本發(fā)明涉及股票金融預(yù)測(cè)的技術(shù)領(lǐng)域，具體涉及一種基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法。

背景技術(shù)：

股票交易規(guī)則的預(yù)測(cè)是股票金融領(lǐng)域十分關(guān)注的一個(gè)研究熱點(diǎn)，很多專家和投資人都在研究如何確定最佳的買入和賣出的時(shí)機(jī)，但是有時(shí)不可避免地會(huì)得到錯(cuò)誤的結(jié)果。因?yàn)楣善眱r(jià)格存在高維度和非穩(wěn)定性的原因，這導(dǎo)致股票交易規(guī)則的預(yù)測(cè)是存在很大難度的。同時(shí)股票價(jià)格容易受到經(jīng)濟(jì)環(huán)境以及政治形式等多方面因素的影響，這又在一定程度上提高了股票交易規(guī)則預(yù)測(cè)的難度。最初的股票預(yù)測(cè)的代表是以早期發(fā)展的技術(shù)分析理論為基礎(chǔ)的，如平均線理論、K線圖分析法、柱狀圖分析法等，隨著計(jì)算機(jī)技術(shù)和數(shù)據(jù)挖掘在證券領(lǐng)域的應(yīng)用，股票預(yù)測(cè)的方法也越來(lái)越多，但是大多數(shù)方法僅僅是分析手段，還不能直接預(yù)測(cè)股票市場(chǎng)的動(dòng)態(tài)。而且利用傳統(tǒng)的預(yù)測(cè)技術(shù)來(lái)預(yù)測(cè)股票市場(chǎng)的變換需要面對(duì)的最大的問(wèn)題就是待處理的數(shù)據(jù)量非常大，在這些海量的數(shù)據(jù)匯總往往隱含著各種各樣的交易規(guī)則的信息，這些信息單純僅憑人們的直覺(jué)和經(jīng)驗(yàn)是難以發(fā)現(xiàn)的。如何從大量數(shù)據(jù)中獲得有價(jià)值的信息，將是金融預(yù)測(cè)領(lǐng)域的挑戰(zhàn)性研究課題。

目前在股票預(yù)測(cè)領(lǐng)域比較常用的方法有BP神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，遺傳計(jì)算以及模糊推理等，比如，Wing W.Y.Ng et al利用遺傳算法最小化一個(gè)新的加權(quán)局部泛化誤差去預(yù)測(cè)交易點(diǎn)，比如，Luo and Chen提出一種基于分段線性表示方法和加權(quán)支持向量機(jī)的方法預(yù)測(cè)股票的交易信號(hào)，比如，Q.H.Huang et al使用雙聚類挖掘算法和K最近鄰分類算法去預(yù)測(cè)交易規(guī)則。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于避免了傳統(tǒng)上根據(jù)專家經(jīng)驗(yàn)構(gòu)建模糊規(guī)則存在的規(guī)則不夠客觀，專家經(jīng)驗(yàn)難以獲取的問(wèn)題，提供一種基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法，該預(yù)測(cè)方法能夠從大量的股票歷史數(shù)據(jù)中挖掘出有意義的交易規(guī)則信息，并且利用挖掘出的有價(jià)值的信息構(gòu)建模糊規(guī)則，使得模糊規(guī)則更具有針對(duì)性，并獲得較好的利潤(rùn)結(jié)果。

本發(fā)明的目的可以通過(guò)采取如下技術(shù)方案達(dá)到：

一種基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法，所述預(yù)測(cè)方法包括下列步驟：

S1、計(jì)算歷史股票數(shù)據(jù)中第i個(gè)交易日的未來(lái)收益率FR_i；

S2、將所述未來(lái)收益率FR_i進(jìn)行量級(jí)劃分，若第i個(gè)交易日的平均收盤價(jià)比當(dāng)天收盤價(jià)要高，則未來(lái)收益率FR_i≥0，若第i個(gè)交易日的平均價(jià)比當(dāng)天收盤價(jià)低，則未來(lái)收益率FR_i≤0；

