 利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 - Google Patents
利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 Download PDFInfo
- Publication number
- TWI661380B TWI661380B TW106145302A TW106145302A TWI661380B TW I661380 B TWI661380 B TW I661380B TW 106145302 A TW106145302 A TW 106145302A TW 106145302 A TW106145302 A TW 106145302A TW I661380 B TWI661380 B TW I661380B
- Authority
- TW
- Taiwan
- Prior art keywords
- day
- price
- historical
- line chart
- values
- Prior art date
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明係提供了一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析系統及分析方法,該分析系統係包括:一擷取模組、一比對模組、一排列模組及一統計模組。而該分析系統及分析方法係利用連續三日K線圖之歷史軌跡經由科學計算而比對得出近似之程度再透過近似之程度進行分類統計,以預測隔日漲跌機率,這樣便能利用科學的統計方法及實際數據,進而對投資人提出較為準確的分析結果,並聚焦在連續三日K線圖的資訊而非單一K線圖,以在比對相似程度時,具有較高之可靠性,達到提升分析結果準確性的目的。
Description
本發明係屬於股市分析的領域,特別是關於一種透過科學之方法以利用連續三日K線圖之歷史軌跡進而預測隔日漲跌機率之分析方法及系統。
按,於現在資訊發達的時代,「理財」在人們生活中出現的頻率越來越高,尤其隨著網路技術的進步,每個人都能快速取得所有需要的理財及金融資訊,而股票投資係為人們較為常見之理財方式。一般來說,投資股票的過程中,投資人常將注意力集中在要買什麼股票,和決定什麼時候該進行買或賣之交易動作,因此很多投資人學習了許多如何進場的方法,而進場後,則開始針對各種投資的指標和消息不斷的鑽研,最常為投資人關注並加以分析判斷的指標係為K線圖。但由於傳統分析K線圖之方式係透過人們過往的投資經驗累積以進行判斷,因此每個人都有自己的一套分析方式,亦因為是自身主觀的分析方式,所以投資人未必都能從股票投資中獲利。
因此,為了投資人的方便,便有人根據多年的經驗和主觀意見而推論出一套單日K線圖或複合型態K線圖之觀察方式。請參閱第1A圖及1B圖,其係為習知的單一K線型態和複合式K線型態示意圖,如圖中所示,每一種K線態樣都有一些前人歸納出可能的後續走勢,雖然能方
便投資人統整資料,但由於歸納出之態樣太多,投資人在判斷上還需要去比對各種態樣並找尋相關資訊,十分不便。所以現在就有很多幫助投資人進行比對的投資分析系統,如中華民國第I488138號專利所提及之技術內容,便是能幫助投資人快速比對出此種歸納法所歸納出的態樣,並通知投資者關於所搜尋出態樣的分析資訊,以便投資人進行後續的投資判斷。然而,若是當下投資人欲查詢的線圖並未與這種歸納法所歸納出之任一種態樣相符時,系統便無法對投資者提出建議,或是必須透過找尋相似的態樣而給出相關投資建議,這樣反而會使投資者得到錯誤的資訊,進而做出錯誤的判斷。並且,由於系統所使用的歸納法如上述係為經驗上的累積加上主觀意見的推導,因此缺乏詳細的統計數據或理論支持,導致所歸納出的態樣僅為方便投資人記憶並幫助統整資料,但在投資方向的建議上並未具有足夠的可靠性。
有鑑於此,本發明人感其未臻完善而竭其心智苦心研究,並憑其從事該項產業多年之累積經驗,進而提供一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統,以期可以改善上述習知技術之缺失。
於是,本發明之一目的,旨在提供一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統,俾利用科學的統計方法及實際數據,進而對投資人提出較為準確的分析結果,並聚焦在連續三日K線圖的資訊而非單一K線圖,以進行分析統計之流程,達到提升分析結果準確性的目的。
為達上述目的,本發明之利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析方法,其方法包括:擷取一預測股之一三日K線圖資訊,該三日K線圖資訊內係具有複數第一特徵值;比對該三日K線圖資訊與複數歷史軌跡之相似程度,每一該歷史軌跡內各具有複數第二特徵值;其中,比對之方式為該等第一特徵值分別與每一該歷史軌跡之該等第二特徵值進行計算並得出複數近似值;排列該等歷史軌跡,並依據該等近似值的數值以由小到大之方式排列,並選取前60~100筆之該等歷史軌跡;及統計所選出之每一該歷史軌跡隔日的漲跌結果,並根據統計之結果預測出該三日K線圖資訊之隔日的漲跌機率;其中,該等歷史軌跡係為股票交易市場各股歷年之三日K線圖歷史資訊。
