[发明专利]一种基于量子谐振子的股票可预测性评估方法

说明书

本发明公开了一种基于量子谐振子的股票可预测性评估方法：步骤1，采集股票价格序列数据，进行对数化预处理，得到股票价格的对数收益率序列；步骤2，使用对数收益率序列构建混合卡方形式的量子谐振子波函数，求解量子谐振子第n能级波函数参数，并得到量子谐振子处于各个能级的概率；步骤3，采用阈值二分类方法对概率进行处理，处理结果作为股票可预测性评估指标值。本发明的方法通过量子谐振子模型分析股票市场中规律性波动的占比，实现股票市场的可预测性评估；设计了一种基于前馈神经网络的QHO波动方程求解算法解决QHO波函数求解困难问题，实现了对于中国A股市场的可预测性量化评估，提高了股票可预测性评估的准确性。

技术领域

本发明属于股票可预测性评估领域，涉及一种基于量子谐振子的股票可预测性评估方法。

背景技术

伴随我国金融市场的进一步发展，股票交易越来越受到更多投资者的青睐。然而我国的股票市场依旧处于发展的初级阶段，表现出弱式有效特征，不同时间段股票可预测性变化大，价格变动因素构成复杂。对于股票可预测性的高效评估将有助于提升投资者收益，并为监管机构的宏观经济政策制定提供帮助。

根据有效市场假说所述，股票市场的有效性与股票市场价格波动的随机游走程度呈正相关，即价格波动随机游走程度越高，市场的有效性越高，而越有效的市场可预测性将越差。因此，通过检测和量化股票市场价格波动的随机程度，便可以实现对股票市场可预测性的评估。因此，本申请的研究内容是对于股票可预测性评估的方法的构建。

本申请的研究对象是股票市场中的众多股票价格序列。因为股票的可预测性并非显性存在的变量，通过合理方法量化评估股票的可预测性是一个重要研究问题。目前，学界进行股票可预测性评估的主要手段为基于有效市场假说验证股票市场波动的随机程度来间接地实现股票的可预测性评估。实际实验中，若检测到股票价格的变动不遵循随机游走，则股票价格变动上将跟踪一段时间的趋势，说明此时股票市场具备一定的可预测性，理论上投资者可以通过对历史价格的回归分析来预测未来价格并以此获得回报。

几何布朗运动模型是最早被运用于该领域进行股票市场波动描述的模型，该模型证明了绝大多数股票市场的对数收益率呈高斯分布，这表明这些股票市场处于有效或者弱式有效状态。然而后续研究表明，在特定时段内股票收益率的分布具有非高斯特性，包括负偏度和正超额峰度。几何布朗运动模型数学假说过于理想化，难以解释这些特定时段的波动情况。为了更好地描述股票收益率分布的特征，学界提出了许多模型，如方差伽马模型、拉普拉斯分布模型和赫斯顿模型等。这类数学模型相较于几何布朗运动模型更为完备，可以更好地描述市场在一定时间段内的规律性变动。然而对于极其复杂的股票市场，这些模型依旧难以完整描述所有的特殊价格变动，导致最终的拟合结果依旧与实际市场情况存在偏差非常大(见图1中的Stage2和Stage4)。

发明内容

针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于量子谐振子的股票可预测性评估方法，以解决现有预测方法存在的股票在不同时间段的可预测性差距巨大，影响投资人预测判断和决策的问题。本发明的方法能够有效提高股票可预测性评估的准确性，从而能够提高投资人收益。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于量子谐振子的股票可预测性评估方法，包括以下步骤：

步骤1，采集股票价格序列数据，进行对数化预处理，得到股票价格的对数收益率序列，具体是：

步骤11，采集股票价格序列数据；

步骤12，对股票价格序列数据进行切片，对切片后的数据分别使用Softmax函数进行无量纲化处理；

步骤13，将步骤12的输出的无量纲化处理后的切片数据进行对数化运算，得到股票价格的对数收益率序列；