[发明专利]基于TSFA和ANN的指数走势时空积概率预测方法

摘要

一种基于TSFA和ANN的指数走势时空积概率预测方法，先采用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，并根据非零频数的一阶后向差分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获得当前重要走势结束的概率值，从而为投资决策提供一个基于数据统计分析之上的客观的数学量化工具。它将指数走势的重要高低点与中期高低点区分开来，能为证券分析师提供当前重要走势结束的具体概率值；具有客观准确的优点。

主权项

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。