[发明专利]一种自适应的异同滑动平均线股票趋势预测方法

权利要求书

1.一种自适应的异同滑动平均线股票趋势预测方法，其特征在于，包括以下步骤：

S1、数据划分

对所提取多只股票的大量股票数据进行预处理，以每天的收盘价为基础，以n天为一组，对每只股票的数据进行分段处理，再利用MATLAB分别将每段数据绘制成一幅波形图；

S2、构造聚类标准

对每一幅波形图按照相似度测度进行聚类，采用模糊C-均值聚类方法，给定聚类中心数目，模糊加权指数，最大迭代次数以及算法终止阈值，随机初始化隶属度矩阵，以多项式函数为聚类中心，定义目标函数，确定聚类标准；

S3、聚类

按照构造好的聚类标准，对每幅波形图进行分层聚类，将相似度最高、特征最相近的波形放在一起；

S4、确定不同的参数

通过神经网络对已经聚类的波形图分类进行训练学习，再为每个类别的股票确定不同的参数；

S5、构建自适应异同滑动平均线

为不同类别的股票确定了不同的参数后，利用每个类别股票的参数以及异同滑动平均线MACD指标的构造原理，分别为每个类别的股票数据建立一个异同滑动平均线MACD模型，将所有的异同滑动平均线MACD模型组合起来，构建成最终的自适应的异同滑动平均线；

S6、利用自适应异同滑动平均线进行股票预测

利用最终的自适应的异同滑动平均线MACD进行股票预测，获得精准的预测结果。

2.如权利要求1所述的自适应的异同滑动平均线股票趋势预测方法，其特征在于，所述步骤S2中相似度测度进行聚类是对每幅波形图进行特征提取，每幅波形图都具有其独特的特征，提取的特征包括：均值、方差、标准差、变异系数和中心距，通过提取的特征反映波形图的特征。

3.如权利要求2所述的自适应的异同滑动平均线股票趋势预测方法，其特征在于，所述步骤S2中模糊C-均值聚类方法包括以下步骤：

S21、给定聚类中心数目C，最大迭代次数L，模糊加权指数m，以及算法终止阈值，随机初始化隶属度矩阵；

设u_ki是第i个像素对第k个聚类平面的隶属度，其中i∈[1，N]，k∈[1，C]隶属度要求满足：

S22、以多项式函数为聚类中心，定义目标函数，构造聚类标准；

图像数据点的聚类过程就是曲面拟合过程，设聚类平面的多项式函数为：

f(x,y)＝ax+by+c

以多项式函数代替聚类中心，目标函数定义为：

其中，k＝1,2，…，C，C是聚类平面个数，N是图像中像素个数，m是模糊加权指数，a_k，b_k，c_k分别是第k个聚类平面的多项式系数，x_i，y_i是第i个像素的横、纵坐标，p_i是第i个像素的灰度值，G_ki是模糊因子，用于控制去除噪声和保留图像细节之间的权重，定义为：

其中，δ_ij用于描述邻域像素对中心像素点的影响程度，定义为：

δ_ij＝δ_sd·δ_sc·δ_ss

其中，δ_sd表示像素i与像素j之间的空间距离，定义为：

这里，d_ij计算的是两个像素灰度差值；

其中，δ_sc的值反映了邻域点所在局部窗口中像素灰度值的离散情况，取值为[0，1]，定义为：

其中，ε_j是局部窗口的变异系数被线性归一化到一个0～1之间的数值；

其中，灰度相似性δ_ss反应了邻域像素与中心像素的关系，设S_ij是第j个邻域像素与第i个中心像素之间的灰度差值，是灰度差值的平均值，定义如下：

S_ij＝||x_j-x_i||²

其中，N_R表示局部窗口中邻域点的数量，N_i是第i个像素的邻域中像素的集合；

因此，灰度相似性δ_ss定义为：

聚类标准是：由于指数函数具有较大的变化率，当S_ij与之间差值较大时，指数函数迅速趋近于0；当δ_ss越大，说明中心点与邻域点容易被分到一类，则邻域点对中心点的影响越大；反之减小；利用从各幅波形图中所提取出来的特征带入目标函数，构造聚类标准。