專利名稱：計算機平臺結(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[技術領域]
本發(fā)明涉及計算機程序技術領域，具體地說是一種計算機平臺結(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]
關于股票價格能否預測一直存在很大的爭議。傳統(tǒng)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(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險評估大都是基于對未來價格走勢的預測判斷。目前 對于股票趨勢進行預測的證券分析方法也有很多，有基于傳統(tǒng)技術分析方法的趨勢分析理 論，也有基于現(xiàn)代數(shù)量分析的預測技術，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)進行簡單的分析以預測未來的價格趨勢，要么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 瞬息萬變的復雜的系統(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，最初由水文學 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)強度、趨勢強度。
為實現(xiàn)上述目的設計一種計算機平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng) 計方法，包括計算機連接網(wǎng)絡，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)進行模型測試，驗證hurst指數(shù)參數(shù)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)整作為標準的數(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)，設置訓練數(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，步驟d中的訓練數(shù) 據(jù)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， 同時保存在本地數(shù)據(jù)庫中；
g、對保存于數(shù)據(jù)庫中的Hurst值進行后期判斷，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)與大盤默認均線系統(tǒng)參數(shù)一致；B.用以下標準選取出滿足條件的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中原始指標數(shù)據(jù)的圖示 下特別標出；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)點強度，反轉(zhuǎn)點強度由反轉(zhuǎn)點具 體的H值決定
1)H < 0. 44反轉(zhuǎn)點強度
2)0.44 彡 H< 0.46反轉(zhuǎn)點強度★★★★☆
3)0. 46 ^ H< 0. 48反轉(zhuǎn)點強度★★★☆☆
4)0. 48 ^ H< 0.50反轉(zhuǎn)點強度★★☆☆☆
5)0. 50 ^ H反轉(zhuǎn)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”的強弱，并對股指趨勢反轉(zhuǎn)做出判斷能夠?qū)芍岗厔葸\行的強度做出判斷，并且 能夠準確判斷股票指數(shù)的周期大反轉(zhuǎn)點及反轉(zhuǎn)點的反轉(zhuǎn)強度，能更準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)明作詳細描述
本發(fā)明包括以下步驟
1、對原始交易數(shù)據(jù)進行優(yōu)化以剔除偏離程度較遠的離散點
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)強度
5、確定趨勢方向及趨勢強度
6、基于C++程序產(chǎn)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(xiàn)用分形布朗理論和重標極差算法計算的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)確定當前大盤是處于趨勢加 強狀態(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)進行模型測試，驗證Hurst指數(shù)參數(shù)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)整作為標準的數(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)，設置訓練數(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，步驟4中的訓練 數(shù)據(jù)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，同時保存在本地數(shù)據(jù)庫中。
7、對保存于數(shù)據(jù)庫中的Hurst值進行后期判斷，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)與大盤默認均線系統(tǒng)參數(shù)一致；
B、用以下標準選取出滿足條件的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中原始指標數(shù)據(jù)的圖示下特別標出；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)點強度。反轉(zhuǎn)點強度由反轉(zhuǎn)點具
體的H值決定
a)H< 0. 44反轉(zhuǎn)點強度★★★★★
b) 0. 44 < H < 0. 46反轉(zhuǎn)點強度★★★★☆
c) 0. 46 < H < 0. 48反轉(zhuǎn)點強度★★★☆☆
d) 0. 48 ^ H < 0. 50反轉(zhuǎn)點強度★★☆☆☆
e)0. 50 ^ H反轉(zhuǎn)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弱和反轉(zhuǎn)點的反轉(zhuǎn)強度。
權(quán)利要求
1. 一種計算機平臺結(jié)合Hurst模型顯示股票數(shù)據(jù)反轉(zhuǎn)點的統(tǒng)計方法，包括計算機連接 網(wǎng)絡，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)進行模型測試，驗證Hurst指數(shù)參數(shù)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)整作為標準的數(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)，設置訓練數(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，步驟d中的訓練數(shù)據(jù)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 保存在本地數(shù)據(jù)庫中；g、對保存于數(shù)據(jù)庫中的Hurst值進行后期判斷，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)與大盤默認均線系統(tǒng)參數(shù)一致；B.用以下標準選取出滿足條件的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中原始指標數(shù)據(jù)的圖示下特別 標出；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)點強度，反轉(zhuǎn)點強度由反轉(zhuǎn)點具體的 Hurst值決定1)H<0.44反轉(zhuǎn)點強度★★★★★2)0. 44 < H < 0. 46反轉(zhuǎn)點強度★★★★☆3)0. 46 < H < 0. 48反轉(zhuǎn)點強度★★★☆☆4)0. 48 < H < 0. 50反轉(zhuǎn)點強度★★☆☆☆5)0.50 ^ H反轉(zhuǎn)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)明涉及計算機程序技術領域，具體地說是一種計算機平臺結(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)進行優(yōu)化以剔除偏離程度較遠的離散點；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)強度；5.確定趨勢方向及趨勢強度；6.基于自有C++程序產(chǎn)生圖形界面形式達到直觀展示效果。本發(fā)明與現(xiàn)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(nèi)驅(qū)力”的強弱，并對股指趨勢反轉(zhuǎn)做出判斷能夠?qū)芍岗厔葸\行的強度做出判斷，并且能夠準確判斷股票指數(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(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