| 主权项 |
1.一种估算方法,以类神经网路学习具有投资风险的资讯,尤其是指股票市埸的资讯,包含以下的程序:在资讯的历史资料MAPiD(tD)与MAViD(tD)中界定出头部区间TT及其所对应的头部成交量之第一集合;在资讯的历史资料MAPiD(tD)与MAViD(tD)中界定出底部区间TB及其所对应的底部成交量之第二集合;从前述第一集合与第二集合,组织训练事件集合E,该集合中每一训练事件E包含一训练资料对,系由相邻的头部区间TT到底部区间TB组成的资料;以监督式学习的类神经网路学习前述训练事件集合E获得一组训练过的权値W^;将目前大盘指数PD(t)输入到训练过的类神经网路,藉由该组训练过的权値W^ 估算出一灰系数g^=[a^,b^];以及倘若目前大盘指数PD(t)可能进入底部区间TT,则根据一预设式可估算出目前的底部成交量范围。2.如申请专利范围第1项所述之估算方法,其中前述历史资料包含大盘指数PD(tD)、PW(tW)、PM(tM)与成交量VD(tD)、Vw(tW)、VM(tM)。3.如申请专利范围第2项所述之估算方法,其中前述MAPiD(tD)为大盘指数PD(tD)的i日均线。4.如申请专利范围第2项所述之估算方法,其中前述MAViD(tD)为成交量VD(tD)的i日均线。5.如申请专利范围第1项所述之估算方法,其中前述界定头部区间TT及其所对应的头部成交量之程序包含:a)以i日均线MAPiD(tD)为基础,在时间轴tD取一时间区间T,其中,在时间区间T内,季线MAP72D或半年线MAP6M或年线MAP12M为下凹曲线,且在该时间区间T内,前述MAPiD(tD)具有至少一个极大値Zm与至少一个极小値Zn;b)决定一値,以获得前述头部区间TT,使得MAPiD存在MAPiD(tD)≧,tD TT且MAPiD(tD)<,tD TT;c)根据前述头部区间TT,在前述MAViD(tD)中获得对应头部区间TT的前述头部成交量。6.如申请专利范围第5项所述之估算方法,其中前述时间区间T可选自半年到一年之间。7.如申请专利范围第3项所述之估算方法,其中前述时间区间T可选自7个月到12个月之间。8.如申请专利范围第3项所述之估算方法,其中前述时间区间T最好选自30周到46周之间。9.如申请专利范围第5项所述之估算方法,其中前述MAPiD(tD)系选自以MAP3D、MAP6D、MAP12D或MAP24D的其中之一。10.如申请专利范围第5项所述之估算方法,其中前述头部区间TT介于7日到21日之间为佳。11.如申请专利范围第5项所述之估算方法,其中前述头部区间TT最好是大约两周左右。12.如申请专利范围第5项所述之估算方法,其中前述値选自程序a)中极小値zn之一。13.如申请专利范围第1项所述之估算方法,其中前述界定底部区间TB及其所对应的底部成交量之程序包含:a)以i日均线走势MAPiD(tD)为基础,在时间轴tD取一时间区间T,其中,在时间区间T内,季线MAP72D或半年线MAP6M或年线MAP12M为上凹曲线,且在该时间区间T内,前述MAPiD(tD)具有至少一个极大値Zm与至少一个极小値zn;b)决定一値,以获得前述底部区间TB,使得MAPiD存在MAPiD(tD)≦,tD TB且MAPiD(tD)<,tD TB;c)根据前述底部区间TB,在前述MAViD(tD)中获得对应底部区间TB的前述底部成交量。14.如申请专利范围第13项所述之估算方法,其中前述时间区间T可选自半年到一年之间。15.如申请专利范围第13项所述之估算方法,其中前述时间区间T可选自7个月到12个月之间。16.如申请专利范围第13项所述之估算方法,其中前述时间区间T最好选自30周到46周之间。17.如申请专利范围第13项所述之估算方法,其中前述MAPiD(tD)系选自以MAP3D、MAP6D、MAP12D或MAP24D的其中之一。18.如申请专利范围第13项所述之估算方法,其中前述底部区间TB介于7日到21日之间为佳。19.如申请专利范围第13项所述之估算方法,其中前述底部区间TB最好介于7日到12日之间。20.如申请专利范围第13项所述之估算方法,其中前述値选自程序a)中极大値zm之一。21.如申请专利范围第1项所述之估算方法,适用于以下规则:IF大盘指数的头部区间确定后,THEN利用大盘头部区间TT的最高指数Zmax及其对应之成交量,由一预设关系式藉由前述类神经网路估算目前大盘指数若是进入底部区间TB则当日成交量的范围。图式简单说明:图一为股票市场资讯之大盘指数与成交量的走势图。图二为本发明监测方法中界定大盘指数之头部区间以及头部量曲线的示意图。图三为本发明监测方法中界定大盘指数之底部区间以及底部量曲线的示意图。图四为本发明估算方法之流程图。 |
