專利名稱：計算機(jī)平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法
計算機(jī)平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法[技術(shù)領(lǐng)域]
本發(fā)明涉及計算機(jī)程序技術(shù)領(lǐng)域，具體地說是一種計算機(jī)平臺結(jié)合Hurst模型顯 示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法。[背景技術(shù)]
關(guān)于股票價格能否預(yù)測一直存在很大的爭議。傳統(tǒng)的“有效市場假說(EMH) ”認(rèn)為 市場的價格充分反映所有的可得信息。價格的變化互不相關(guān)，市場是隨機(jī)波動的，未來趨勢 不可預(yù)測。然而現(xiàn)有研究表明，交易市場變動并不完全遵循正態(tài)分布規(guī)律，股票市場的收益 率往往具有“尖峰厚尾”的特性，其方差也表現(xiàn)出不平穩(wěn)、波動時聚性和長期記憶性的特征。 有效市場假說和隨機(jī)游走理論這種過于理想和簡化的線性范式并不適合中國股市。
股票市場上的投資分析和風(fēng)險評估大都是基于對未來價格走勢的預(yù)測判斷。目前 對于股票趨勢進(jìn)行預(yù)測的證券分析方法也有很多，有基于傳統(tǒng)技術(shù)分析方法的趨勢分析理 論，也有基于現(xiàn)代數(shù)量分析的預(yù)測技術(shù)，其原理要么是對直接反映證券市場交易行為的量 價數(shù)據(jù)進(jìn)行簡單的分析以預(yù)測未來的價格趨勢，要么是建立在對收益風(fēng)險的預(yù)期均衡下對 未來的價格進(jìn)行預(yù)測。這些方法都局限與對短期趨勢的預(yù)測，而我們知道股票市場是一個 瞬息萬變的復(fù)雜的系統(tǒng)，各種未知突發(fā)事件隨時可能會對股價造成巨大沖擊，價格的短期 波動面臨著很大的不確定性，絕對意義上的預(yù)測并不現(xiàn)實。
但從長期來看，股市牛熊交替，價格跌宕起伏，歷史總在不停的重演，有一種內(nèi)在 的力量在驅(qū)動著趨勢的周期波動了。既然股票市場是一個非線性的、復(fù)雜的、交互作用的系 統(tǒng)。我們需要用非線性的方法來分析和解釋股票市場的問題，挖掘其周期波動內(nèi)在規(guī)律。赫 斯特指數(shù)為分形布朗運動理論中定量描述時間序列長程記憶性的一個指標(biāo)，最初由水文學(xué) 家赫斯特在1951年提出。[發(fā)明內(nèi)容]
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于分形布朗理論Hurst模型 和C++程序平臺計算股指趨勢強(qiáng)弱及確定股票數(shù)據(jù)反轉(zhuǎn)點的方法，以便判斷股票指數(shù)的長 期趨勢，以及確定反轉(zhuǎn)點、反轉(zhuǎn)點反轉(zhuǎn)強(qiáng)度、趨勢強(qiáng)度。
為實現(xiàn)上述目的設(shè)計一種計算機(jī)平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng) 計方法，包括計算機(jī)連接網(wǎng)絡(luò)，其特征在于該方法包括以下步驟
a、源數(shù)據(jù)輸入從外部數(shù)據(jù)源獲取需要被處理的，能反映股市特征的指標(biāo)數(shù)據(jù)，收 盤價，開盤價，成交量存入本地數(shù)據(jù)庫；
b、數(shù)據(jù)清理通過一個嵌入該數(shù)據(jù)庫的指定C++程序來前期處理該數(shù)據(jù)庫，所述 的程序邏輯如下A.用基于GARCH時間序列模型對數(shù)據(jù)進(jìn)行前期的數(shù)據(jù)清理，過濾信號噪 聲，消除偶然事件帶來的偏離原分形布朗運動分布較大的離散點；B.并將處理過的優(yōu)化數(shù) 據(jù)存儲在本地數(shù)據(jù)庫中；