S3、構(gòu)造指標(biāo)矩陣A＝(a_ij)_m×n,選取m個(gè)交易日的歷史股票數(shù)據(jù)，計(jì)算每個(gè)交易日的n個(gè)指標(biāo)特征值a_ij，其中i＝1,2,…,m；j＝1,2,…,n，a_ij表示第i交易日對(duì)應(yīng)的第j列指標(biāo)上的特征值；

S4、對(duì)指標(biāo)矩陣A使用雙聚類算法，通過(guò)雙聚類的挖掘，將所有得到的雙聚類放入一個(gè)雙聚類集合，集合中的每個(gè)雙聚類都對(duì)應(yīng)一種交易規(guī)則模式的信息；

S5、提取交易規(guī)則模式，從雙聚類集合中取出一個(gè)雙聚類，計(jì)算雙聚類中每一列的總和的平均值，并且計(jì)算雙聚類中每一行對(duì)應(yīng)的FR_i的總和的平均值，得到一個(gè)行向量D＝[Y₁,Y₂,…,Y_c,FR_av]，Y₁,Y₂,…,Y_c是雙聚類中包含的指標(biāo)列的平均值，F(xiàn)R_av是雙聚類中包含的未來(lái)收益率的平均值，行向量D是雙聚類中對(duì)應(yīng)的交易規(guī)則模式信息的量化表示；

S6、劃分模糊規(guī)則中前提條件和結(jié)論的量級(jí)，將所述行向量D中Y₁,Y₂,…,Y_c對(duì)應(yīng)的指標(biāo)列用來(lái)構(gòu)建模糊規(guī)則的前提條件，將所述行向量D中平均未來(lái)收益率FR_av用來(lái)構(gòu)建模糊規(guī)則的結(jié)論；

S7、構(gòu)建模糊規(guī)則，通過(guò)對(duì)行向量D包含的指標(biāo)列和平均未來(lái)回報(bào)率在量級(jí)上的劃分則可得到構(gòu)建模糊規(guī)則如下：

假如Y₁∈O₁并且Y₂∈O₂并且…Y_c∈O_c,則FR_av∈O_x,其中O₁,…,O_c表示指標(biāo)列的平均值的所屬量級(jí)，O_x表示平均未來(lái)收益率FR_av的值所屬量級(jí)，然后對(duì)雙聚類集合中的所有雙聚類進(jìn)行計(jì)算，依次得到每個(gè)雙聚類對(duì)應(yīng)的模糊規(guī)則；

S8、將所有的模糊規(guī)則進(jìn)行整合，得到模糊規(guī)則庫(kù)R，通過(guò)所得的模糊規(guī)則庫(kù)R構(gòu)造模糊預(yù)測(cè)模型；

S9、對(duì)于需要預(yù)測(cè)的某一個(gè)交易日Day_i，計(jì)算Day_i的n個(gè)股票技術(shù)指標(biāo)的值，然后輸入到該方法構(gòu)建的模糊預(yù)測(cè)模型中，可得到交易日Day_i的交易規(guī)則的預(yù)測(cè)，其中所述交易規(guī)則包括買入、賣出和持有。

進(jìn)一步地，所述步驟S1、計(jì)算歷史股票數(shù)據(jù)中第i個(gè)交易日的未來(lái)收益率FR_i具體包括：

S11、選取過(guò)去m天的股票歷史數(shù)據(jù)作為挖掘股票歷史數(shù)據(jù)中雙聚類的數(shù)據(jù)集；

S12、根據(jù)技術(shù)指標(biāo)公式計(jì)算出股票歷史數(shù)據(jù)中第i個(gè)交易日相對(duì)應(yīng)的股票技術(shù)指標(biāo)值，其中，所示技術(shù)指標(biāo)公式如下：

