股票收益风险预测方法、装置、计算设备及存储介质

1.本发明公开方法、装置、计算设备及存储介质，涉及金融交易数据分析技术领域，具体地说是股票收益风险预测方法、装置、计算设备及存储介质。


背景技术：

2.股票(stock)是股份公司所有权的一部分，也是发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。股票是资本市场的长期信用工具，可以转让，买卖，股东凭借它可以分享公司的利润，也要承担公司运作错误所带来的风险。
3.股票价格通过集合竞价机制产生，与历史价格数据有关，还会受到不确定因素的影响，因此股票收益率的波动规律也随时间变化，并且很难对波动系数进行准确的预测。


技术实现要素：

4.本发明针对现有技术的问题，提供股票收益风险预测方法、装置、计算设备及存储介质，可以根据对股票收益率的分析，实现良好的股票收益预测效果。
5.本发明提出的具体方案是：
6.本发明提供一种股票收益风险预测方法，采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；
7.利用股票收益率数据建立预测模型：
8.将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限
9.将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
10.将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限
11.获得预测模型参数
12.利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，获得预测股票收益率，根据所述预测股票收益率所在的收益区间进行风险判断。
13.进一步，所述的一种股票收益风险预测方法中所述获得股票收益率数据，包括：
14.利用公式计算股票的每日收益率，close
t
表示第t日股票收盘价数
据，close
t+1
表示第t+1日的股票收盘价数据。
15.进一步，所述的一种股票收益风险预测方法中所述根据所述预测股票收益率所在的收益区间进行风险判断，包括：
16.所述预测股票收益率落入[-0.1,0]的收益区间，表示存在买入损失风险；
[0017]
所述预测股票收益率落入[0,0.02]的收益区间，表示存在买入收益几率；
[0018]
所述预测股票收益率落入[0.02,0.1]的收益区间，表示存在买入收益几率。
[0019]
进一步，所述的一种股票收益风险预测方法中所述预处理股票收盘价数据，包括:
[0020]
针对缺失数据进行数据样本补全；
[0021]
针对数据特征过多，进行数据样本筛选；
[0022]
针对数据不平衡采用swote算法生成类别少的数据样本。
[0023]
进一步，所述的一种股票收益风险预测方法中所述将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，包括：
[0024]
将总数据量t划分为m组，m＝t-n+1，每组有n个数据量，
[0025]
对于第l组，建立股票收益率随机变量y与解释变量x的最小二乘回归方程：
[0026][0027]
代入数据获得及μ
l
，
[0028]
对于第l组内每一个数据样本，利用如下表达式：
[0029][0030]
计算误差，并利用如下表达式：
[0031][0032]
获得均方误差
[0033]
进一步，所述的一种股票收益风险预测方法中所述将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限包括：
[0034]
将带回每组股票收益率数据中，利用如下表达式：
[0035][0036][0037]
计算每组的拟合偏差，
[0038]
选取m组中拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
[0039]
进一步，所述的一种股票收益风险预测方法中获得波动率上限包括：
[0040]
将股票收益率数据重新分为p＝t/n1组，且有n1《n，
[0041]
利用如下表达式：
[0042][0043][0044]
计算原有m组的各组标准差
[0045]
利用如下表达式：
[0046][0047]
再次计算原有m组中每组的均方误差，
[0048]
选取其中均方误差最大值开方后作为波动率上限
[0049]
进一步，所述的一种股票收益风险预测方法中，本发明还根据预测模型的参数验证预测模型有效性，包括：
[0050]
按照历史年份划分股票收盘价数据，并获得股票收益率数据；
[0051]
将股票收益率数据代入预测模型，获得相应的预测模型参数利用参数获得预测模型的拟合度数据，根据拟合度数据和假设检验统计量f的数据，验证预测模型能够有效预测股票收益率。
[0052]
本发明还提供一种股票收益风险预测的装置，包括采集模块、模型运算模块和预测模块，
[0053]
采集模块采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；
[0054]
模型运算模块利用股票收益率数据建立预测模型：
[0055]
将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限
[0056]
将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
[0057]
将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限
[0058]
获得预测模型参数
[0059]
预测模块利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，根据所述预测股票收益率所在的收益区间进行风险判断。
[0060]