C、模擬測試用同分布模擬數(shù)據(jù)進(jìn)行模型測試，驗證hurst指數(shù)參數(shù)估計的準(zhǔn)確 度，所述的驗證步驟如下A.先設(shè)定需要估計的一系列Hurst理論值，按照FGN分布隨機(jī)生 成一系列時間序列；B.通過重標(biāo)極差算法方法計算該組隨機(jī)序列的Hurst值并與理論值對 比，并微調(diào)R/S擬合參數(shù)，得到模擬測試結(jié)果；
d、以上的模擬測試結(jié)果的誤差需在1 %以下；如果不滿足誤差需求，需要打回在 數(shù)據(jù)初步清理部分調(diào)整作為標(biāo)準(zhǔn)的數(shù)據(jù)分布規(guī)律，然后重新清理，并繼續(xù)用模擬數(shù)據(jù)進(jìn)行 模型測試，直到測試符合誤差需求；
e、讀取該數(shù)據(jù)庫的優(yōu)化數(shù)據(jù)，設(shè)置訓(xùn)練數(shù)據(jù)長度在150-400交易日之間變化，根 據(jù)數(shù)據(jù)優(yōu)化得到最佳訓(xùn)練數(shù)據(jù)長度T，作為整個方法的輸入變量；
f、基于Hurst分形理論，以步驟b中所得到的優(yōu)化數(shù)據(jù)為基礎(chǔ)，步驟d中的訓(xùn)練數(shù) 據(jù)長度為標(biāo)準(zhǔn)，應(yīng)用重標(biāo)極差算法得到所需要的Hurst值，由此計算出所需要的Hurst值， 同時保存在本地數(shù)據(jù)庫中；
g、對保存于數(shù)據(jù)庫中的Hurst值進(jìn)行后期判斷，定義“反轉(zhuǎn)點”，可分為以下幾個 子步驟·Λ.繪制同樣時間段、刻度相同的兩幅圖，一幅為指數(shù)收盤價走勢圖，一幅為Hurst 曲線圖，并在Hurst走勢圖上畫出其長期均線圖及其短期均線圖；其中，短期均線，長期均 線參數(shù)與大盤默認(rèn)均線系統(tǒng)參數(shù)一致；B.用以下標(biāo)準(zhǔn)選取出滿足條件的Hurst曲線反轉(zhuǎn) 點1)H值比H的短期均線值低0. 015以上；2)H小于長期均值；3)H滿足1)2)之后的位于 穩(wěn)定小于均值區(qū)間段的最低點；C.將滿足條件的Hurst反轉(zhuǎn)點在A中原始指標(biāo)數(shù)據(jù)的圖示 下特別標(biāo)出；D.將每個交易日大盤收盤價數(shù)據(jù)曲線與Hurst值的數(shù)據(jù)曲線上下對應(yīng)畫出， 統(tǒng)一時間軸；
h、由每個Hurst的反轉(zhuǎn)點(局域低點)定義反轉(zhuǎn)點強(qiáng)度，反轉(zhuǎn)點強(qiáng)度由反轉(zhuǎn)點具 體的H值決定
1)H < 0. 44反轉(zhuǎn)點強(qiáng)度
2)0.44 彡 H< 0.46反轉(zhuǎn)點強(qiáng)度★★★★☆
3)0. 46 ^ H< 0. 48反轉(zhuǎn)點強(qiáng)度★★★☆☆
4)0. 48 ^ H< 0.50反轉(zhuǎn)點強(qiáng)度★★☆☆☆
5)0. 50 ^ H反轉(zhuǎn)點強(qiáng)度★☆☆☆☆
i、由每個交易日的Hurst值定義“趨勢力量強(qiáng)、中、弱”，趨勢強(qiáng)度的對應(yīng)如下
1) H彡0.52，“趨勢力量強(qiáng)”，
2)0. 51 < H < 0. 52，“趨勢力量中”
3)0. 50 < H < 0. 51，“趨勢力量弱”
4)H< 0.5時，位于反轉(zhuǎn)區(qū)，故不予提示；
j、計算結(jié)果，并顯示股票數(shù)據(jù)反轉(zhuǎn)點的效果圖。
