[发明专利]一种面向金融高频交易数据的情景感知测定方法和系统

摘要

本发明属于信息技术领域，具体为一种面向金融高频交易数据的情景感知测定方法和系统。测定方法包括四个步骤：步骤1：建立金融高频交易数据库；步骤2：建立情景关联规则库；步骤3：情景感知计算；步骤4：结果反馈与更新。测定系统包括对应的4个模块。本发明从情景感知角度计算宏观经济环境、自然环境和金融政策事件所产生的情景冲击对高频交易的影响，为用户提供金融高频交易操作决策参考，达到规避风险、更好获利的目的。本发明优点：(1)综合考虑到宏观经济环境、自然环境和金融政策事件对金融高频交易所产生的动态效应，更好地利于用户做出投资判断；(2)具备反馈机制，能不断完善情景关联规则库，使计算结果更准确。

主权项

1.一种面向金融高频交易数据的情景感知测定方法，其特征在于，具体步骤为：步骤1：建立金融高频交易数据库；依次包括数据导入、数据整理和数据分类共三个过程，其中：数据导入：将分时金融高频交易数据文件、分笔金融高频交易数据文件导入到数据库模块；交易数据文件采用Txt或Excel格式；数据整理：调用数据整理函数DataProcess，对已经导入的数据进行检查与整理，去掉重复的数据；数据分类：调用分类函数DataClassify，将数据依据分笔交易数据、分时交易数据插入到数据库对应的表中；步骤2：建立情景关联规则库；依次包括特征变量提取、数据挖掘和建立情景关联规则共三个过程，其中：特征变量提取：将影响高频交易数据的宏观经济指标、自然环境因素和金融政策事件的特征提取出来，构成特征变量集；数据挖掘：根据历史高频交易数据，结合特征变量，采用聚类方法、神经网络技术、计量分析手段进行数据挖掘，得出规律；在进行数据挖掘时，采用Matlab软件编写程序代码来实现蚁群聚类寻找出价、量形态存在相似性的高频交易时段；运用神经网络技术对历史高频交易数据分析，进而预测证券波动走势；通过假设检验及计量经济分析来挖掘高频交易数据的规律；其中，聚类寻找相似的高频交易时段时需要计算数据对象的相似度，计算数据对象的相似度包括：计算对象的属性概率和计算对象的相似度共两个过程，具体如下：计算对象的属性概率：假设所取样本数据集D中共有5000个数据对象，d1，d2，…,d5000；每个数据对象共有5个属性：交易时刻、成交价、成交量、成交金额、成交笔数，依次记为A1，A2，…，A5，在D中所有数据对象中Aj属性共出现qij次，则对象di在属性Aj上的属性概率为： ；计算对象的相似度：对象的相似度指的是待聚类对象和它周围数据对象之间的相似程度，对象di的相似度是该对象的各个属性的属性概率的算术平均值，因此，对象的相似度通过以下的公式计算得出：建立情景关联规则：在数据库中建立情景关联规则表tableRule，tableRule的结构包括：规则编号、规则内容、规则类型、可信度共四个字段，其中：规则编号：初始值是1，采用自动增1的方式；规则内容：采用varchar(200)类型，将之前数据挖掘所得出的规律归纳成规则形式予以保存；规则类型：采用varchar(10)类型，0代表负向相关，1代表正向相关；可信度：采用numeric(9,4)类型，记录当前规则内容的可信程度百分比；步骤3：情景感知计算；包括情景识别和基于ACD 模型的计算，其中，情景识别：根据步骤2所构建的特征变量集和情景关联规则库，对当前高频交易数据情景进行识别，选出匹配程度最高的规则作为此时的情景；基于ACD 模型的计算：通过调用ACD模型来计算此规则下的高频交易股价波动状况；ACD模型是指自回归条件时间间隔模型；步骤4：结果反馈与更新；给出情景感知计算结果，即当前规则下的高频交易股价波动规则，再将所得结果反馈至情景关联规则库，并通过触发器自动更新对应的规则。