本发明还提供一种股票收益风险预测的计算设备，包括：至少一个存储器和至少一个处理器；
[0061]
所述至少一个存储器，用于存储机器可读程序；
[0062]
所述至少一个处理器，用于调用所述机器可读程序，执行所述的股票收益风险预测方法。
[0063]
本发明还提供一种存储介质，所述存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至7任一项所述的股票收益风险预测方法。
[0064]
本发明的有益之处是：
[0065]
本发明提供一种股票收益风险预测方法，与现有技术中相比，本发明方法将历史股票收益数据分组，根据分组筛选获得稳健合理的预测模型的参数估计，本发明利用获取的参数估计，通过非线性期望分析预测不确定环境下的股票收益风险，并经验证可以有效刻画股票收益数据规律，能够直接用于股票收益的预测，有助于对未来股票市场涨跌进行更加准确预测和判断，有利于投资者规避股票市场的风险，并获得实际收益。
附图说明
[0066]
图1是本发明方法的流程示意图。
[0067]
图2是本发明验证模型准确性的结果对比示意图。
[0068]
图3是本发明验证模型拟合效果的结果对比示意图。
具体实施方式
[0069]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0070]
本发明提供一种股票收益风险预测方法，采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；
[0071]
利用股票收益率数据建立预测模型：
[0072]
将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限
[0073]
将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
[0074]
将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限
[0075]
获得预测模型参数
[0076]
利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，获得预测股票收益率，根据所述预测股票收益率所在的收益区间进行风险判断。
[0077]
与历史价格数据有关外，股票价格还会受到各类不确定因素的影响。通过分析与股票历史价格相关的不确定因素，本发明采用非线性的分析方法，对金融市场中股票收益
进行风险预测。
[0078]
具体应用中，基于本发明方法的技术方案，在本发明方法的一些实施例中，说明股票收益风险预测过程。
[0079]
本发明方法中采集并预处理当前时刻之前的股票收盘价数据时，所述预处理股票收盘价数据，包括:
[0080]
针对缺失数据进行数据样本补全，如某一条样本的数据存在缺失情况，通过均值填补、样本插值等方法来处理，或可以利用机器学习方法拟合缺失特征之间存在的函数关系，从而处理特征的数据缺失；
[0081]
针对数据特征过多，进行数据样本筛选，例如基于信息论中的gini指数对特征进行筛选，即gini指数越高代表该特征对于数据分类或回归的贡献度越小，反之则越大，可以基于已经训练好的随机森林算法对特征进行筛选；
[0082]
针对数据不平衡采用swote算法生成类别少的数据样本。
[0083]
进一步地，利用预处理后的股票收盘价数据，获得股票收益率数据，可以包括：
[0084]
利用公式计算股票的每日收益率，close
t
表示第t日股票收盘价数据，close
t+1
表示第t+1日的股票收盘价数据。
[0085]
进一步地，利用上述股票收益率数据建立预测模型，主要过程为：
[0086]
s1：将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，包括：
[0087]
将总数据量t划分为m组，m＝t-n+1，每组有n个数据量，即n个样本，表述为b
l
＝{(xi,yi)}
l≤i≤l+n-1
，即将数据分为m组计算，
[0088]
对于第l组，随机变量y可以理解为第t+1日的股票收益率，解释变量x可以理解为第t日的股票收益率，建立股票收益率随机变量y与解释变量x的最小二乘回归方程：
[0089][0090]
进一步可以将上式表示为y＝β
t
x+μ
l
+ε，代入数据获得及μ
l
，
[0091]
对于第l组内每一个数据样本，利用如下表达式：
[0092][0093]
计算误差，并利用如下表达式：
[0094][0095]
获得均方误差所得选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限
[0096]
s2:将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限包括：
[0097]
将带回每组股票收益率数据中，利用如下表达式：
[0098][0099][0100]
计算每组的拟合偏差，
[0101]
选取m组中拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
[0102]
s3：获得波动率上限包括：
[0103]
将股票收益率数据重新分为p＝t/n1组，且有n1《n，
[0104]
利用如下表达式：
[0105][0106][0107]
计算原有m组的各组标准差
[0108]
利用如下表达式：
[0109][0110]
再次计算原有m组中每组的均方误差，
[0111]
选取其中均方误差最大值开方后作为波动率上限
[0112]
s4：获得预测模型参数
[0113]
基于上述预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，获得预测股票收益率，根据所述预测股票收益率所在的收益区间进行风险判断。
[0114]