並且,本發明並提供了一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析系統,其包括:一擷取模組,其係供以擷取一預測股之一三日K線圖資訊,該三日K線圖資訊內係具有複數第一特徵值;一比對模組,其係供以比對該三日K線圖資訊與複數歷史軌跡之相似程度,每一該歷史軌跡內各具有複數第二特徵值;其中,比對之方式為該等第一特徵值分別與每一該歷史軌跡之該等第二特徵值進行計算並得出複數近似值,並且該等歷史軌跡係為股票交易市場各股歷年之三日K線圖歷史資訊;一排列模組,其係供以排列該等歷史軌跡,並依據該等近似值的數值以由小到大之方式排列,並選取前60~100筆之該等歷史軌跡;及一統計模組,其係供以統計所選出之每一該歷史軌跡隔日的漲跌結果,並根據統計之結果預測出該三日K線圖資訊之隔日的漲跌機率。
基於上述之方法及裝置中,在「比對該三日K線圖資訊與
複數歷史軌跡之相似程度」的步驟中或是在該比對模組中,所比對之該等歷史軌跡係僅為該預測股歷年之三日K線圖歷史資訊,以使所預測出之漲跌機率較為符合那間公司的歷年表現,提升準確率。
較佳者,該等第一特徵值及每一該歷史軌跡之該等第二特徵值係皆包含第一日的開盤價、最高價、最低價、收盤價,第二日的開盤價、最高價、最低價、收盤價和第三日的開盤價、最高價、最低價、收盤價。並且,詳細之比對方式係為將該等第一特徵值之第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第一演算值;再將每一該歷史軌跡之該等第二特徵值的第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第二演算值;接著,將該等第一演算值與對應之該等第二演算值兩兩相減後得出11個第三演算值,再將該等第三演算值各別平方後加總得出其中之一該近似值。這樣便能透過科學之計算方式,將較為近似的資料搜尋出來進行統計。
較佳者,當該預測股之漲跌機率大於等於70%時,推薦該預測股,以讓投資人進行後續的買賣判斷。
如此一來,本發明透過搜尋歷年的連續三日K線圖歷史資訊並進行比對和統計,並且比對之方式係經由科學計算而得出近似之程度,而使此分析方法及系統具有詳細的數據支持,進而對投資人提出較為明確且詳細的分析結果及預測機率。
1‧‧‧分析系統
11‧‧‧擷取模組
12‧‧‧比對模組
13‧‧‧排列模組
14‧‧‧統計模組
15‧‧‧推薦模組
S001~S005‧‧‧步驟
第1A圖,為單日K線示意圖。
第1B圖,為習知之複合式K線示意圖。
第2圖,為本發明較佳實施例之流程圖。
第3圖,為本發明較佳實施例之方塊圖。
為使 貴審查委員能清楚了解本發明之內容,謹以下列說明搭配圖式,為使便於理解,下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第2圖和第3圖,係為本發明較佳實施例的流程圖和方塊圖。如圖中所示,在本實施例中,本發明提供了一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析系統1,其包括:一擷取模組11、一比對模組12、一排列模組13、一統計模組14及一推薦模組15。
本發明之系統與方法技術彼此係密不可分,故以下將一併說明二者間之運作及相互連結關係。其中該分析系統1所使用之分析方法包括:透過該擷取模組11擷取一預測股之一三日K線圖資訊(步驟S001),其中,該三日K線圖資訊內係具有複數第一特徵值,並且在本實施例中,該等第一特徵值係包含第一日的開盤價、最高價、最低價、收盤價,第二日的開盤價、最高價、最低價、收盤價和第三日的開盤價、最高價、最低價、收盤價。接著,透過該比對模組12比對該三日K線圖資訊與複數歷史軌跡之相似程度(步驟S002),而在本實施例中,每一該歷史軌跡內各具有複數第二特徵值,且該等第二特徵值係包含第一日的開盤價、最高價、最低價、收盤價,第二日的開盤價、最高價、最低價、收盤價和第三日的開盤價、
最高價、最低價、收盤價。
其中,比對之方式詳如下所述。首先,將該等第一特徵值之第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第一演算值。再將其中之一該歷史軌跡之該等第二特徵值的第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第二演算值。該等第一演算值和該等第二演算值係如下表1所示:
其中,t為第一日,t+1為第二日,t+2為第三日,C和C代表收盤價,H和H代表最高價,L和L代表最低價,O和O代表開盤價。
再來,將該等第一演算值與對應之該等第二演算值兩兩相減後得出11個第三演算值,亦即將表1中各編號對應欄位相減後得出該等第三演算值,再將該等第三演算值分別平方後加總得出代表此一該歷史軌跡與該三日K線圖資訊之相似程度的該近似值。並且,重複多次上述之比對方式直到該
等歷史軌跡皆比對完成。
接著,當比對完成後,再透過該排列模組13依據該等近似值的數值以由小到大之方式排列該等歷史軌跡,並選取前60~100筆之該等歷史軌跡(步驟S003),在本實施例中,較佳者係選出75筆該等歷史軌跡,這樣能使計算資源與準確度達到平衡,以在保證預測之準確度的同時,不過度佔用計算所需的資源。在選出這些歷史軌跡後,透過該統計模組14統計所選出之每一該歷史軌跡隔日的漲跌結果,並根據統計之結果預測出該三日K線圖資訊之隔日的漲跌機率(步驟S004),例如統計結果為50個該等歷史軌跡在隔日出現漲的情況,和25個該等歷史軌跡在隔日出現跌的情況,則機率為50/75=66.67%,並標示為漲的機率,而當某些歷史軌跡之隔日出現平盤的狀態時,則統計為漲。
