[发明专利]基于TSFA和ANN的指数走势时空积概率预测方法

权利要求书

1.一种基于TSFA和ANN的指数走势时空积概率预测方法，其特征在于，所述方法包括以下步骤：

（1）采用时间平滑滤波算法对指数进行预处理，获得一系列重要高低点，从而得到若干个重要走势；

（2）再构建这些重要走势的时空统计参数——时空积，并根据最佳时空积区段划分系数，将时空积划分成若干个合适的区段，从而得到各区段的时空积概率；重要走势的时空积计算方法如公式（1）：

xi=(ti+1-ti)·y(ti+1)-y(ti)y(ti)·100%---(1)]]>

其中：t_i,t_i+1是确定指数走势两点所对应的时刻，

y(t_i),y(t_i+1)是确定指数走势两点所对应的指数点位；

基于非零概率个数一阶后向差分的时空积区段划分，具体为公式（2）和公式（3）：

d=2j·max{x1,x2,···xi,···,xN}N---(2)]]>

式中：d---时空积区段宽度；

j---时空积区段划分系数，j∈Z；

N---重要走势的总个数；

x_i---重要走势的时空积，其计算公式为其中：t_i,t_i-1是确定第i个重要走势两点所对应的时刻，y(t_i),y(t_i-1)是确定第i个重要走势两点所对应的指数点位，i=1，2，...，N；

时空积区段划分系数j越小，区段宽度d越小，时空积的最小精度越高，各区段非零概率的差异越小，其方差越小，趋近于均匀分布；时空积区段划分系数j越大，区段宽度d越大，各区段非零概率的差异越大，其方差越大，越能看出非零概率的分布规律，但是非零概率的个数越少，这不利于后续的ANN拟合，同时，也使得时空积的最小精度降低。为寻求一个合适的区段划分，本文设定最佳的时空积区段划分系数j_opt应满足公式（3），即当非零概率个数发生剧烈变化时，表明非零概率的分布规律发生明显变化，是由接近均匀分布转变成其他分布的关键时刻；

式中：j---时空积区段划分系数；

j_opt---最佳的时空积区段划分系数；

J2---令非零概率个数为重要走势总个数的时空积区段划分系数；

J1---令非零概率个数为1的时空积区段划分系数；

n(j)---区段划分系数为j时的非零概率个数；

---非零概率个数的一阶后向差分，即

（3）用人工神经网络（ANN）拟合重要走势的时空积概率，得到时空积与概率的一一映射关系，依据这个映射关系评估当前重要走势结束的概率，从而为投资决策提供一个基于数据统计分析之上的数学量化工具。