[發明專利]一種用于股市大盤形態分析的數據分析與顯示方法

有效

• 申請號: 202010097790.5
• 申請日: 2020-02-17
• 公開（公告）號: CN111402042B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 肖鋼;李劍戈;周能;曹震;李紫超
• 申請（專利權）人: 中信建投證券股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/0455;G06N3/0442;G06N3/0464;G06N3/048;G06N3/088;G06F18/2321
• 代理公司: 北京唯智勤實知識產權代理事務所(普通合伙) 11557
• 代理人: 陳佳

本公開的實施例公開了一種用于股市大盤形態分析的數據分析與顯示方法。該方法的一具體實施方式包括：輸入股市大盤樣本數據，生成股市大盤樣本數據的特征，利用卷積神經網絡生成低維特征，基于低維特征利用競爭性神經網絡生成樣本節點，基于樣本節點生成節點關系網絡，利用聚類方法，基于節點關系網絡確定股市大盤樣本數據的輸出類別。該方法利用競爭性神經網絡計算樣本節點以及利用馬爾可夫聚類方法計算數據類別，能夠自適應的獲取數據類別信息，為判斷股市大盤形態提供依據。

技術領域

本公開實施例涉及計算機技術領域，具體涉及計算機數據分析技術領域。

背景技術

數據挖掘是指從大量數據中獲取有效的、潛在有用且最終可以理解的知識或模式的過程，數據分類則是數據挖掘中一項非常重要的工作，目的是確定數據的類別。絕大多數數據分類方法都對時間很敏感，這一類隨著時間推移通過反復測量而得到的數值或事件序列稱為序列數據，例如股票市場的數據。將序列數據輸入到分類方法或模型中，捕獲數據中的類別信息，能夠為判斷序列數據形態提供依據。

現有數據分類方法采用歐式距離直接計算特征相似度，存在失效的可能性。對于序列數據進行分類時，如果利用全局信息則存在使用未來信息的風險，從而影響分類效果。此外，如果需要預先指定類別數量或分類規則，就無法做到自適應分類處理。

發明內容

本公開實施例提出了一種用于股市大盤形態分析的數據分析與顯示方法。

第一方面，本公開實施例提供了一種用于股市大盤形態分析的數據分析與顯示方法，該方法包括：獲取股市大盤樣本數據，其中，股市大盤樣本數據為序列數據；生成股市大盤樣本數據的特征；將股市大盤樣本數據的特征輸入預先訓練的卷積神經網絡，得到輸出作為低維特征；基于低維特征，利用競爭性神經網絡生成樣本節點；基于樣本節點，生成節點關系網絡；利用聚類方法，基于節點關系網絡確定股市大盤樣本數據的輸出類別以及控制通信連接的顯示設備顯示輸出類別。

在一些實施例中，一種用于股市大盤形態分析的數據分析與顯示方法還包括：響應于股市大盤樣本數據的輸出類別是預定類別，將輸出類別發送至支持報警的設備，控制設備發出警報信息。

在一些實施例中，卷積神經網絡預先通過如下步驟訓練得到：獲取訓練樣本集合，其中，訓練樣本包括樣本數據和預先得到的樣本低維特征；確定初始卷積神經網絡的網絡結構以及初始化初始卷積神經網絡的網絡參數；利用機器學習方法，將訓練樣本集合中的訓練樣本包括的樣本數據確定為初始卷積神經網絡的輸入，將與輸入的樣本數據對應的預先得到的樣本低維特征確定為初始卷積神經網絡的期望輸出，訓練得到卷積神經網絡。

在一些實施例中，基于低維特征，利用競爭性神經網絡生成樣本節點，包括：基于低維特征，利用競爭性神經網絡生成股市大盤樣本數據的類別標簽；將股市大盤樣本數據的類別標簽確定為樣本節點。

在一些實施例中，基于樣本節點，生成節點關系網絡，包括：基于樣本節點，生成節點關系網絡中的節點；生成節點關系網絡中的邊，其中，邊表示不同節點之間的關系，邊的權重為不同節點間的累計連接次數。

在一些實施例中，利用聚類方法，基于節點關系網絡確定股市大盤樣本數據的輸出類別，包括：基于節點關系網絡，生成節點概率矩陣；基于節點概率矩陣，利用聚類算法生成節點概率矩陣中的環路簇類；基于環路簇類，確定股市大盤樣本數據的輸出類別。

在一些實施例中，基于節點概率矩陣，利用聚類算法生成節點概率矩陣中的環路簇類，包括：基于馬爾可夫隨機游走規則，自適應生成節點概率矩陣中的環路簇類，其中，每個環路簇類代表一種股市大盤樣本數據的輸出類別。

第二方面，本公開實施例提供了一種終端設備，該終端設備包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序，當上述一個或多個程序被上述一個或多個處理器執行時，使得上述一個或多個處理器實現如第一方面中任一實現方式描述的方法。