基于时序模式关联的股票走势分析研究
李 宏 陈松乔 王建新
中南工业大学信息工程学院 (长沙 410083)
E mail：lihongz~,@cs．hn eYi
捕 要 股票价格的走苷妒析一直是人们关注的课题。该工提 出了一种不同于持统的数学建模方法，而采用时序模式关
联的思想进行分析和蓣测 其方法是首先建立和堆护基奉的彤态序 ．时数据子序列采用线段斜率序列表示，进行子序
引模式匹配．然后调用时序模式关联算法，并利用其结果进行预刹．结果表明这种方法是有实际毒义 效果的
美键词 股票走 势 序 列 匹配 敷据挖掘
文章编号 1002 8331一(2001)13 0056~02 文献标识鸫 A 中图分类号 TP311．5
T1le Research of Stock M ovement Based on Association of
Sequence Pattern
Li Hong Chen Songqiao W ang Jianxin
(College of Information Engineering，Central S0ufh University of Teehnolo~,，Changsha 410083)
Abstract：The rrtovement of stock prices is always studied hy people This paper gives a way different from 1Ild mathe—
matieal mode1．We use the association of s 帅c pattern tO analyse and Foree~,rst．First the basic form s quer es arP
found．next we adopt the slope to f~xpress the suhsequenee and rlln the matching program ．1ast we use the algorithm of
association flit the sequence mode to produce the result．The experiment result proves the w which is useable and
practicable．
Keywords：the stock movement，subsequence matching
．
data mining
1 引言
在现实社会【f】， 在大量的时间序列数据，如股票的价格
怎样进行时序数据的分析和预测 有各种备样的方法 传统的
分析方法主要有通址建立数学模型如回归分析等 由于股票市
场 是一个复杂的非线性系统 采用建模方法进行预测，其教果
以单步为好．对多步和中期预测则相去太远 同时由于股票仃『
格的走势有其内在晌规律性，因此寻找新的方法成为一个新的
研究课题。
KDD是从大齄数据LIJ提取可信的 新颖的．有效的并能被
人理解的模式的高级处理过程 它包括数据选择，数据预处理．
数据挖掘 模式解释 评价等步骤。其中数据挖掘(I)aLa Min-
lag)是最重要的 一步 已是运用选定的知识发现算法从数据中
提取用户所需要的知酿 通过数据开采的方法分析大量的时间
序列 ，提取隐古的序列 关联规律并应用于预测=
目前虽有各种)鑫l卜KDD的序列模式匹配和分析方法．但
怎样在肢票 场其体应用仍在探讨中 废文提f}}了一种基于时
序模式关联规则的挖掘方浊，并在此基础 进行股票的分析和
预测 。
文章第 2部分舟绍于序列模戏的概盘和相关的算法，第 3
部分对序列模式的荧联性做了讨论，谖文第 4部分是对实验数
据处理的结果 ．第 5部分是总结 和讨论
2 子序 列模式的计算
目前对时序数据的分折有很多的方法．但 首先必须建立其
序列模 。针对股票价格的实际情形．采用 下手段进行分析：
首先选定子序列的形式，然后建立模式的相关的表现方法，通
过对 F序列模式相似性的计算，最终将序列分解表述为各种子
模式的组合
2．1 子序 列形式选择
书殴票的各种走势形态中， 一些形态具有明显意义．同
时这些 态在经典 的股票技术分析理论 中占有重要的地位。根
据先验的知识 ，将这些形态选出来，作为基本的形态．以便用来
分析序 列模式 。
如 1
开：
的彤态
下降 ： 顶
圈
怎样将这些基本的形态模式表示出来，以逃到在股票时序
数据巾寻找和匹配的目的呢?^ 卜一般采用距离的计算来验证
序列的相似性 ，即对序列 x和 Y，当 D(X．Y)乍E(City—block
distan c el就认为二者是相似的，但由于其对干扰太敏感，同时
在各种基本形态中股票幅度并不确定，只是形恋一致．所以直
接汁算距离有相当的困难。其他的方法有用离散傅立叶变换
基 金璜臼：高等学援 哥 I教师资助 计皇Jf和中南工 夫青年 骨干教帅科技基金资助
作者 简介 ：李蛊 ，讲 帅 上 要研究方向为 KDD．分布式处理技术 陈梧乔
．教授．博十生导师 ．上要研究方向为软件T程
56 2001 13 尊机工程与应用
维普资讯
(DFF、将萁生换到频域 然后职其前几位系数(fc)，作为基本形
态 f序列的逻辑击 但表示和计算都较复杂 ，该文采用 一种
萄沽方便的方法 趋势线段斜率方法来作为其逻辑表示法。
2．2 基本子序列形态的逻辑表示和匹配
