[发明专利]一种时间序列的走势转换拐点预测计算方法及其装置

说明书

本发明公开了一种针对时间序列的走势转换拐点的计算方法。方法首先设计了一种时间序列转换拐点计算的框架；在此基础上，根据时间序列的历史走势，总结经验，设计相应的计算策略并将其添加到框架中。方法根据所依据计算数据的范围，将输出结果分为两种典型的操作类型：高频方式和低频方式。对两种方式分别进行训练获得最佳参数后，对每只时间序列在每天数据更新后，计算该时间序列当日是否出现转换拐点，同时以二分查找法迅速预估明日出现转换拐点的条件。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。

技术领域

本发明涉及时间序列的数据挖掘技术领域，尤其是涉及一种针对时间序列的走势转换拐点的计算方法。

背景技术

时间序列就是一组按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周、月等。如果你是一个股民，某只股票的股价就是一类时序数据，其记录着每个时间点该股票的股价。如果你是一个运维人员，监控数据是一类时序数据，例如对于机器的CPU的监控数据，就是记录着每个时间点机器上CPU的实际消耗值。另外还有用电量时间序列、电商销售量时间序列、脑电时间序列、气温时间序列等等。

时间序列的分析预测问题一直是一个研究热点。采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用时间序列模型时，总是假定某一数据变化模式或某一种组合模式会重复发生。因此需要首先识别出这种模式，然后采用外推的方式进行预测。

依据其建模理论不同,可将这些预测模型划分为两个大类:一类是以统计原理为基础的传统型波动率预测模型,目前较为流行且具有代表性的模型包括ARCH模型和SV模型;另一类是以神经网络、灰色理论、支持向量机等为基础的创新型预测模型。这两类模型在进行预测时各有特点,但其预测的准确度仍有待提高。

发明内容

本发明公开了一种针对时间序列的走势转换拐点的计算方法。方法首先设计了一种时间序列转换拐点计算的框架；在此基础上，根据时间序列的历史走势，总结经验，设计相应的计算策略并将其添加到框架中。方法根据所依据计算数据的范围，将输出结果分为两种典型的操作类型：高频方式和低频方式。对两种方式分别进行训练获得最佳参数后，对每只时间序列在每天数据更新后，计算该时间序列当日是否出现转换拐点，同时以二分查找法迅速预估明日出现转换拐点的条件。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。

本发明方法在每日数据更新后进行计算分析，无未来函数，后续转换拐点的生成不会影响前面生成的结果。对转换拐点的结果可视化后，用户使用上直观、方便。最后对上述提出的方法通过计算机系统进行了实现，并形成装置，以供对用户输入的时间序列进行预测。

本发明方法的具体步骤如下：

（1）基于长短期线设计转换拐点计算框架；

（2）基于斜率组合方式对长期线的生成进行参数调整；

（3）根据短期线所依据计算数据的范围，将输出结果分为高频和低频两种典型的模式；

（4）结合历史数据，根据转换拐点生成真实的预测记录，并计算增长，以进行参数调优；

（5）对时间序列在每天数据更新后，结合当天数据计算该时间序列当日是否出现转换拐点；同时以二分查找法预估明日出现转换拐点的条件。

其中，步骤(1)中基于长短期线设计转换拐点计算框架，具体为：基于当前及历史数据计算两条走势曲线：长期线和短期线。当短期线从下往上穿过长期线时，记录该交点为上拐点；反之，当短期线从上往下穿过长期线时，记录该交点为下拐点。长短期线以统一的形式定义为：Line = EMA(SLOPE(D,K)*T+D,L)。根据参数变量K、T、L取值的不同，基于统一形式进一步具体定义长短线。如典型定义：