基于图形化的K线序列相似度研究

以往K线相似度比较一般都是基于时间序列化的数据比对,主要依据数据库存储的历史数据序列,而这一研究是针对图形化的A股K线序列进行比对。首先,提出了4种图形化K线相似度比较方法,分别是逐点比较、形态比较、SIFT相似度比较和综合相似度比较。然后,通过Python编程使用不同的比对方法对样本进行相似度计算。最后,分析比较计算结果,其中将SIFT相似度比较数据与每日K线形态比较数据分配不同的权重综合考量得出的综合相似度比较方法取得了较好的比对效果,实验结果表明,在相似度前三名判断中该算法与观察者主观判断得出的结论一致。

基于K线序列相似性搜索的股票价格预测

现有K线模式主要是通过人工观察方式(即人工相似性搜索)获得的。针对现有K线模式在股票预测中预测效果一般,且部分学者否认K线模式具有预测能力的现状,采用计算机技术和数据挖掘等方法,重新对K线序列相似性搜索预测进行研究。首先,定义K线序列的相似性度量模型,包括K线序列的形态相似性和位置相似性,来解决K线序列的相似性匹配问题;接着,基于K线序列的相似性度量模型,定义K线滑动搜索算法,来解决K线序列的相似性搜索问题;最后,基于K线序列的相似性搜索结果,提出了两种股票价格预测方法:普通序列相似性搜索预测法和模式序列相似性搜索预测法。在实验中,普通序列和模式序列两种方法的预测准确率分别可以达到72.5%和77.8%。实验结果表明,K线模式具有预测能力,且K线模式较普通序列的预测效果更好;提出的两种股票预测方法,均可以较好地应用于股票预测与投资。

基于模糊K线序列比对的股市技术分析模型

提出一种新的股市技术分析模型,该模型利用模糊逻辑理论及生物序列比对方法的思想,加以改进,应用于传统的K线图理论,将单位时间的开盘、收盘、最高、最低价格编码成模糊K线图,通过模糊序列比对,来对K线图进行模式识别。以上海和深圳自1990年开市以来到2006年的所有数据作为比对数据库,以2007年、2008年的数据作为测试对象,对上海和深圳股票市场中的部分股票中的K线图模式及未来趋势作了分析和预测,取得了可观的结果。统计结果表明,一些K线模式序列的未来趋势分布具有涨跌信号预警的功能;而另一些模式则为平凡的序列匹配,它们未来趋势的分布不具有预警的功能。

基于LSTM神经网络的K线序列预测研究

借助对时序数据有强大处理能力的循环网络long short-term memory(LSTM),利用聚类、去噪后的K线子序列集进行深度特征提取、模型训练,最终得到K线序列短期走势预测模型,并在真实的K线序列数据集中测试模型的预测效果。实验结果表明,相比于不考虑特征时序性的传统机器学习算法,循环神经网络对K线序列短期走势的预测准确率有明显的提升。

基于相似性匹配和聚类的K线模式可盈利性研究

K线模式是股票短期投资中最常用的技术分析工具,但学术界却对K线模式的可盈利性存在争议。为了客观评价K线模式的可盈利性,提出从数据挖掘的角度出发,采用模式识别、模式聚类和模式知识挖掘的方法来对K线模式的盈利能力进行研究。为此,首先定义了K线序列的相似性匹配模型来解决K线模式的相似性匹配问题;然后,定义了K线序列的最近邻聚类算法来解决K线模式的聚类问题;最后,定义了K线模式盈利能力度量模型来对K线模式不同形态的利能力进行分析。实验采用近11年上证180指数成份股的数据作为测试数据集,对白三兵和黑三鸦这两个模式的盈利能力进行分析。实验结果表明:同一个K线模式的不同形态的盈利能力差别很大,有时甚至完全相反,这是K线模式可盈利性产生争议的一个主要原因。为了解决这一争议并提高基于K线模式的股票投资效果,亟需根据形态特征对现有的每一个K线模式做进一步分类,并提供更加严谨的模式定义。

THE 2-ERROR LINEAR COMPLEXITY OF 2~n-PERIODIC BINARY SEQUENCES WITH LINEAR COMPLEXITY 2~n-1

Linear complexity and k-error linear complexity of the stream cipher are two important standards to scale the randomicity of keystreams. For the 2n -periodicperiodic binary sequence with linear complexity 2n 1and k = 2,3,the number of sequences with given k-error linear complexity and the expected k-error linear complexity are provided. Moreover,the proportion of the sequences whose k-error linear complexity is bigger than the expected value is analyzed.