以時間為單位的證券數據相似度研究

姜麗

摘 要：證券數據是高維數據，具有明顯的以時間為單位的特點。驗證證券數據的相似性，可以為證券行業的監管或者決策提供依據。文章設計了輕量級的證券數據格式，使用改進的高維數據相似性度量函數HDsim（X，Y），對證券數據的相似性進行了研究和計算，并對研究結果進行了驗證。

關鍵詞：高維數據；證券數據；相似度；XML

1 概述

證券交易行為充滿了復雜性，證券數據也看似隨機。客觀分析和研究證券數據，找出隱藏在其中的規律，有助于我們對證據市場進行監管和決策。

證券數據具有明顯的時間特性，幾乎所有能夠公開查閱的證券數據都有一定的時間有效周期。另外，證券數據具有高緯度的特征，即某一時間內的證券數據具有眾多屬性，每個屬性體現了這一時間內數據的不同特點。針對這兩點，對紛繁的證券數據進行有效組織，設計合理的相似度計算方法，可以事半功倍。

2 證券數據

基于證券數據的特點，在計算相似度之前，對證券數據進行了必要的預處理。

2.1 數據格式設計

由于證券數據具有較多影響其走勢發展的因素，文章首先選取了其中可能對相似度結果影響較大的幾維，包括：開盤價，收盤價，漲跌額，漲跌幅，最低價，最高價，成交量（手），成交金額（萬）。其中漲跌額，漲跌幅是開盤價、收盤價的冗余，故而舍棄。最終選取確定參與運算的數據包括：開盤價，收盤價，最低價，最高價，成交量，成交金額。同時，證券數據具有明顯的時間特性，因此所有數據以時間為主線關聯。由于個股數據容易被操作，發現其內在規律較為困難，文章選取了上證指數作為研究對象。

最后，為了計算機程序能夠快速地讀取數據，保證數據的輕量化，文章最終將證券數據格式設計成XML形式。XML格式的數據可以很好地保留初始數據清晰的組織結構，同時XML是一種輕量的數據文件，相對于數據庫形式的數據存儲方式，處理速度更快，很適合用來存儲海量的證券數據。

2.2 數據預處理

公式（1）將數據轉換到共同標度的區間[0.0，1.0]，消除量綱的影響。同時，對非數值形的數據進行數字化。

3 相似度結果檢驗

研究中，選取了上證指數從2012年的4月到2013年4這一年的日線數據，進行了相似度計算。為了驗證相似度的結果，選取4個特殊的時間節點，加以分析說明。四組數據分別是2012-05-04，2012-09-06，2012-10-08和2012-12-05的上證數據，這幾日數據的具體走勢圖，如圖1所示。

對這四組數據進行相似度計算，結果如表1所示。

將相似度計算結果和K線數據進行對比，進行分析。從圖1可以看出，2012-05-04和2012-12-05的上證指數分別位于短期內的峰值和谷值，經過計算，兩日數據的相似度僅為0.5942446，是表1中最小的值，與K線相符。圖1中，2012-09-06和2012-10-08兩日的走勢非常相似，均為下降通道中的一個小拐點，相似度計算結果顯示，兩日數據的相似度高達0.9441344，與K線相符。另外，圖1中還可以看出，2012-09-06，2012-10-08和2012-12-05三日數據都處于谷值，具有一定的相似性。但是，與2012-09-06和2012-10-08這兩日不同的是，2012-12-05的數據是一波大幅拉升的起點。相似度計算結果顯示，2012-09-06和2012-10-08兩日的數據與2012-12-05的數據相似度都接近0.77，符合K線圖走勢。

4 結束語

文章對證券數據的特點進行了分析研究，設計了輕量級的證券數據樣本格式，選取了合適的相似度計算方法，對以時間為單位的高維證券數據進行了相似度計算。通過與上證數據K線圖的比較，驗證了該相似度計算結果與實際情況較為符合。

目前，文章的檢驗測試，僅僅用于上證指數數據，對更為復雜的個股數據或者其他分類數據的相似度計算，是今后需要深入研究的方向。另外，文章的相似度計算結果，在具有明顯特征的樣本點上取得了較好的結果，對于特點不明顯的一般數據，計算結果如何檢驗，還需要進一步研究。

參考文獻

[1]楊風召，朱揚勇.一種有效的量化交易數據相似性搜索方法[J].計算機研究與發展，2004，41（2）：361-368.

[2]謝明霞，郭建忠，張海波，等.高維數據相似性度量方法研究[J].計算機工程與科學，2010，32（5）：92-96.