計算機平臺結合Hurst模型顯示股票數據反轉點的統計方法
2023-05-06 00:27:36
專利名稱：計算機平臺結合Hurst模型顯示股票數據反轉點的統計方法
計算機平臺結合Hurst模型顯示股票數據反轉點的統計方法[技術領域]
本發明涉及電腦程式技術領域，具體地說是一種計算機平臺結合Hurst模型顯 示股票數據反轉點的統計方法。[背景技術]
關於股票價格能否預測一直存在很大的爭議。傳統的「有效市場假說(EMH) 」認為 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，市場是隨機波動的，未來趨勢 不可預測。然而現有研究表明，交易市場變動並不完全遵循正態分布規律，股票市場的收益 率往往具有「尖峰厚尾」的特性，其方差也表現出不平穩、波動時聚性和長期記憶性的特徵。 有效市場假說和隨機遊走理論這種過於理想和簡化的線性範式並不適合中國股市。
股票市場上的投資分析和風險評估大都是基於對未來價格走勢的預測判斷。目前 對於股票趨勢進行預測的證券分析方法也有很多，有基於傳統技術分析方法的趨勢分析理 論，也有基於現代數量分析的預測技術，其原理要麼是對直接反映證券市場交易行為的量 價數據進行簡單的分析以預測未來的價格趨勢，要麼是建立在對收益風險的預期均衡下對 未來的價格進行預測。這些方法都局限與對短期趨勢的預測，而我們知道股票市場是一個 瞬息萬變的複雜的系統，各種未知突發事件隨時可能會對股價造成巨大衝擊，價格的短期 波動面臨著很大的不確定性，絕對意義上的預測並不現實。
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，有一種內在 的力量在驅動著趨勢的周期波動了。既然股票市場是一個非線性的、複雜的、交互作用的系 統。我們需要用非線性的方法來分析和解釋股票市場的問題，挖掘其周期波動內在規律。赫 斯特指數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，最初由水文學 家赫斯特在1951年提出。[發明內容]
本發明的目的在於克服現有技術的不足，提供一種基於分形布朗理論Hurst模型 和C++程序平臺計算股指趨勢強弱及確定股票數據反轉點的方法，以便判斷股票指數的長 期趨勢，以及確定反轉點、反轉點反轉強度、趨勢強度。
為實現上述目的設計一種計算機平臺結合Hurst模型顯示股票數據反轉點的統 計方法，包括計算機連接網絡，其特徵在於該方法包括以下步驟
a、源數據輸入從外部數據源獲取需要被處理的，能反映股市特徵的指標數據，收 盤價，開盤價，成交量存入本地資料庫；
b、數據清理通過一個嵌入該資料庫的指定C++程序來前期處理該資料庫，所述 的程序邏輯如下A.用基於GARCH時間序列模型對數據進行前期的數據清理，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.並將處理過的優化數 據存儲在本地資料庫中；
C、模擬測試用同分布模擬數據進行模型測試，驗證hurst指數參數估計的準確 度，所述的驗證步驟如下A.先設定需要估計的一系列Hurst理論值，按照FGN分布隨機生 成一系列時間序列；B.通過重標極差算法方法計算該組隨機序列的Hurst值並與理論值對 比，並微調R/S擬合參數，得到模擬測試結果；
d、以上的模擬測試結果的誤差需在1 %以下；如果不滿足誤差需求，需要打回在 數據初步清理部分調整作為標準的數據分布規律，然後重新清理，並繼續用模擬數據進行 模型測試，直到測試符合誤差需求；
e、讀取該資料庫的優化數據，設置訓練數據長度在150-400交易日之間變化，根 據數據優化得到最佳訓練數據長度T，作為整個方法的輸入變量；
f、基於Hurst分形理論，以步驟b中所得到的優化數據為基礎，步驟d中的訓練數 據長度為標準，應用重標極差算法得到所需要的Hurst值，由此計算出所需要的Hurst值， 同時保存在本地資料庫中；
g、對保存於資料庫中的Hurst值進行後期判斷，定義「反轉點」，可分為以下幾個 子步驟·Λ.繪製同樣時間段、刻度相同的兩幅圖，一幅為指數收盤價走勢圖，一幅為Hurst 曲線圖，並在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 線參數與大盤默認均線系統參數一致；B.用以下標準選取出滿足條件的Hurst曲線反轉 點1)H值比H的短期均線值低0. 015以上；2)H小於長期均值；3)H滿足1)2)之後的位於 穩定小於均值區間段的最低點；C.將滿足條件的Hurst反轉點在A中原始指標數據的圖示 下特別標出；D.將每個交易日大盤收盤價數據曲線與Hurst值的數據曲線上下對應畫出， 統一時間軸；