其中，ACl_i表示第i個(gè)交易日的平均收盤價(jià)，Cl_x表示第x個(gè)交易日的收盤價(jià)，t表示投資時(shí)間周期；

S13、計(jì)算第i個(gè)交易日的未來(lái)收益率FR_i，計(jì)算公式如下：

FR_i代表第i個(gè)交易日對(duì)應(yīng)的未來(lái)收益率。

進(jìn)一步地，所述股票歷史數(shù)據(jù)包括開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)和交易量。

進(jìn)一步地，所述步驟S2、將所述未來(lái)收益率FR_i進(jìn)行量級(jí)劃分的規(guī)則具體如下：

將交易日股價(jià)上漲分為小、中、大三種情況，對(duì)應(yīng)地選取閾值T_r將未來(lái)收益率按照以下規(guī)則劃分:如果T_r≤FR_i<2T_r，則置FR_i＝1；如果2T_r≤FR_i<3T_r，則置FR_i＝2；如果FR_i≥3T_r，則置FR_i＝3；

同理，將交易日股價(jià)下跌分為小、中、大三種情況，對(duì)應(yīng)地選取閾值T_r將未來(lái)收益率按照以下規(guī)則劃分:如果-2T_r≤FR_i<-T_r，則置FR_i＝-1；如果-3T_r≤FR_i<-2T_r，則置FR_i＝-2；如果FR_i≤-3T_r，則置FR_i＝-3。

進(jìn)一步地，所述步驟S6具體包括：

S61、對(duì)所述行向量D中Y₁,Y₂,…,Y_c對(duì)應(yīng)的指標(biāo)列使用隸屬度函數(shù)對(duì)每個(gè)指標(biāo)列的值進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將指標(biāo)值的大小劃分成small(對(duì)應(yīng)μ₀，σ₀)，medium(對(duì)應(yīng)μ₁，σ₁)，big(對(duì)應(yīng)μ₂，σ₂)，large(對(duì)應(yīng)μ₃，σ₃)四個(gè)量級(jí)；

S62、對(duì)行向量D中包含平均未來(lái)收益率對(duì)應(yīng)的值FR_av，使用隸屬的函數(shù)對(duì)FR的值進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將FR值的大小劃分成negative small(對(duì)應(yīng)w₀，t₀),negative large(對(duì)應(yīng)w₁，t₁),positive small(對(duì)應(yīng)w₂，t₂),positive large(對(duì)應(yīng)w₃，t₃)四個(gè)量級(jí)。

進(jìn)一步地，所述步驟S7中的所述指標(biāo)列的平均值的所屬量級(jí)包括small、medium、big和large，所述平均未來(lái)收益率FR_av的值所屬量級(jí)包括negative small、negative large、positive small和positive large。

進(jìn)一步地，所述步驟S3還包括：

對(duì)指標(biāo)矩陣A中每一列進(jìn)行歸一化處理，把指標(biāo)矩陣A中的技術(shù)指標(biāo)值a_ij保持在相同范圍(0,1)內(nèi)。

本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：

1、將雙聚類算法巧妙地應(yīng)用在了股票數(shù)據(jù)挖掘中，可以從大量的股票數(shù)據(jù)中挖掘出股票的交易規(guī)則模式，避免受到大量噪聲信息的影響，提取出有價(jià)值的信息。

2、可解決傳統(tǒng)上根據(jù)專家經(jīng)驗(yàn)構(gòu)建模糊規(guī)則存在的規(guī)則不夠客觀，專家經(jīng)驗(yàn)難以獲取的問(wèn)題，使得構(gòu)建出的規(guī)則更具有針對(duì)性，提升模糊預(yù)測(cè)模型的預(yù)測(cè)性能。

3、基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法能夠更好地預(yù)測(cè)股票的交易規(guī)則，在較好的時(shí)機(jī)進(jìn)行股票的買入或者賣出，獲得更大的利潤(rùn)。通過(guò)該算法，驗(yàn)證獲取的交易規(guī)則中的買入和賣出的時(shí)間點(diǎn)是靠近股票價(jià)格曲線的波谷和波峰，說(shuō)明預(yù)測(cè)的交易規(guī)則是準(zhǔn)確和有價(jià)值的。

