[发明专利]一种用于股市大盘形态分析的数据分析与显示方法

说明书

本公开的实施例公开了一种用于股市大盘形态分析的数据分析与显示方法。该方法的一具体实施方式包括：输入股市大盘样本数据，生成股市大盘样本数据的特征，利用卷积神经网络生成低维特征，基于低维特征利用竞争性神经网络生成样本节点，基于样本节点生成节点关系网络，利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别。该方法利用竞争性神经网络计算样本节点以及利用马尔可夫聚类方法计算数据类别，能够自适应的获取数据类别信息，为判断股市大盘形态提供依据。

技术领域

本公开实施例涉及计算机技术领域，具体涉及计算机数据分析技术领域。

背景技术

数据挖掘是指从大量数据中获取有效的、潜在有用且最终可以理解的知识或模式的过程，数据分类则是数据挖掘中一项非常重要的工作，目的是确定数据的类别。绝大多数数据分类方法都对时间很敏感，这一类随着时间推移通过反复测量而得到的数值或事件序列称为序列数据，例如股票市场的数据。将序列数据输入到分类方法或模型中，捕获数据中的类别信息，能够为判断序列数据形态提供依据。

现有数据分类方法采用欧式距离直接计算特征相似度，存在失效的可能性。对于序列数据进行分类时，如果利用全局信息则存在使用未来信息的风险，从而影响分类效果。此外，如果需要预先指定类别数量或分类规则，就无法做到自适应分类处理。

发明内容

本公开实施例提出了一种用于股市大盘形态分析的数据分析与显示方法。

第一方面，本公开实施例提供了一种用于股市大盘形态分析的数据分析与显示方法，该方法包括：获取股市大盘样本数据，其中，股市大盘样本数据为序列数据；生成股市大盘样本数据的特征；将股市大盘样本数据的特征输入预先训练的卷积神经网络，得到输出作为低维特征；基于低维特征，利用竞争性神经网络生成样本节点；基于样本节点，生成节点关系网络；利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别以及控制通信连接的显示设备显示输出类别。

在一些实施例中，一种用于股市大盘形态分析的数据分析与显示方法还包括：响应于股市大盘样本数据的输出类别是预定类别，将输出类别发送至支持报警的设备，控制设备发出警报信息。

在一些实施例中，卷积神经网络预先通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本数据和预先得到的样本低维特征；确定初始卷积神经网络的网络结构以及初始化初始卷积神经网络的网络参数；利用机器学习方法，将训练样本集合中的训练样本包括的样本数据确定为初始卷积神经网络的输入，将与输入的样本数据对应的预先得到的样本低维特征确定为初始卷积神经网络的期望输出，训练得到卷积神经网络。

在一些实施例中，基于低维特征，利用竞争性神经网络生成样本节点，包括：基于低维特征，利用竞争性神经网络生成股市大盘样本数据的类别标签；将股市大盘样本数据的类别标签确定为样本节点。

在一些实施例中，基于样本节点，生成节点关系网络，包括：基于样本节点，生成节点关系网络中的节点；生成节点关系网络中的边，其中，边表示不同节点之间的关系，边的权重为不同节点间的累计连接次数。

在一些实施例中，利用聚类方法，基于节点关系网络确定股市大盘样本数据的输出类别，包括：基于节点关系网络，生成节点概率矩阵；基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类；基于环路簇类，确定股市大盘样本数据的输出类别。

在一些实施例中，基于节点概率矩阵，利用聚类算法生成节点概率矩阵中的环路簇类，包括：基于马尔可夫随机游走规则，自适应生成节点概率矩阵中的环路簇类，其中，每个环路簇类代表一种股市大盘样本数据的输出类别。

第二方面，本公开实施例提供了一种终端设备，该终端设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。