h、由每個Hurst的反轉點(局域低點)定義反轉點強度，反轉點強度由反轉點具 體的H值決定
1)H < 0. 44反轉點強度
2)0.44 彡 H< 0.46反轉點強度★★★★☆
3)0. 46 ^ H< 0. 48反轉點強度★★★☆☆
4)0. 48 ^ H< 0.50反轉點強度★★☆☆☆
5)0. 50 ^ H反轉點強度★☆☆☆☆
i、由每個交易日的Hurst值定義「趨勢力量強、中、弱」，趨勢強度的對應如下
1) H彡0.52，「趨勢力量強」，
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，位於反轉區，故不予提示；
j、計算結果，並顯示股票數據反轉點的效果圖。
本發明與現有技術相比，用非線性的分形布朗理論的方法揭示股指趨勢運動的 「內驅力」的強弱，並對股指趨勢反轉做出判斷能夠對股指趨勢運行的強度做出判斷，並且 能夠準確判斷股票指數的周期大反轉點及反轉點的反轉強度，能更準確的把握股指運行的 長期趨勢。[
]
圖1為本發明的流程示意[具體的實施例]
下面結合附圖和具體實施方式
對本發明作詳細描述
本發明包括以下步驟
1、對原始交易數據進行優化以剔除偏離程度較遠的離散點
2、對優化後數據的同分布測試直到測試誤差小於
3、用重標極差算法計算Hurst指數數值
4、確定反轉點及反轉點反轉強度
5、確定趨勢方向及趨勢強度
6、基於C++程序產生圖形界面形式達到直觀展示效果。
通過以上步驟，就可以實現用分形布朗理論和重標極差算法計算的Hurst周期大 反轉指數，用戶可以對比大盤指數走勢圖和Hurst曲線的形態確定當前大盤是處於趨勢加 強狀態，還是趨勢減弱甚至趨勢反轉狀態，並對大盤的趨勢強度及反轉力度做出判斷。
1、從外部數據源獲取能反映股市特徵的原始交易數據，如收盤價，開盤價，成交 量等，存入本地資料庫；判斷歷史股票市場的大波段頂和底的時間。
2、通過一個嵌入該資料庫的指定C++程序來前期處理該資料庫，所述的程序邏輯 如下
A用基於GARCH的時間序列模型對數據進行前期篩選，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並將優化好的數據存儲在本地資料庫中；
3、用同分布模擬數據進行模型測試，驗證Hurst指數參數估計的準確度。驗證步 驟如下
A先設定需要估計的一系列Hurst理論值，按照FGN分布隨機生成一系列時間序 列。
B通過重標極差算法方法(也稱R/S算法ReSCaled Range Analysis)計算該組 隨機序列的Hurst值並與理論值對比，並微調R/S擬合參數，得到模擬測試結果。
4、以上的模擬測試結果的誤差需在1 %以下。如果不滿足誤差需求，需要打回在數 據初步清理部分調整作為標準的數據分布規律，然後重新清理，並繼續用模擬數據進行模 型測試，直到測試符合誤差需求。
5、讀取該資料庫的優化數據，設置訓練數據長度在150-400交易日之間變化，根 據數據優化得到最佳訓練數據長度T，作為整個方法的輸入變量；
6、基於Hurst分形理論，以步驟2中所得到的處理過數據為基礎，步驟4中的訓練 數據長度為標準，應用重標極差算法得到所需要的Hurst值。由此計算出所需要的Hurst 值，同時保存在本地資料庫中。
7、對保存於資料庫中的Hurst值進行後期判斷，定義「反轉點」。可分為以下幾個 子步驟
A、繪製同樣時間段、刻度相同的兩幅圖，一幅為Hurst曲線圖，並在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，長期均線參數與大盤默認均線系統參數一致；
B、用以下標準選取出滿足條件的Hurst曲線反轉點1)H值比H的短期均線值低0.015以上；2)H小於長期均值；3)H滿足1)2)之後的位於穩定小於均值區間段的最低點。C、將滿足條件的Hurst反轉點在A中原始指標數據的圖示下特別標出；D、將每個交易日大盤收盤價數據曲線與Hurst值的數據曲線上下對應畫出，統一
時間軸<
8、由每個Hurst的反轉點(局域低點)定義反轉點強度。反轉點強度由反轉點具
體的H值決定
a)H< 0. 44反轉點強度★★★★★
b) 0. 44 < H < 0. 46反轉點強度★★★★☆
c) 0. 46 < H < 0. 48反轉點強度★★★☆☆
d) 0. 48 ^ H < 0. 50反轉點強度★★☆☆☆