附圖說(shuō)明

圖1為本發(fā)明公開(kāi)的基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法的流程步驟圖；

圖2為本發(fā)明方法中構(gòu)造指標(biāo)矩陣的示意圖；

圖3為本發(fā)明方法中每個(gè)指標(biāo)列使用的隸屬度函數(shù)IndicatorF(x)；

圖4為本發(fā)明方法中FR標(biāo)記列使用隸屬度函數(shù)FetureRF(x)；

圖5為本發(fā)明方法對(duì)西藏藥業(yè)(600211)股票的預(yù)測(cè)結(jié)果示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

實(shí)施例一

附圖1是本發(fā)明公開(kāi)的的基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法的流程步驟圖，如附圖1所示，本實(shí)施例中公開(kāi)的股票交易規(guī)則預(yù)測(cè)方法具體包括下列步驟：

S1、計(jì)算歷史股票數(shù)據(jù)中第i個(gè)交易日的未來(lái)收益率FR_i。

選取一段時(shí)間的股票數(shù)據(jù)作為挖掘雙聚類的數(shù)據(jù)集，根據(jù)不同技術(shù)指標(biāo)的公式計(jì)算出每一天的股票原始數(shù)據(jù)(開(kāi)盤價(jià),最高價(jià),最低價(jià),收盤價(jià),交易量)相對(duì)應(yīng)的技術(shù)指標(biāo)值，計(jì)算歷史股票數(shù)據(jù)中第i個(gè)交易日的未來(lái)收益率FR_i，未來(lái)收益率反應(yīng)股票價(jià)格的變動(dòng)趨勢(shì)，其中i表示交易日，F(xiàn)R_i表示第i個(gè)交易日的未來(lái)收益率。

S11、選取過(guò)去m天的股票歷史數(shù)據(jù)(開(kāi)盤價(jià)，最高價(jià)，最低價(jià)，收盤價(jià)，交易量)作為挖掘股票歷史數(shù)據(jù)中雙聚類的數(shù)據(jù)集；

S12、根據(jù)技術(shù)指標(biāo)公式計(jì)算出股票歷史數(shù)據(jù)中第i個(gè)交易日相對(duì)應(yīng)的股票技術(shù)指標(biāo)值，其中，所示技術(shù)指標(biāo)公式如下：

其中，ACl_i表示第i個(gè)交易日的平均收盤價(jià)，Cl_x表示第x個(gè)交易日的收盤價(jià)，t表示投資時(shí)間周期；

S13、計(jì)算第i個(gè)交易日的未來(lái)收益率FR_i，計(jì)算公式如下：

FR_i代表第i個(gè)交易日對(duì)應(yīng)的未來(lái)收益率。

S2、將所述未來(lái)收益率FR_i進(jìn)行量級(jí)劃分，若第i個(gè)交易日的平均收盤價(jià)比當(dāng)天收盤價(jià)要高，則未來(lái)收益率FR_i≥0，若第i個(gè)交易日的平均價(jià)比當(dāng)天收盤價(jià)低，則未來(lái)收益率FR_i≤0；

其中，未來(lái)收益率代表股價(jià)的變化趨勢(shì)，如果第i個(gè)交易日來(lái)說(shuō)，未來(lái)t個(gè)交易日內(nèi)的收盤價(jià)有所上漲，則第i個(gè)交易日的平均收盤價(jià)比當(dāng)天收盤價(jià)要高，未來(lái)收益率FR_i≥0。同理，如果第i個(gè)交易日后的未來(lái)t個(gè)交易日的收盤價(jià)下跌，第i個(gè)交易日的平均價(jià)比當(dāng)天收盤價(jià)低，未來(lái)收益率FR_i≤0。因此，根據(jù)交易日股價(jià)上漲分為小，中，大三種情況，對(duì)應(yīng)地選取閾值T_r將未來(lái)收益率按照以下規(guī)則劃分:如果T_r≤FR_i<2T_r，則置FR_i＝1；如果2T_r≤FR_i<3T_r，則置FR_i＝2；如果FR_i≥3T_r，則置FR_i＝3；同理，根據(jù)交易日股價(jià)下跌分為小，中，大三種情況。如果-2T_r≤FR_i<-T_r，則置FR_i＝-1；如果-3T_r≤FR_i<-2T_r，則置FR_i＝-2；如果FR_i≤-3T_r，則置FR_i＝-3。