本發(fā)明與現(xiàn)有技術(shù)相比，用非線性的分形布朗理論的方法揭示股指趨勢運動的 “內(nèi)驅(qū)力”的強(qiáng)弱，并對股指趨勢反轉(zhuǎn)做出判斷能夠?qū)芍岗厔葸\行的強(qiáng)度做出判斷，并且 能夠準(zhǔn)確判斷股票指數(shù)的周期大反轉(zhuǎn)點及反轉(zhuǎn)點的反轉(zhuǎn)強(qiáng)度，能更準(zhǔn)確的把握股指運行的 長期趨勢。[


]
圖1為本發(fā)明的流程示意[具體的實施例]
下面結(jié)合附圖和具體實施方式
對本發(fā)明作詳細(xì)描述
本發(fā)明包括以下步驟
1、對原始交易數(shù)據(jù)進(jìn)行優(yōu)化以剔除偏離程度較遠(yuǎn)的離散點
2、對優(yōu)化后數(shù)據(jù)的同分布測試直到測試誤差小于
3、用重標(biāo)極差算法計算Hurst指數(shù)數(shù)值
4、確定反轉(zhuǎn)點及反轉(zhuǎn)點反轉(zhuǎn)強(qiáng)度
5、確定趨勢方向及趨勢強(qiáng)度
6、基于C++程序產(chǎn)生圖形界面形式達(dá)到直觀展示效果。
通過以上步驟，就可以實現(xiàn)用分形布朗理論和重標(biāo)極差算法計算的Hurst周期大 反轉(zhuǎn)指數(shù)，用戶可以對比大盤指數(shù)走勢圖和Hurst曲線的形態(tài)確定當(dāng)前大盤是處于趨勢加 強(qiáng)狀態(tài)，還是趨勢減弱甚至趨勢反轉(zhuǎn)狀態(tài)，并對大盤的趨勢強(qiáng)度及反轉(zhuǎn)力度做出判斷。
1、從外部數(shù)據(jù)源獲取能反映股市特征的原始交易數(shù)據(jù)，如收盤價，開盤價，成交 量等，存入本地數(shù)據(jù)庫；判斷歷史股票市場的大波段頂和底的時間。
2、通過一個嵌入該數(shù)據(jù)庫的指定C++程序來前期處理該數(shù)據(jù)庫，所述的程序邏輯 如下
A用基于GARCH的時間序列模型對數(shù)據(jù)進(jìn)行前期篩選，篩除噪聲點，以消除因偶然 事件帶來的偏離較大的離散點；
B并將優(yōu)化好的數(shù)據(jù)存儲在本地數(shù)據(jù)庫中；
3、用同分布模擬數(shù)據(jù)進(jìn)行模型測試，驗證Hurst指數(shù)參數(shù)估計的準(zhǔn)確度。驗證步 驟如下
A先設(shè)定需要估計的一系列Hurst理論值，按照FGN分布隨機(jī)生成一系列時間序 列。
B通過重標(biāo)極差算法方法(也稱R/S算法ReSCaled Range Analysis)計算該組 隨機(jī)序列的Hurst值并與理論值對比，并微調(diào)R/S擬合參數(shù)，得到模擬測試結(jié)果。
4、以上的模擬測試結(jié)果的誤差需在1 %以下。如果不滿足誤差需求，需要打回在數(shù) 據(jù)初步清理部分調(diào)整作為標(biāo)準(zhǔn)的數(shù)據(jù)分布規(guī)律，然后重新清理，并繼續(xù)用模擬數(shù)據(jù)進(jìn)行模 型測試，直到測試符合誤差需求。
5、讀取該數(shù)據(jù)庫的優(yōu)化數(shù)據(jù)，設(shè)置訓(xùn)練數(shù)據(jù)長度在150-400交易日之間變化，根 據(jù)數(shù)據(jù)優(yōu)化得到最佳訓(xùn)練數(shù)據(jù)長度T，作為整個方法的輸入變量；
6、基于Hurst分形理論，以步驟2中所得到的處理過數(shù)據(jù)為基礎(chǔ)，步驟4中的訓(xùn)練 數(shù)據(jù)長度為標(biāo)準(zhǔn)，應(yīng)用重標(biāo)極差算法得到所需要的Hurst值。由此計算出所需要的Hurst 值，同時保存在本地數(shù)據(jù)庫中。
7、對保存于數(shù)據(jù)庫中的Hurst值進(jìn)行后期判斷，定義“反轉(zhuǎn)點”?？煞譃橐韵聨讉€ 子步驟
A、繪制同樣時間段、刻度相同的兩幅圖，一幅為Hurst曲線圖，并在Hurst走勢圖 上畫出其長期均線圖及其短期均線圖；其中，短期均線，長期均線參數(shù)與大盤默認(rèn)均線系統(tǒng)參數(shù)一致；