对f子序列的各种情形，口J以州斜率序列来表示 ，首先将
其分段 ，得 到 n个 对l世有 x(1．” ，n) Yl1 2．‘n) 分别
计茸其斜率：
l Ytn)
卜 Xfn)
固 2
得刮 k[r~l作 其逻辑表述形式．如 [：升 角形的示意一
宴际的殷票价格走势是比较复杂而多变的，必颁做到台适的匹
配 ．在 曰K线走势 中．对每 日的一只股票价格变化波 动有 开盘
价，收糯价．蛀高价．最低价等束描述。
，
／
固 3 股票的实际走势 日 K线圈
当收盘价^十l}=髓价时为阳线．收盘价小于开盘价时为即
线．其差价构成宴仆的人小 如图3股票的实际走势日K线图
于所示 选用¨种指标作为其时序数据的衷币是要考虑的
题 ． b于 _丰要是对其 中线 的趋势 感兴趣 ．同时 股票的短期渡 动
是冉一定的随机『土、所 采用其5天 平均价来描述数据序 ll
M[,I-{Yln1+ylr,一l I 1n～2卜y【n一31 yIn_4]】／5
从囝 3町以石 半均线的走势要平滑多了(苴 根线为
5 113 2I)的 平均 J 实 际 相 于对 y[n1作了数字滤波处理
得越 n]之 接 米是如和f 基本的形志模式匹配的 题
如 时间跨度 为 圳对南 M{lI，·，M 个点构成的I山
线 采用 下 。法杀进行拟台 得到其斜率序列的表示 并给出
匹 配结果
算法 l序列匹配掉法
input：序列 A的 M⋯ ， ．Ⅵ口1 1．趋势若值 s，
小序州的数据B In．]．啮n1】．·----B』 允许瀑差
output：AE‘B【r Lilnr NO Matchlng“
：I：
Do while i
{hii]=M[i+l卜M『一7；／／计算相关的斜率
l=；+】1
n-l：kU]-hI1】；／／啦趋势 值
for J=l to T-f
{m-h[j+1]+h[jI：d：}h +1卜h[jll／m；／／消除幅度的影响
if d<e Ihen hij+1】-<hij+1]+ I)／2；／／斜率差值小于趋势
差值s．则进行
e Kfr,]h[j』： 1，，台并平均
+l I
／／得到了序列的斜率序列 KIn]
比较 kIn]和· 『 l的长度 ，如果一致，则计算其距离
E：∑IkIn卜B，[n]l／n
If E乍Wc／／认为是匹配成功 ，将其归为相应的基本模式
Then A∈·B nl_
Else Retum 。NO Matching。’
3 模式关联性的挖掘
将基本序列模式用字母 B ， ·····B．表示．掏成集合 F。
规则形式如下：
定 义 1：对 序 列 D(S)：(a ．如，⋯ ·· )其 中 E F．对 A
B E日，如果 A出现后 ，在 T 时间 内 B也 出现，这种序列关联规
则表示为 ：A B(within T)
定义2．规则的可信度为：c(A~B(within T))：r(A，B．T)／
F(^ )
规则的支持度为：S=F(A)／N
其 中 F(A)=the number of occur[ences of A 0n D‘S)
¨ A．B．T)=the number 0f oceumences nf A that at@ fol—
lowed hY B within T
即F(A．L，T)： 马：AAB∈{ ， 1l}
对基于定义 1和定义2的关联规则的挖掘算法如下：
(¨ 首先由支持度将符合条件的 A选出来=
(2)然后对确定的 A扫描序列，计算其符合 A B(within
rj的数目，当到达可信度以上时．则输出规则。
具体可参见文献[1]。
4 挖掘过程和结果
在股票时序数据的分析和挖掘中，必要的先验知识是非常
重要的，过体现在基本形态的选择和斜率的确定 同时发现对
时 j段的划分也是影响规律的一个重要方面 下面是挖掘总的
过程 ：
t¨ 基本形态的数据确定和维护。
(2)选定要分析的数据序列(计算 5天的均线序列)，并确
定其丰}『关的参数 有 E，WC，T，支持度 s W及可信度 C。
c3)对待分析的数据序列进行匹配，采用窗口大小为T进
行滑动匹配，若成功则将其记录为( ，T0其中a．EF 表示其
出耻的时问值。
f4j对由( ，T．)构成的序列 D 进行关联规则的挖掘，输出
觇则
子序列的匹配结果验证 ：
对图 1的走势进行了验证，选时问窗【】T=20 E：O05．
we=02下和上升三角形态得到 配
关联规则的挖掘 ：
在实验中，从酥沪股票选出20o只股票．建立了 30种基本
志数据．并设置支持度 S：5％，町信度 C=50％ 采用以上方法
进行挖掘，部分测试结果如下：
规则(T-21天) 支持度 可信度
平底 上升 8．6％ 78％
v形 三角形 5 8％ 62 4％
烈顶 下 降 7,9％ 66．3％
结果的意义得到了领域内专家的认同，与人们从实际中的
(下转 85页)
计算机工程与应用 000I 】3 57
维普资讯
，!一一÷。’
一
．
_ J ／
L
、
～ 。
一 >
一 ： 、：
l
I
．
一
一
I ：
卜
围 6 对两种旋转对 稗形状在不 同姿态下提取旋转 中心的结果
5 实验结果
对多个旋转 十称的 2D 闩标 在变换视点和视角的条 件下的
成像进行分析 ，确认它们的旋转对称点集并提取其旋转中心，
取得 r良好的实验结果 图6是对其中两个典型目标不_司姿
态成像的分析结 为了说明结构参数的内在不变性，选择图