S3、構(gòu)造指標(biāo)矩陣A＝(a_ij)_m×n,選取m個(gè)交易日的歷史股票數(shù)據(jù)，計(jì)算每個(gè)交易日的n個(gè)指標(biāo)特征值a_ij，其中i＝1,2,…,m；j＝1,2,…,n，a_ij位于矩陣A的第i行第j列，表示第i交易日對(duì)應(yīng)的第j列指標(biāo)上的特征值。

在本實(shí)施例中，設(shè)n＝32，即選取32個(gè)技術(shù)指標(biāo)值，分別是SMA[周期6，10，12，24，30]、RSI[周期6，12，18，24，30]、WMS[周期6，14，20]，ROC[周期6，12，24，28]、CCI[周期6，12，14，28]、EMV[周期6，12，14，28]、UO[周期7，14，28]、ARBR[周期26，26]、KDJ[周期9，9，9]、MTM[周期6]。其中，每個(gè)指標(biāo)對(duì)應(yīng)的每個(gè)周期可以計(jì)算得到一個(gè)技術(shù)指標(biāo)值，但在UO指標(biāo)中，三個(gè)周期共同計(jì)算得到一個(gè)指標(biāo)值。定義指標(biāo)矩陣其中i＝1,2,…,m；j＝1,2,…,32。a_ij表示第i交易日對(duì)應(yīng)的第j列技術(shù)指標(biāo)的指標(biāo)特征值a_ij。相應(yīng)地，定義矩陣其中i＝1,2,…,m。B矩陣是由m個(gè)交易日中每個(gè)交易日的未來(lái)回報(bào)率構(gòu)成的。

構(gòu)建指標(biāo)矩陣A需要選取n個(gè)技術(shù)指標(biāo)作為特征，通過(guò)計(jì)算這些特征在不同周期下的指標(biāo)值，則可得到每一天的n個(gè)技術(shù)指標(biāo)的技術(shù)指標(biāo)值，這些特征是判斷股票價(jià)格變換趨勢(shì)有利的依據(jù)。同時(shí)對(duì)指標(biāo)矩陣A中每一列進(jìn)行歸一化處理，把指標(biāo)矩陣A中的技術(shù)指標(biāo)值a_ij保持在相同范圍(0,1)內(nèi)。

S4、對(duì)指標(biāo)矩陣A使用雙聚類算法，通過(guò)雙聚類的挖掘，將所有得到的雙聚類放入一個(gè)雙聚類集合，集合中的每個(gè)雙聚類都對(duì)應(yīng)一種交易規(guī)則模式的信息。

S5、提取交易規(guī)則模式，從雙聚類集合中取出一個(gè)雙聚類，計(jì)算雙聚類中每一列的總和的平均值，并且計(jì)算雙聚類中每一行對(duì)應(yīng)的FR_i的總和的平均值，得到一個(gè)行向量D＝[Y₁,Y₂,…,Y_c,FR_av]，Y₁,Y₂,…,Y_c是雙聚類中包含的指標(biāo)列的平均值，F(xiàn)R_av是雙聚類中包含的未來(lái)收益率的平均值，行向量D是雙聚類中對(duì)應(yīng)的交易規(guī)則模式信息的量化表示。