B、用以下標(biāo)準(zhǔn)選取出滿足條件的Hurst曲線反轉(zhuǎn)點1)H值比H的短期均線值低0.015以上；2)H小于長期均值；3)H滿足1)2)之后的位于穩(wěn)定小于均值區(qū)間段的最低點。C、將滿足條件的Hurst反轉(zhuǎn)點在A中原始指標(biāo)數(shù)據(jù)的圖示下特別標(biāo)出；D、將每個交易日大盤收盤價數(shù)據(jù)曲線與Hurst值的數(shù)據(jù)曲線上下對應(yīng)畫出，統(tǒng)一
時間軸<
8、由每個Hurst的反轉(zhuǎn)點(局域低點)定義反轉(zhuǎn)點強(qiáng)度。反轉(zhuǎn)點強(qiáng)度由反轉(zhuǎn)點具
體的H值決定
a)H< 0. 44反轉(zhuǎn)點強(qiáng)度★★★★★
b) 0. 44 < H < 0. 46反轉(zhuǎn)點強(qiáng)度★★★★☆
c) 0. 46 < H < 0. 48反轉(zhuǎn)點強(qiáng)度★★★☆☆
d) 0. 48 ^ H < 0. 50反轉(zhuǎn)點強(qiáng)度★★☆☆☆
e)0. 50 ^ H反轉(zhuǎn)點強(qiáng)度★☆☆☆☆
9、由每個交易日的Hurst值定義“趨勢力量強(qiáng)、中、弱”，趨勢強(qiáng)度的對應(yīng)如下
—H彡0. 52，“趨勢力量強(qiáng)”，
—0. 51 < H < 0. 52，“趨勢力量中”
—0. 50 < H < 0. 51，“趨勢力量弱”
—H <0.5時，位于反轉(zhuǎn)區(qū)，故不予提示。
10、最后基于自有C++程序產(chǎn)生圖形界，就可以直觀方便的判斷股指趨勢強(qiáng)弱和反轉(zhuǎn)點的反轉(zhuǎn)強(qiáng)度。
權(quán)利要求
1. 一種計算機(jī)平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法，包括計算機(jī)連接 網(wǎng)絡(luò)，其特征在于該方法包括以下步驟a、源數(shù)據(jù)輸入從外部數(shù)據(jù)源獲取需要被處理的，能反映股市特征的指標(biāo)數(shù)據(jù)，收盤 價，開盤價，成交量存入本地數(shù)據(jù)庫；b、數(shù)據(jù)清理通過一個嵌入該數(shù)據(jù)庫的指定C++程序來前期處理該數(shù)據(jù)庫，所述的程 序邏輯如下A.用基于GARCH時間序列模型對數(shù)據(jù)進(jìn)行前期的數(shù)據(jù)清理，過濾信號噪聲，消 除偶然事件帶來的偏離原分形布朗運動分布較大的離散點；B.并將處理過的優(yōu)化數(shù)據(jù)存 儲在本地數(shù)據(jù)庫中；c、模擬測試用同分布模擬數(shù)據(jù)進(jìn)行模型測試，驗證Hurst指數(shù)參數(shù)估計的準(zhǔn)確度，所 述的驗證步驟如下A.先設(shè)定需要估計的一系列Hurst理論值，按照FGN分布隨機(jī)生成一 系列時間序列；B.通過重標(biāo)極差算法方法計算該組隨機(jī)序列的Hurst值并與理論值對比， 并微調(diào)R/S擬合參數(shù)，得到模擬測試結(jié)果；d、以上的模擬測試結(jié)果的誤差需在1%以下；如果不滿足誤差需求，需要打回在數(shù)據(jù) 初步清理部分調(diào)整作為標(biāo)準(zhǔn)的數(shù)據(jù)分布規(guī)律，然后重新清理，并繼續(xù)用模擬數(shù)據(jù)進(jìn)行模型 測試，直到測試符合誤差需求；e、讀取該數(shù)據(jù)庫的優(yōu)化數(shù)據(jù)，設(shè)置訓(xùn)練數(shù)據(jù)長度在150-400交易日之間變化，根據(jù)數(shù) 據(jù)優(yōu)化得到最佳訓(xùn)練數(shù)據(jù)長度T，作為整個方法的輸入變量；f、基于Hurst分形理論，以步驟b中所得到的優(yōu)化數(shù)據(jù)為基礎(chǔ)，步驟d中的訓(xùn)練數(shù)據(jù)長 度為標(biāo)準(zhǔn)，應(yīng)用重標(biāo)極差算法得到所需要的Hurst值，由此計算出所需要的Hurst值，同時 保存在本地數(shù)據(jù)庫中；g、對保存于數(shù)據(jù)庫中的Hurst值進(jìn)行后期判斷，定義“反轉(zhuǎn)點”，可分為以下幾個子步 驟:A.