此外,該等歷史軌跡係為股票交易市場各股歷年之三日K線圖歷史資訊,以使可供比對之樣本數增加,提升總體準確率,但該等歷史軌跡亦可以僅為該預測股歷年之三日K線圖歷史資訊,以使所預測出之漲跌機率較為符合那間公司的歷年表現,提升個體之準確率,因此不以此為限。最後,在本實施例中,當該預測股所分析出之漲跌機率大於等於70%時,透過該推薦模組15係推薦該預測股(步驟S005),這樣便能讓使用本分析系統1之投資人得到比較明確且有預測基礎之分析結果。
綜上所述,透過本發明所提供之分析方法及分析系統1,係可科學的統計方法及詳細數據來佐證並實際提出所預測之漲跌機率,而非是如傳統利用觀看單日K線或是複合式K線後再根據他人歸納之走勢、自身經驗或主觀意識進行籠統且模糊的判斷,進而對投資人提出較為明確且
詳細的分析結果及預測機率。並且,透過將搜尋及比對之資訊聚焦在連續三日K線圖的資訊而非單一K線圖,以在比對相似程度時,具有較高之可靠性,進而達到提升預測機率之準確性的功效。
惟,以上所述者,僅為本發明之較佳實施例而已,並非用以限定本發明實施之範圍,故該所屬技術領域中具有通常知識者,或是熟悉此技術所作出等效或輕易的變化者,在不脫離本發明之精神與範圍下所作之均等變化與修飾,皆應涵蓋於本發明之專利範圍內。
Claims (6)
- 一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析方法,其方法包括:擷取一預測股之一三日K線圖資訊,該三日K線圖資訊內係具有複數第一特徵值;比對該三日K線圖資訊與複數歷史軌跡之相似程度,每一該歷史軌跡內各具有複數第二特徵值;其中,比對之方式為該等第一特徵值分別與每一該歷史軌跡之該等第二特徵值進行計算並得出複數近似值;排列該等歷史軌跡,並依據該等近似值的數值以由小到大之方式排列,並選取前60~100筆之該等歷史軌跡;及統計所選出之每一該歷史軌跡隔日的漲跌結果,並根據統計之結果預測出該三日K線圖資訊之隔日的漲跌機率;其中,該等歷史軌跡係為股票交易市場各股歷年之三日K線圖歷史資訊;該等第一特徵值及每一該歷史軌跡之該等第二特徵值係皆包含第一日的開盤價、最高價、最低價、收盤價,第二日的開盤價、最高價、最低價、收盤價和第三日的開盤價、最高價、最低價、收盤價;比對方式係為將該等第一特徵值之第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第一演算值;再將每一該歷史軌跡之該等第二特徵值的第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第二演算值;接著,將該等第一演算值與對應之該等第二演算值兩兩相減後得出11個第三演算值,再將該等第三演算值各別平方後加總得出其中之一該近似值。
- 如申請專利範圍第1項所述之分析方法,其中,在「比對該三日K線圖資訊與複數歷史軌跡之相似程度」的步驟中,所比對之該等歷史軌跡係僅為該預測股歷年之三日K線圖歷史資訊。
- 如申請專利範圍第2項所述之分析方法,其中,當該預測股之漲跌機率大於等於70%時,推薦該預測股。
- 一種利用連續三日K線圖之歷史軌跡以預測隔日漲跌機率之分析系統,其包括:一擷取模組,其係供以擷取一預測股之一三日K線圖資訊,該三日K線圖資訊內係具有複數第一特徵值;一比對模組,其係供以比對該三日K線圖資訊與複數歷史軌跡之相似程度,每一該歷史軌跡內各具有複數第二特徵值;其中,比對之方式為該等第一特徵值分別與每一該歷史軌跡之該等第二特徵值進行計算並得出複數近似值,並且該等歷史軌跡係為股票交易市場各股歷年之三日K線圖歷史資訊;一排列模組,其係供以排列該等歷史軌跡,並依據該等近似值的數值以由小到大之方式排列,並選取前60~100筆之該等歷史軌跡;及一統計模組,其係供以統計所選出之每一該歷史軌跡隔日的漲跌結果,並根據統計之結果預測出該三日K線圖資訊之隔日的漲跌機率;該等第一特徵值及每一該歷史軌跡之該等第二特徵值係皆包含第一日的開盤價、最高價、最低價、收盤價,第二日的開盤價、最高價、最低價、收盤價和第三日的開盤價、最高價、最低價、收盤價;詳細之比對方式係為將該等第一特徵值之第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第一演算值;再將每一該歷史軌跡之該等第二特徵值的第一日、第二日和第三日的開盤價、最高價和最低價分別除以對應當日的收盤價,並將第二日和第三日的收盤價分別除以第一日的收盤價而得到11個第二演算值;接著,將該等第一演算值與對應之該等第二演算值兩兩相減後得出11個第三演算值,再將該等第三演算值各別平方後加總得出其中之一該近似值。
- 如申請專利範圍第4項所述之分析系統,其中,該比對模組係僅針對該等歷史軌跡中該預測股歷年之三日K線圖歷史資訊進行比對。
- 如申請專利範圍第5項所述之分析系統,更包含一推薦模組,其係供以當該預測股之漲跌機率大於等於70%時,推薦該預測股。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145302A TWI661380B (zh) | 2017-12-22 | 2017-12-22 | 利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145302A TWI661380B (zh) | 2017-12-22 | 2017-12-22 | 利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI661380B true TWI661380B (zh) | 2019-06-01 |