由于每個(gè)雙聚類都是一個(gè)二維矩陣，因此對(duì)雙聚類取列平均，則可得到一個(gè)行向量D＝[Y₁,Y₂,…,Y_c,FR_av]。而且通過(guò)列平均的方法對(duì)雙聚類中的數(shù)據(jù)進(jìn)行降維處理，可以對(duì)雙聚類中包含的少量噪聲數(shù)據(jù)起到平衡的作用。

S6、劃分模糊規(guī)則中前提條件和結(jié)論的量級(jí)。因?yàn)橐粋€(gè)模糊規(guī)則由前提條件和結(jié)論構(gòu)成，行向量D中Y₁,Y₂,…,Y_c對(duì)應(yīng)的指標(biāo)列用來(lái)構(gòu)建模糊規(guī)則的前提條件，平均未來(lái)收益率用來(lái)構(gòu)建模糊規(guī)則的結(jié)論。對(duì)行向量D中Y₁,Y₂,…,Y_c對(duì)應(yīng)的指標(biāo)列使用隸屬度函數(shù)對(duì)每個(gè)指標(biāo)列的值進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將指標(biāo)值的大小劃分成small(對(duì)應(yīng)μ₀，σ₀)，medium(對(duì)應(yīng)μ₁，σ₁)，big(對(duì)應(yīng)μ₂，σ₂)，large(對(duì)應(yīng)μ₃，σ₃)的四個(gè)量級(jí)。同理，對(duì)行向量D中包含平均未來(lái)收益率對(duì)應(yīng)的值FR_av，使用隸屬的函數(shù)對(duì)FR的值也進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將FR值的大小劃分成negative small(對(duì)應(yīng)w₀，t₀),negative large(對(duì)應(yīng)w₁，t₁),positive small(對(duì)應(yīng)w₂，t₂),positive large(對(duì)應(yīng)w₃，t₃)四個(gè)量級(jí)。

S7、構(gòu)建模糊規(guī)則。通過(guò)對(duì)行向量D包含的指標(biāo)列和平均未來(lái)回報(bào)率在量級(jí)上的劃分則可得到構(gòu)建模糊規(guī)則如下：

假如Y₁∈O₁并且Y₂∈O₂并且…Y_c∈O_c,則FR_av∈O_x,其中O₁,…,O_c表示指標(biāo)列的平均值的所屬量級(jí)(small,medium,big,large其中之一)，O_x表示平均未來(lái)收益率FR_av的值所屬量級(jí)(negative small,negativelarge,positive small,positive large其中之一)，然后對(duì)雙聚類集合中的所有雙聚類進(jìn)行計(jì)算，依次得到每個(gè)雙聚類對(duì)應(yīng)的模糊規(guī)則。

將由挖掘出的雙聚類轉(zhuǎn)化為成的行向量D，以其作為依據(jù)構(gòu)建模糊規(guī)則，避免了傳統(tǒng)上構(gòu)建模糊規(guī)則根據(jù)專家經(jīng)驗(yàn)構(gòu)建模糊規(guī)則存在的規(guī)則不夠客觀，專家經(jīng)驗(yàn)難以獲取的問(wèn)題，而且構(gòu)建出的模糊規(guī)則更具有針對(duì)性，是基于數(shù)據(jù)本身蘊(yùn)含的規(guī)律構(gòu)建的。

S8、將所有的模糊規(guī)則進(jìn)行整合，得到模糊規(guī)則庫(kù)R，通過(guò)所得的模糊規(guī)則庫(kù)R構(gòu)造模糊預(yù)測(cè)模型。

S9、對(duì)于需要預(yù)測(cè)的某一個(gè)交易日Day_i，計(jì)算Day_i的n個(gè)股票技術(shù)指標(biāo)的值，然后輸入到該方法構(gòu)建的模糊預(yù)測(cè)模型中，可得到交易日Day_i的交易規(guī)則的預(yù)測(cè)，其中所述交易規(guī)則包括買入、賣出和持有。