繪制同樣時間段、刻度相同的兩幅圖，一幅為指數(shù)收盤價走勢圖，一幅為Hurst曲線 圖，并在Hurst走勢圖上畫出其長期均線圖及其短期均線圖；其中，短期均線，長期均線參 數(shù)與大盤默認(rèn)均線系統(tǒng)參數(shù)一致；B.用以下標(biāo)準(zhǔn)選取出滿足條件的Hurst曲線反轉(zhuǎn)點1) H值比H的短期均線值低0.015以上；2)H小于長期均值；3)H滿足1)2)之后的位于穩(wěn)定小 于均值區(qū)間段的最低點；C.將滿足條件的Hurst反轉(zhuǎn)點在A中原始指標(biāo)數(shù)據(jù)的圖示下特別 標(biāo)出；D.將每個交易日大盤收盤價數(shù)據(jù)曲線與Hurst值的數(shù)據(jù)曲線上下對應(yīng)畫出，統(tǒng)一時 間軸；h、由每個Hurst的反轉(zhuǎn)點(局域低點)定義反轉(zhuǎn)點強(qiáng)度，反轉(zhuǎn)點強(qiáng)度由反轉(zhuǎn)點具體的 Hurst值決定1)H<0.44反轉(zhuǎn)點強(qiáng)度★★★★★2)0. 44 < H < 0. 46反轉(zhuǎn)點強(qiáng)度★★★★☆3)0. 46 < H < 0. 48反轉(zhuǎn)點強(qiáng)度★★★☆☆4)0. 48 < H < 0. 50反轉(zhuǎn)點強(qiáng)度★★☆☆☆5)0.50 ^ H反轉(zhuǎn)點強(qiáng)度★☆☆☆☆i、由每個交易日的Hurst值定義“趨勢力量強(qiáng)、中、弱”，趨勢強(qiáng)度的對應(yīng)如下DH^O. 52，“趨勢力量強(qiáng)”，2)0.51 < H < 0. 52，“趨勢力量中”3)0.50 < H < 0. 51，“趨勢力量弱”4)H < 0. 5時，位于反轉(zhuǎn)區(qū)，故不予提示； j、計算結(jié)果，并顯示股票數(shù)據(jù)反轉(zhuǎn)點的效果圖。
全文摘要
本發(fā)明涉及計算機(jī)程序技術(shù)領(lǐng)域，具體地說是一種計算機(jī)平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法，其特征在于所述的方法包括以下步驟1.對原始交易數(shù)據(jù)進(jìn)行優(yōu)化以剔除偏離程度較遠(yuǎn)的離散點；2.對優(yōu)化后數(shù)據(jù)的同分布測試直到測試誤差小于1％；3.用R/S重標(biāo)極差算法計算Hurst指數(shù)數(shù)值；4.確定反轉(zhuǎn)點及反轉(zhuǎn)點反轉(zhuǎn)強(qiáng)度；5.確定趨勢方向及趨勢強(qiáng)度；6.基于自有C++程序產(chǎn)生圖形界面形式達(dá)到直觀展示效果。本發(fā)明與現(xiàn)有技術(shù)相比，用非線性的分形布朗理論的方法揭示股指趨勢運動的“內(nèi)驅(qū)力”的強(qiáng)弱，并對股指趨勢反轉(zhuǎn)做出判斷能夠?qū)芍岗厔葸\行的強(qiáng)度做出判斷，并且能夠準(zhǔn)確判斷股票指數(shù)的周期大反轉(zhuǎn)點及反轉(zhuǎn)點的反轉(zhuǎn)強(qiáng)度，能更準(zhǔn)確的把握股指運行的長期趨勢。
文檔編號G06Q40/00GK102034211SQ20111000664
公開日2011年4月27日 申請日期2011年1月13日 優(yōu)先權(quán)日2011年1月13日
發(fā)明者孫敏 申請人:上海萬臣信息科技發(fā)展有限公司