TW201928843A TW201928843A (zh) | 2019-07-16 |
Family
ID=67764049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106145302A TWI661380B (zh) | 2017-12-22 | 2017-12-22 | 利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI661380B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060036542A1 (en) * | 2004-07-09 | 2006-02-16 | Mcnair Douglas S | System and method for behavioral finance |
US20090063359A1 (en) * | 2007-08-27 | 2009-03-05 | Connors Laurence A | Method of presenting predictive data of financial securities |
US20110320384A1 (en) * | 2010-06-24 | 2011-12-29 | Cherng Chang | Stock market filters |
TWM502915U (zh) * | 2014-09-03 | 2015-06-11 | Cmoney Technology Co Ltd | 股票資訊裝置 |
TW201528185A (zh) * | 2014-01-03 | 2015-07-16 | Univ Cheng Shiu | 以量價技術指標預測股票趨勢之方法 |
CN106355503A (zh) * | 2016-11-26 | 2017-01-25 | 洪志令 | 一种基于自相关排序的股票趋势分析与选股方法 |
CN106780020A (zh) * | 2016-11-23 | 2017-05-31 | 吴梅红 | 一种基于强匹配排序的股票趋势分析与选股方法 |
US20170161832A1 (en) * | 2015-12-08 | 2017-06-08 | Matthew T. Dennehy | System and method for tracking stock fluctuations |
-
2017
- 2017-12-22 TW TW106145302A patent/TWI661380B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060036542A1 (en) * | 2004-07-09 | 2006-02-16 | Mcnair Douglas S | System and method for behavioral finance |
US20090063359A1 (en) * | 2007-08-27 | 2009-03-05 | Connors Laurence A | Method of presenting predictive data of financial securities |
US20110320384A1 (en) * | 2010-06-24 | 2011-12-29 | Cherng Chang | Stock market filters |
TW201528185A (zh) * | 2014-01-03 | 2015-07-16 | Univ Cheng Shiu | 以量價技術指標預測股票趨勢之方法 |
TWM502915U (zh) * | 2014-09-03 | 2015-06-11 | Cmoney Technology Co Ltd | 股票資訊裝置 |
US20170161832A1 (en) * | 2015-12-08 | 2017-06-08 | Matthew T. Dennehy | System and method for tracking stock fluctuations |
CN106780020A (zh) * | 2016-11-23 | 2017-05-31 | 吴梅红 | 一种基于强匹配排序的股票趋势分析与选股方法 |
CN106355503A (zh) * | 2016-11-26 | 2017-01-25 | 洪志令 | 一种基于自相关排序的股票趋势分析与选股方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201928843A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khedr et al. | Predicting stock market behavior using data mining technique and news sentiment analysis | |
Chen et al. | Modeling public mood and emotion: Stock market trend prediction with anticipatory computing approach | |