綜上所述，本實(shí)施例公開(kāi)了一種基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法，通過(guò)使用雙聚類算法去挖掘交易規(guī)則的模式，然后利用上述交易規(guī)則的模式構(gòu)更有針對(duì)性的模糊規(guī)則，很好地解決了傳統(tǒng)方法中根據(jù)專家經(jīng)驗(yàn)構(gòu)建模糊規(guī)則存在的規(guī)則不夠客觀，專家經(jīng)驗(yàn)難以獲取的問(wèn)題。

實(shí)施例二

如圖1至圖5，本實(shí)施例選擇具體的股票--西藏藥業(yè)(600211)，采用基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法進(jìn)行交易規(guī)則的預(yù)測(cè)，包括以下步驟：

1)選取m＝1320天的西藏藥業(yè)(600211)股票數(shù)據(jù)(開(kāi)盤價(jià)，最高價(jià)，最低價(jià)，收盤價(jià)，交易量)作為挖掘股票歷史數(shù)據(jù)中的交易規(guī)則模式的數(shù)據(jù)集，選取32個(gè)股票技術(shù)指標(biāo)作為評(píng)價(jià)每一天的交易信息的特征，同時(shí)給m天的數(shù)據(jù)集中的每一天標(biāo)記一個(gè)未來(lái)收益率FR_i,首先需要計(jì)算t個(gè)交易日的平均收盤價(jià)ACl_i,

其中，Cl_x表示第i個(gè)交易日的收盤價(jià)，t表示投資周時(shí)間周期。

代表第i個(gè)交易日對(duì)應(yīng)的未來(lái)收益率，ACl_i代表平均收盤價(jià)。FR_i在一定程度上反映了股票價(jià)格變換的趨勢(shì)。

2)計(jì)算m個(gè)的交易日中每一天的未來(lái)收益率FR_i，將其作為訓(xùn)練集的標(biāo)記，設(shè)閾值為T_r＝0.15％。如果T_r≤FR_i<2T_r，則置FR_i＝1；如果2T_r≤FR_i<3T_r，則置FR_i＝2；如果FR_i≥3T_r，則置FR_i＝3；如果-2T_r≤FR_i<-T_r，則置FR_i＝-1；如果-3T_r≤FR_i<-2T_r，則置FR_i＝-2；如果FR_i≤-3T_r，則置FR_i＝-3。

3)根據(jù)選取的1320天股票數(shù)據(jù)以及32個(gè)指標(biāo)的技術(shù)公式，計(jì)算1320天中每一天的32個(gè)技術(shù)指標(biāo)的值，如圖2所示，設(shè)指標(biāo)矩陣為A，行數(shù)為1320表示數(shù)據(jù)集中的每一天，列數(shù)為33表示32個(gè)技術(shù)指標(biāo)以及FR_i標(biāo)記，即指標(biāo)矩陣的大小為1320×33，同時(shí)對(duì)矩陣中的每一列進(jìn)行歸一化處理。

4)對(duì)指標(biāo)矩陣A使用雙聚類算法，進(jìn)行雙聚類的挖掘，將所有得到的雙聚類放入一個(gè)名為Bicluster_Set的集合，集合中的每個(gè)雙聚類都蘊(yùn)含一定的交易規(guī)則模式的信息。

5)從Bicluster_Set的集合中取出一個(gè)雙聚類，需要將雙聚類中蘊(yùn)含的交易規(guī)則模式信息提取出來(lái)，從而構(gòu)建模糊規(guī)則。因?yàn)槊總€(gè)雙聚類都是一個(gè)二維矩陣，因此對(duì)雙聚類取列平均，則可得到一個(gè)行向量D＝[Y₁,Y₂,…,Y_c,FR_av]，Y₁,Y₂,…,Y_c是雙聚類中包含的指標(biāo)列的平均值，F(xiàn)R_av是雙聚類中包含標(biāo)記列。行向量D是雙聚類中蘊(yùn)含的交易規(guī)則模式信息的量化表示。