6左侧 日标的 不同姿态 F的结构参数按旋转单元分组怍比
鞍说 明， 表 1～
该方法适用 于厦点数 目较多或 目标的旋转单元数 目 5的
情况 否则，关键 的结构参数和形心不坐量难 构造 对于
鞍简单的旋转对称目标，例如等边三角型、正方形及其由此衍
生的旋转对称H标类、采用其它简单方法即町获得较好的船释
例如：对于旋转 几数目为 4的目标．若A．B，C，D是它的 一组
顺序旋转对称 直线 AC与直线 BI)的交点就是旋转中 =
其 它方 法在此小冉
表
旋转
一 论述
不同姿态的结构参数 比较
兀 站掏喜敏l姿忐 _】 精构参数【姿态 2j 结柯参数(姿态 3：
r2 46．7】8’ f2 32，7 l61
2 5I I6t (242．7''}
(2 43 7 24 【2 27．7 32I
217，7 27、 r2 44 7 2】’ (2 40，7 l8j
·2鲫 728： l2 55，7 26
一2 45．7 37． (2 55 7】6： (2 46，7 24I
fl一接 57贞
经验吻合，从lm丧明过种方法是具响实际意义和数果的
5 总结和讨论
采州时序模 C 联的思想对股票止势进行 分析 ，首 先星建
立和维护基奉的形盎If列．对数据丁序列采用线段斜率序列表
示 进行于序列摸 C 配 然后调用时序模式 联算法，得出其
纬果 其优势 F能够对股票的中线走势提供较好的参考帮
助，r司时具青 旧时间伸缩性。由于成交量是反映股票走势
的重要指标 怎样将形态和成交量结合起束．并进行动态的基
本模式 和时序数撕关联规则 的挖掘是将 来要继续研究的 问题 。
(收稿 fj期 ：2000 】】月 )
、
．
l
L
l
l
l
- ·
。
6 小结
泼文利用射影几何的交比不变量定义了关键点的结构参
数和形心不变量，宴现了对简单连通的2D多边形目标的旋转
对称特性的检测和分析。文章所阐述的方法，是作者对平面对
替类目标分析的报道续篇 ，感兴趣的读者呵参阅相关文章 一
种利用射影不变性检测形状对称性的方法 2 寻求形状内在的
约束关系来构造射髟不变的特征参数，用以描述形状的内在规
律，这种思路对其它类型的平面目标分析也有一定的启发意
义 (收稿 It期：20o0年6月)
参考文献
l毛澍莽，洗世明编著 射影几何fM】．第一版．上海科学技术文献出版社
l985 8
2 Wen—hsiang Tsai．Sheng —lin Chou Det~fion of generalized pfinci Da】
洲Ps in rotationally synuaetric~ pes[J]PR．】99l：24(2 J：95一l04
3 Takeshi M~uda，Kazuhiko Yam~ oto．Hir~Jmitsu YmmadaDet~'tion of
pargal symmetry using eortalation vfidth mt 一r 髓【ed iroages[J]
l R．1993 26(4)：1245—1253
4 J A M Henk．Heijmans．Sindlarity and mm m for⋯
sha[~ using nfinkowski addition[~．IEEE PAM1．，1998；20(9)：980-993
5 B~etl E B．Pavton P I^ etc C~neral methods for de~rming proj~一
¨¨ _in~ariants in imagery[J]CVGIP，1991；531l J：46—65
6 Suk Tomas，Fl— J Point ba日ed projectivt invafiams[J]PR． 2000：
33 251—26l
参考文献
t．Gaulmn D． Ⅱz—IP L．Heikki M el a1．Rtale di~overv from 【j 一
ries[Clln：Pm of the Fourth Intl Conf．on KDD，New Y0rk city．1998
l6—22
2 AgTawal R e【a1．Efficient Similarty search in 。 eⅡc da 【c】
1 ：FODO Conf,Evanston．111inois 1993
． 10
3}fan Jiawei．Gong W an-Yin Yinen Mining Segment-wise period ic pm一
【e口】in time Related dstsb~ [Cl In：proc of 1998 international Con一
~mnee o13 KDD'98．New York．t998：177一l81
4蕖智 岳丽华．王熙法 时序模式发现算法研究I J_计算机研究与发展，
2[~30；(9)：1107-1I13
5．Li HongA way of Mining 】¨les in stockⅡ el J．99青岛一香港国
际i}算机告议论文集
6 R Agrawal R Sfikant．Mining sequential pattern[C1 In Proceedings of
the Eleventh iaCexnafional Con ⋯ on Data Ensineenng(ICDE'95、
计算机工程与应用 2001 13 85
维普资讯
