[发明专利]基于TSFA和ANN的指数走势时空积概率预测方法

说明书

技术领域

本发明涉及一种基于TSFA和ANN的指数走势时空积概率预测方法。

背景技术

TSF——Time Smoothing Filtering Algorithm即时间平滑滤波算法。ANN——Artificial Neural Networks即人工神经网络。

自证券交易诞生以来，证券预测就受到广泛关注和积极研究，各种各样的预测方法层出不穷。随着高性能计算机的普及，智能计算方法如神经网络、遗传算法等也开始应用于证券指数预测。然而，大部分文献都是用人工神经网络的泛化能力，通过直接拟合证券指数的历史数据来预测指数的未来位置。根据测不准定理和混沌理论，由于物体运动的随机性，因此，某一时刻，该物体的运动位置和运动方向不能同时测出，确定了运动方向，位置便不确定。即未来有多个可能位置，每个可能位置都有其对应的出现概率。以天气预报为例，明天天气有降水和不降水两种可能值。如果降水概率是51%，则该预测值虽然出现概率最大，但在实际操作中不具备应用价值，几乎等于抛硬币的等概率碰机会事件。也就是说，用人工神经网络直接拟合并预测指数，即使的确能获得出现概率最大的那个预测值，但是却无法给出该预测值的出现概率。而预测值的出现概率却是证券公司在做决策时最关心的，直接影响证券投资公司所持有的头寸比重。为弥补这一不足，本文另辟蹊径，采用一种新型的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。再构建这些重要走势的时空统计参数——时空积，并将时空积划分成若干合适区段，得到时空积各区段的概率。最后，用BP网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。证券公司可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。

发明内容

本发明的目的在于提供了一种基于TSFA和ANN的指数走势时空积概率预测方法，它能为证券公司做投资决策提供一个基于数据统计面的数学量化工具。

本发明是这样来实现的，首先，采用一种新型的时间平滑滤波算法（TSFA）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。然后，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。最后，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。证券公司可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。

本发明的技术效果是：（1）采用独有的时间平滑滤波算法，将指数走势的重要高低点与中期高低点区分开来，避免证券分析师被短期波动所迷惑，造成中期情形的误判；

（2）能为证券分析师提供当前重要走势结束的具体概率值。该概率值是建立在历史数据统计分析基础上，数学基础牢固，客观性强，避免了带个人感情色彩的主观臆测。

（3）作为现代智能计算方法的人工神经网络技术，具有自适应自学习和泛化能力，可以不必知道被建模对象的任何先验知识，只需要大量的样本数据库，就可以通过网络学习寻得输入与输出之间的映射关系。而证券指数领域正好有大量可供分析的历史数据，对重要走势的统计分析又能够允许人工神经网络进行较长时间的学习。综上所述，人工神经网络技术特别适合用于分析证券数据。

附图说明

图1为基于新型时间平滑滤波算法的指数预处理算法流程图。

图2为基于重要高低点的甘氏线对后市的预测图。

图3为基于传统中期高低点的甘氏线对后市的预测图。

图4为基于二分法的非零概率个数及其一阶后向差分的变化图。

图5为最佳时空积区段划分系数（j=0）时，深证成指重要跌势的时空积概率柱状图。

图6基于ANN拟合的重要走势时空积概率预测图。

具体实施方式