[发明专利]基于指数ETF特点的股票市场预测方法、装置、终端及介质

说明书

本申请公开了一种基于指数ETF特点的股票市场预测方法、装置、终端及介质，本申请通过获取金融股票市场中目标行业板块下的股票数据与大盘因子数据，然后截取股票数据与大盘因子数据的部分时间序列，通过TOPSIS多目标优化模型进行运算，得到不同股票数据的相关性数值，按照各个股票数据的相关性数值与理想最优解间的距离及与理想最劣解间的距离，确定各个股票数据的股票评分，从而可以根据各个股票数据的股票评分确定该股票的好坏，然后根据符合ETF特点的股票有针对性地进行市场预测，保证预测效果的准确性，同时避免了传统机器学习模型预测方式因需要不断提供大量数据进行学习来保证模型准确性而造成的计算性能下降问题，保证了预测的效率。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于指数ETF特点的股票市场预测方法、装置、终端及介质。

背景技术

ETF是一般指交易型开放式指数基金。交易型开放式指数基金，通常又被称为交易所交易基金，是一种在交易所上市交易的、基金份额可变的开放式基金。在当前的金融市场中，ETF是一种不断增长的投资方式，而基于行业指数ETF通常是在广泛的市场数据和个股之间建立桥梁的投资产品。

股票市场预测和选股本身是极其复杂和困难的问题，因为有太多的因素和噪音影响价格的变化。传统的交易策略倾向于选择少量的股票，并根据以前的经验、新闻和对特定指标的判断来选择股票，以获得回报。定量交易是基于计算机算法，生成自动交易决策和在市场中下订单。定量交易弥补了传统策略缺乏数据分析的不足。定量交易的挑战主要来自于价格时间序列的连续演化，从而产生了制定贸易行动决策的动态周期。

目前在定量交易研究主要是基于机器学习或深度学习构建不同的交易模型，通过这些机器学习模型来区分“好”股票和“坏”股票，并使用各种深度学习模型预测的股价结果选择地评估股票的优劣。但是，实际应用中，由于机器学习模型的运算特性，往往使用大量的数据输入到预测交易算法模型，通过不断提高学习模型的复杂程度以达到更好的学习性能，从而提高模型的准确率，但这样又会导致可解释性与计算性能的下降，从而造成了现有的股票市场预测方式存在处理效率低的技术问题。

发明内容

本申请提供了一种基于指数ETF特点的股票市场预测方法、装置、终端及介质，用于解决现有的股票市场预测方式处理效率低的技术问题。

为解决上述的技术问题，本申请第一方面提供了一种基于指数ETF特点的股票市场预测方法，包括：

获取目标行业的大盘因子数据与所述目标行业的多个股票数据；

根据所述大盘因子数据与各个所述股票数据的时间序列，通过滑动窗口截取方式与相关性度量方式，分别得到所述大盘因子数据与各个所述股票数据间的相关性时间序列；

根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，构建相关性数值矩阵，所述相关性数值矩阵中包含有各个所述股票数据的相关性数值；

根据各个所述股票数据的相关性数值中的最大值与最小值，确定各个所述股票数据中的理想最优解与理想最劣解；

根据各个所述股票数据的相关性数值，分别计算各个所述股票数据的第一距离与第二距离，其中，所述第一距离为所述股票数据与所述理想最优解间的距离，所述第二距离为所述股票数据与所述理想最劣解间的距离；

根据各个所述股票数据的第一距离与第二距离，确定各个所述股票数据的股票评分；

根据所述股票评分对各个所述股票数据进行排序，筛选出若干个得分靠前的目标股票，结合预设的SVM机器学习模型进行股票市场预测，以获得预测结果。

优选地，获取到的所述大盘因子数据数量为一个或多个。

优选地，当获取到的所述大盘因子数据数量为一个时，所述根据所述相关性时间序列，通过TOPSIS多目标优化模型进行运算，得到各个所述股票数据的相关性数值具体包括：