(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976776.1 (22)申请日 2022.08.15 (71)申请人 武汉博览财经信息技 术股份有限公 司 地址 430000 湖北省武汉市武汉东湖新 技 术开发区高新二路22 号中国光谷云计 算海外高新企业孵化中心1、 2号研发 办公楼栋1号楼1803室 （自贸区武汉片 区） (72)发明人 庞小锋　谢博驰　邓亮　 (74)专利代理 机构 武汉智盛唯佳知识产权代理 事务所(普通 合伙) 42236 专利代理师 李晓贝　李佳怡 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 40/04(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 利用股票历史K线数据的相似性进行股 票价 格预测的方法 (57)摘要 本发明公开了一种利用股 票历史K线 数据的 相似性进行股 票价格预测的方法， 涉及有价证券 投资信息处理领域， 其包括以下步骤： 步骤S1.预 处理股票历史K线数据； 步骤S2.计算所有股票之 间的相似度， 针对目标股票选出与其相似度最高 的若干个股票作为相似股票； 步骤S3.利用相似 股票的历史K线数据进行训练得到模型； 步骤S4. 利用模型 预测目标股票未来若干天的价格 。 权利要求书4页 说明书9页 附图4页 CN 115392553 A 2022.11.25 CN 115392553 A 1.一种利用股票历史K线数据的相似性进行股票价格预测的方法， 其特征在于， 包括以 下步骤： 步骤S1.预处 理股票历史K线数据； 步骤S2.计算所有股票之间的相似度， 针对目标股票选出与其相似度最高的若干个股 票作为相似股票； 步骤S3.利用相似股票的历史K线数据进行训练得到模型； 步骤S4.利用模型 预测目标股票未来若干天的价格。 2.如权利要求1所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于， 步骤S1包括以下步骤： 步骤S101.计算High， L ow， Open， Cl ose以及Vo l的ROC； 步骤S102.计算MACD和RSI； 步骤S103.对High， Low， Open， Close， Vol， MACD以及RSI的特征值做归一化处理； 归一化 按如下公式计算： 特征向量X＝(x1,x2,…,xn)； 其中， n表示天数， xn表示第n天特征值； mean(X)表示X的平均值， std(X)表示特征向量的 标准差； 后面股票相似度计算依据的数据为收盘价归一 化后的特 征值； 步骤S104.对 归一化后的特 征值做降维处 理， 把浮点数特征值转换为特定范围的整数。 3.如权利要求2所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于： 步骤S101中， ROC按如下公式计算： 其中， P(N)表示当天的股票价格， P(0)表示N天前的股票价格,  ROC(N)表示N天的变化 率； ROC分别针对High， L ow， Open， Cl ose， 以及Vo l计算。 4.如权利要求2所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于， 步骤S102中， MACD按如下步骤计算： (1)计算E MA； 其中， Close表示EMA针对收盘价， N表示天数， PN表示当天收盘价， EMA(Close， N)表示当 天的EMA， EMA(Close,N‑1)表示前一天的E MA； (2)计算DIF和DEA； DIF＝EMA(12)‑EMA(26)； 说明： 快的指数移动平均线12日E MA减去慢的指数移动平均线26日E MA得到DIF； DEA＝EMA(DIF,9)； 说明： DIF表示E MA针对DIF， 9日DIF的E MA值等于DEA； (3)计算MACD； MACD(N)＝2(DIF –DEA)； RSI按如下公式计算：权　利　要　求　书 1/4 页 2 CN 115392553 A 2其中， RS(N)表示收盘价 N天的平均上涨 点数除以N天的平均下跌点数。 5.如权利要求2所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于： 步骤S104中， 对归一化后的特征值利用SAX方法做降维处理， 把浮点数特征值转换 为特定范围的整数； SAX转换 过程说明如下： 表示归一化后的特征值矩阵， 横向表示7个特征值维度： MACD， RSI， High， L ow， Open， Cl ose， Vol， 纵向表示时间维度t； 遍历特征值矩阵， 根据数值大小把特 征值映射成特定范围的整数。 6.如权利要求1所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于， 步骤S2包括以下步骤： 步骤S201.遍历其它股票S2， 选取目标股票S1和其它股票S2的收盘价的归一化的特征 向量Yt,close和Xt,close； 收盘价的归一化特征值向量Zt,close＝(z1,z2,…,zn)， n表示天数， zn表 示第n天收盘价的归一 化特征值； 步骤S202.对齐Yt,close和Xt,close的数据长度， 取目标股票S1和其它股票S2都有 数据的时 间点， 得到 Yt和Xt； 步骤S203.利用协整检验算法计算Yt和Xt的相似度。 7.如权利要求6所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于， 步骤S20 3中， 计算方法包括： (1)协整表示变量Yt和Xt之间有长期的稳定关系， 由以下协整公式描述： Yt＝α0+α1Xt+ μt 说明： Yt和Xt为时间序列t＝1, …,n表示第t天， Yt和Xt分别表示第t天的Y值和X值； α0和 α1为线性回归模型的参数； μt为非均衡误差； 若Yt和Xt间的长期稳定关系正确， 则非均衡误 差 μt为一个平稳时间序列， 并且具有零期望值， 即是 具有0均值的I(0)序列； (2)根据协整公式， 利用OLS方法估计该 方程， 得到： 和 说明： 和 分别为Yt， α0和 α1的拟合值； 表示残差序列； (3)检验 的单整性， 得到目标股票S1和其它股票S2不相似的概 率p； (4)遍历结束后， 对其它股票S2与目标股票S1不相似的概率p进行排序， 选取p最小的k 个股票作为相似股票。 8.如权利要求1所述的利用股票历史K线数据的相似性进行股票价格预测的方法， 其特 征在于， 步骤S3包括以下步骤： 步骤S301.所有k个相似股票的特征值数据用于机器学习训练过程， 预测天数为p； 为了 预测High， L ow， Open， Cl ose， 需要训练4个模型；权　利　要　求　书 2/4 页 3 CN 115392553 A 3