5)因?yàn)橐粋€(gè)模糊規(guī)則由前提條件和結(jié)論構(gòu)成，因此需要將行向量D轉(zhuǎn)化成模糊規(guī)則，D包含的指標(biāo)列用來(lái)構(gòu)建模糊規(guī)則的前提條件，包含的FR_av標(biāo)記列用來(lái)構(gòu)建模糊規(guī)則的結(jié)論。如圖3所示，對(duì)D包含的每個(gè)指標(biāo)列使用隸屬度函數(shù)對(duì)每個(gè)指標(biāo)列的值進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將指標(biāo)值的大小劃分成small(對(duì)應(yīng)μ₀＝0，)，medium(對(duì)應(yīng))，big(對(duì)應(yīng))，large(對(duì)應(yīng)μ₃＝1，)的四個(gè)量級(jí)。如圖4所示，對(duì)Average_Bic包含的FR標(biāo)記列使用隸屬的函數(shù)對(duì)FR的值也進(jìn)行一個(gè)語(yǔ)言變量的量級(jí)上的劃分，將FR值的大小劃分成negative small(對(duì)應(yīng)w₀＝-1，t₀＝1),negative large(對(duì)應(yīng)w₁＝-3，t₁＝1),positive small(對(duì)應(yīng)w₂＝1，t₂＝1),positive large(對(duì)應(yīng)w₃＝3，t₃＝1)四個(gè)量級(jí)。

6)通過(guò)對(duì)行向量D包含的指標(biāo)列的平均值以及標(biāo)記列FR的平均值在量級(jí)上的劃分則可構(gòu)建模糊規(guī)則。

假如Y₁∈O₁并且Y₂∈O₂并且…Y_c∈O_c,則FR_av∈O_x.其中，Y₁…Y_c表示指標(biāo)列的平均值的所屬量級(jí)(small,medium,big,large其中之一)，O_x表示標(biāo)記列FR_av的平均值所屬量級(jí)(negative small,negativelarge,positive small,positive large其中之一)，然后對(duì)雙聚類集合Bicluster_Set中的所有雙聚類進(jìn)行計(jì)算，依次得到每個(gè)雙聚類對(duì)應(yīng)的模糊規(guī)則。

7)將所有的模糊規(guī)則進(jìn)行整合，得到模糊規(guī)則庫(kù)R。通過(guò)所得的模糊規(guī)則庫(kù)R構(gòu)造模糊預(yù)測(cè)模型。

8)對(duì)于需要預(yù)測(cè)的西藏藥業(yè)(600211)中的某個(gè)交易日Day_i，計(jì)算Day_i的32個(gè)股票技術(shù)指標(biāo)的值，然后輸入到該方法構(gòu)建的模糊預(yù)測(cè)模型中，可得到Day_i該天的價(jià)格變化趨勢(shì)的預(yù)測(cè)，若該天的價(jià)格預(yù)測(cè)是上漲趨勢(shì)，則應(yīng)該買入，反之則應(yīng)該賣出,則可對(duì)股票的交易規(guī)則進(jìn)行預(yù)測(cè)。如圖5所示，運(yùn)用該方法對(duì)西藏藥業(yè)(600211)在2010/08/30-2011/08/11這段時(shí)間交易規(guī)則預(yù)測(cè)的結(jié)果。

綜上所述，本發(fā)明公開(kāi)的一種基于雙聚類挖掘及模糊推理的股票交易規(guī)則預(yù)測(cè)方法提出的預(yù)測(cè)模型能夠?qū)善眱r(jià)格曲線中的交易規(guī)則進(jìn)行預(yù)測(cè)，為投資者在最好的時(shí)機(jī)買入或者賣出股票提供參考，通過(guò)從大量的股票歷史數(shù)據(jù)中挖掘出有意義的交易規(guī)則信息，并且利用挖掘出的有價(jià)值的信息構(gòu)建模糊規(guī)則，使得模糊規(guī)則更具有針對(duì)性，并獲得較好的利潤(rùn)結(jié)果。

上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡(jiǎn)化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。