论文部分内容阅读
随着量化交易的快速发展,如何利用计算机识别K线图中的图形信号成为了一个重要课题。目前,计算机识别图形信号大多是基于神经网络和模糊逻辑系统。神经网络的构建和训练过程繁琐,经过训练后的神经网络只能对单一图形信号进行识别,在实际应用中过于繁琐。而模糊系统对于信号的定义复杂,需要定义图形信号的每一个K线和相邻K线的相对位置,不适用于时间跨度长的图形信号。本文提出了基于模板法的图形匹配算法,对图形信号的定义方法和匹配方法进行了研究和实验。论文完成的主要工作如下:(1) 整理并归纳经典图形信号,根据图形信号的形态对其进行分类,将图形信号分为简单图形信号、震荡图形信号和复杂图形信号三类,分别对三类图形信号进行定义。将图形信号在10*10矩阵中表示,利用矩阵中权值非零的元素来表示图形信号的趋势,令距离趋势越远的元素的权值越小,得到模板矩阵。(2)利用时间窗口对历史价格窗口进行划分,时间窗口沿着交易时间递增方向移动。将时间窗口内的价格走势转化为矩阵表示,同样利用矩阵中权值非零的元素来表示价格趋势,最后将矩阵进行“窗口化”和“标准化”,得到历史价格窗口矩阵。(3)计算图形信号模板矩阵和时间价格窗口矩阵的相似度,即为图形信号在历史价格走势中的匹配结果。如果匹配值超过阈值,则认为匹配成功。否则,即为匹配失败。匹配结果阈值需要通过实验结果确定。(4)基于上述图形匹配算法,进行图形匹配系统的设计与实现。将图形匹配系统分为三层:表示层、业务逻辑层和数据存储层。表示层负责匹配结果和后趋趋势统计结果的展示。业务逻辑层负责图形信号的定义和图形信号匹配的实现,是图形匹配系统的核心部分。数据存储层负责历史价格数据和图形信号定义的存储。(5) 应用图形匹配系统,对历史价格数据进行匹配,验证图形信号匹配算法的有效性。并对识别出的图形信号的后续趋势进行统计,验证图形信号预测意义的有效性。