e)0. 50 ^ H反轉點強度★☆☆☆☆
9、由每個交易日的Hurst值定義「趨勢力量強、中、弱」，趨勢強度的對應如下
—H彡0. 52，「趨勢力量強」，
—0. 51 < H < 0. 52，「趨勢力量中」
—0. 50 < H < 0. 51，「趨勢力量弱」
—H <0.5時，位於反轉區，故不予提示。
10、最後基於自有C++程序產生圖形界，就可以直觀方便的判斷股指趨勢強弱和反轉點的反轉強度。
權利要求
1. 一種計算機平臺結合Hurst模型顯示股票數據反轉點的統計方法，包括計算機連接 網絡，其特徵在於該方法包括以下步驟a、源數據輸入從外部數據源獲取需要被處理的，能反映股市特徵的指標數據，收盤 價，開盤價，成交量存入本地資料庫；b、數據清理通過一個嵌入該資料庫的指定C++程序來前期處理該資料庫，所述的程 序邏輯如下A.用基於GARCH時間序列模型對數據進行前期的數據清理，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.並將處理過的優化數據存 儲在本地資料庫中；c、模擬測試用同分布模擬數據進行模型測試，驗證Hurst指數參數估計的準確度，所 述的驗證步驟如下A.先設定需要估計的一系列Hurst理論值，按照FGN分布隨機生成一 系列時間序列；B.通過重標極差算法方法計算該組隨機序列的Hurst值並與理論值對比， 並微調R/S擬合參數，得到模擬測試結果；d、以上的模擬測試結果的誤差需在1%以下；如果不滿足誤差需求，需要打回在數據 初步清理部分調整作為標準的數據分布規律，然後重新清理，並繼續用模擬數據進行模型 測試，直到測試符合誤差需求；e、讀取該資料庫的優化數據，設置訓練數據長度在150-400交易日之間變化，根據數 據優化得到最佳訓練數據長度T，作為整個方法的輸入變量；f、基於Hurst分形理論，以步驟b中所得到的優化數據為基礎，步驟d中的訓練數據長 度為標準，應用重標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 保存在本地資料庫中；g、對保存於資料庫中的Hurst值進行後期判斷，定義「反轉點」，可分為以下幾個子步 驟:A.繪製同樣時間段、刻度相同的兩幅圖，一幅為指數收盤價走勢圖，一幅為Hurst曲線 圖，並在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 數與大盤默認均線系統參數一致；B.用以下標準選取出滿足條件的Hurst曲線反轉點1) H值比H的短期均線值低0.015以上；2)H小於長期均值；3)H滿足1)2)之後的位於穩定小 於均值區間段的最低點；C.將滿足條件的Hurst反轉點在A中原始指標數據的圖示下特別 標出；D.將每個交易日大盤收盤價數據曲線與Hurst值的數據曲線上下對應畫出，統一時 間軸；h、由每個Hurst的反轉點(局域低點)定義反轉點強度，反轉點強度由反轉點具體的 Hurst值決定1)H<0.44反轉點強度★★★★★2)0. 44 < H < 0. 46反轉點強度★★★★☆3)0. 46 < H < 0. 48反轉點強度★★★☆☆4)0. 48 < H < 0. 50反轉點強度★★☆☆☆5)0.50 ^ H反轉點強度★☆☆☆☆i、由每個交易日的Hurst值定義「趨勢力量強、中、弱」，趨勢強度的對應如下DH^O. 52，「趨勢力量強」，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，位於反轉區，故不予提示； j、計算結果，並顯示股票數據反轉點的效果圖。
全文摘要
本發明涉及電腦程式技術領域，具體地說是一種計算機平臺結合Hurst模型顯示股票數據反轉點的統計方法，其特徵在於所述的方法包括以下步驟1.對原始交易數據進行優化以剔除偏離程度較遠的離散點；2.對優化後數據的同分布測試直到測試誤差小於1％；3.用R/S重標極差算法計算Hurst指數數值；4.確定反轉點及反轉點反轉強度；5.確定趨勢方向及趨勢強度；6.基於自有C++程序產生圖形界面形式達到直觀展示效果。本發明與現有技術相比，用非線性的分形布朗理論的方法揭示股指趨勢運動的「內驅力」的強弱，並對股指趨勢反轉做出判斷能夠對股指趨勢運行的強度做出判斷，並且能夠準確判斷股票指數的周期大反轉點及反轉點的反轉強度，能更準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 優先權日2011年1月13日
發明者孫敏 申請人:上海萬臣信息科技發展有限公司