计算机平台结合Hurst模型显示股票数据反转点的统计方法

摘要

本发明涉及计算机程序技术领域，具体地说是一种计算机平台结合Hurst模型显示股票数据反转点的统计方法，其特征在于所述的方法包括以下步骤：1.对原始交易数据进行优化以剔除偏离程度较远的离散点；2.对优化后数据的同分布测试直到测试误差小于1％；3.用R/S重标极差算法计算Hurst指数数值；4.确定反转点及反转点反转强度；5.确定趋势方向及趋势强度；6.基于自有C++程序产生图形界面形式达到直观展示效果。本发明与现有技术相比，用非线性的分形布朗理论的方法揭示股指趋势运动的“内驱力”的强弱，并对股指趋势反转做出判断能够对股指趋势运行的强度做出判断，并且能够准确判断股票指数的周期大反转点及反转点的反转强度，能更准确的把握股指运行的长期趋势。

主权项

一种计算机平台结合Hurst模型显示股票数据反转点的统计方法，包括计算机连接网络，其特征在于该方法包括以下步骤：a、源数据输入：从外部数据源获取需要被处理的，能反映股市特征的指标数据，收盘价，开盘价，成交量存入本地数据库；b、数据清理：通过一个嵌入该数据库的指定C++程序来前期处理该数据库，所述的程序逻辑如下：A.用基于GARCH时间序列模型对数据进行前期的数据清理，过滤信号噪声，消除偶然事件带来的偏离原分形布朗运动分布较大的离散点；B.并将处理过的优化数据存储在本地数据库中；c、模拟测试：用同分布模拟数据进行模型测试，验证Hurst指数参数估计的准确度，所述的验证步骤如下：A.先设定需要估计的一系列Hurst理论值，按照FGN分布随机生成一系列时间序列；B.通过重标极差算法方法计算该组随机序列的Hurst值并与理论值对比，并微调R/S拟合参数，得到模拟测试结果；d、以上的模拟测试结果的误差需在1％以下；如果不满足误差需求，需要打回在数据初步清理部分调整作为标准的数据分布规律，然后重新清理，并继续用模拟数据进行模型测试，直到测试符合误差需求；e、读取该数据库的优化数据，设置训练数据长度在150‑400交易日之间变化，根据数据优化得到最佳训练数据长度T，作为整个方法的输入变量；f、基于Hurst分形理论，以步骤b中所得到的优化数据为基础，步骤d中的训练数据长度为标准，应用重标极差算法得到所需要的Hurst值，由此计算出所需要的Hurst值，同时保存在本地数据库中；g、对保存于数据库中的Hurst值进行后期判断，定义“反转点”，可分为以下几个子步骤：A.绘制同样时间段、刻度相同的两幅图，一幅为指数收盘价走势图，一幅为Hurst曲线图，并在Hurst走势图上画出其长期均线图及其短期均线图；其中，短期均线，长期均线参数与大盘默认均线系统参数一致；B.用以下标准选取出满足条件的Hurst曲线反转点：1)H值比H的短期均线值低0.015以上；2)H小于长期均值；3)H满足1)2)之后的位于稳定小于均值区间段的最低点；C.将满足条件的Hurst反转点在A中原始指标数据的图示下特别标出；D.将每个交易日大盘收盘价数据曲线与Hurst值的数据曲线上下对应画出，统一时间轴；h、由每个Hurst的反转点(局域低点)定义反转点强度，反转点强度由反转点具体的Hurst值决定：1)H＜0.44                      反转点强度：★★★★★2)0.44≤H＜0.46                反转点强度：★★★★☆3)0.46≤H＜0.48                反转点强度：★★★☆☆4)0.48≤H＜0.50                反转点强度：★★☆☆☆5)0.50≤H                      反转点强度：★☆☆☆☆i、由每个交易日的Hurst值定义“趋势力量：强、中、弱”，趋势强度的对应如下：1)H≥0.52，“趋势力量：强”，2)0.51＜H＜0.52，“趋势力量：中”3)0.50＜H＜0.51，“趋势力量：弱”4)H＜0.5时，位于反转区，故不予提示；j、计算结果，并显示股票数据反转点的效果图。