Bastos et al. | Clustering financial time series with variance ratio statistics | |
US10067964B2 (en) | System and method for analyzing popularity of one or more user defined topics among the big data | |
US20190303395A1 (en) | Techniques to determine portfolio relevant articles | |
Cerón-Guzmán et al. | A sentiment analysis system of Spanish tweets and its application in Colombia 2014 presidential election | |
Steele et al. | Algorithms for data science | |
Roni et al. | Return and volatility spillovers effects: Study of Asian emerging stock markets | |
Wang et al. | Effect of digitalized rumor clarification on stock markets | |
EP3407209A1 (en) | Apparatus and method for extracting and storing events from a plurality of heterogeneous sources | |
Boďa et al. | Predicting financial distress of Slovak agricultural enterprises | |
Pai et al. | Using internet search trends and historical trading data for predicting stock markets by the least squares support vector regression model | |
EP4044094A1 (en) | System and method for determining and managing reputation of entities and industries through use of media data | |
US10719561B2 (en) | System and method for analyzing popularity of one or more user defined topics among the big data | |
Schwemmer et al. | Automated image analysis for studying online behaviour | |
Darena et al. | Machine learning-based analysis of the association between online texts and stock price movements | |
Vuong et al. | A bibliometric literature review of stock price forecasting: from statistical model to deep learning approach | |
TWI661380B (zh) | 利用連續三日k線圖之歷史軌跡以預測隔日漲跌機率之分析方法及系統 | |
Ayvaz et al. | A scalable streaming big data architecture for real-time sentiment analysis | |
Cheng et al. | A quarterly time-series classifier based on a reduced-dimension generated rules method for identifying financial distress | |
Nguyen et al. | RDP 2020-08: Start Spreading the News: News Sentiment and Economic Activity in Australia | |
Leung et al. | Social-media sentiment, portfolio complexity, and stock returns | |
Chen et al. | The Relationship Between Twitter Sentiment and Stock Performance: A Decision Tree Approach | |
Kumar | Examining the dynamic and non-linear linkages between crude oil price and Indian stock market volatility | |
Wong et al. | GANStick: US stock forecasting with GAN-generated candlesticks |