进一步地，以某股票a为例，基于本发明方法采集并预处理t时刻，即当前时刻之前的股票a收盘价数据，获得股票a历史收益率数据；
[0115]
利用股票a历史收益率数据建立股票a预测模型，获得相应股票a的模型参数
[0116]
基于股票a预测模型的回归系数和偏差下限类似地也可以采用偏差上限对t+1时刻，即未来时刻的股票a收益率进行预测。
[0117]
具体来讲，如果所述预测股票收益率落入[-0.1,0]的收益区间，表示存在未来买入损失风险，建议观望该股票，如果是持有该股票，建议卖出该股票；
[0118]
所述预测股票收益率落入[0,0.02]的收益区间，表示存在未来买入收益几率，其中0.02表示股票市场平均收益，建议观望该股票，未来可能存在收益，如果是持有改股票，建议继续持有该股票；
[0119]
所述预测股票收益率落入[0.02,0.1]的收益区间，表示存在未来买入收益几率，
建议购买该股票，未来可能存在很大收益，如果持有该股票，建议继续持有。
[0120]
此外，在本发明方法的一些实施例中，针对数据分布不确定导致误差分布中均值方差不确定性，本发明方法还根据预测模型的参数验证预测模型有效性，包括：利用数据生成的方式验证本发明预测模型和利用实际数据验证本发明预测模型。
[0121]
其中本发明基于非线性期望理论，分析误差均值以及方差的上下界限，利用数据生成的方式验证本发明预测模型，过程可参考如下：
[0122]
数据生成：
[0123]
对于数据生成，采用如下的方式：对于1≤j≤k以及n0(j-1)+1≤i≤n0j，ηj取值于[0,5]，σj取值于[0.1,1]，且有：
[0124][0125]
残差εj∈n(0,σ
j2
)，生成的数据表示为
[0126]
yi＝xi+ηj+εi[0127]
以此，将回归中的参数记为
[0128]
数据分组：
[0129]
首先对已有的数据进行分组，若总样本量为t，例t＝400，则将其分为m组，m＝t-n+1，每组有n个样本，例n＝150，表述为b
l
＝{(xi,yi)}
l≤i≤l+n-1
,即将数据分为m组计算。
[0130]
按照本发明预测模型的运算过程，获得
[0131]
具体结果如下，参考图2，在t取不同值时，对于上下均值以及方差的估计量与真实值的对比：从图2中robust-lse表示本发明的预测模型，lse表示传统最小二乘回归模型，基于本发明的预测模型(robust-lse)可以准确的估计出与数据相关的最大、最小均值和最大、最小方差，如t＝400时，(η
min
,η
max
)＝(1.7405,3.2692)，对应的robust-lse的为(1.7479,3.2705)，因此本发明预测模型可以全面的刻画数据的风险。
[0132]
利用实际数据验证本发明预测模型，包括：按照历史年份划分股票收盘价数据，并获得股票收益率数据，如采用标普500股票指数数据(s&p500)的每日收盘价数据，基于本发明方法通过计算该股票的每日收益率，
[0133]
将股票收益率数据代入预测模型进行计算分析，获得相应的预测模型参数利用参数获得预测模型的拟合度数据r2，根据拟合度数据r2和假设检验统计量f的数据，验证预测模型能够有效预测股票收益率。
[0134]
参考图3，图中显示从2015.7-2020.7之间5个以年为时间段的股票收益率预测验证过程，具体结果如下：在不同年的时间段下，本发明的预测模型(r-lse)在股票数据s&p500近五年的拟合度r2显著高于经典的最小二乘方法(lse),从假设检验统计量f可以看出，本发明预测模型(r-lse)显然不能被拒绝，即在实际数据的运行规律中，本发明提供的预测模型可以准确预测股票收益，能够进行股票风险预测，并且显然非常有效。
[0135]
本发明还提供一种股票收益风险预测的装置，包括采集模块、模型运算模块和预测模块，
[0136]
采集模块采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；
[0137]
模型运算模块利用股票收益率数据建立预测模型：
[0138]
将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限
[0139]
将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限
[0140]
将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限
[0141]
获得预测模型参数
[0142]
预测模块利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，根据所述预测股票收益率所在的收益区间进行风险判断。
[0143]
上述本发明装置内各模块间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0144]
同样地，本发明装置将历史股票收益数据分组，根据分组筛选获得稳健合理的预测模型的参数估计，本发明装置利用获取的参数估计，通过非线性期望分析预测不确定环境下的股票收益风险，并经验证可以有效刻画股票收益数据规律，能够直接用于股票收益的预测，有助于对未来股票市场涨跌进行更加准确预测和判断，有利于投资者规避股票市场的风险，并获得实际收益。
[0145]
本发明还提供一种股票收益风险预测的计算设备，包括：至少一个存储器和至少一个处理器；
[0146]
所述至少一个存储器，用于存储机器可读程序；
[0147]
所述至少一个处理器，用于调用所述机器可读程序，执行所述的股票收益风险预测方法。
[0148]
上述计算设备内的处理器的信息交互、执行可读程序过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0149]
同样地，本发明计算设备将历史股票收益数据分组，根据分组筛选获得稳健合理的预测模型的参数估计，本发明的计算设备利用获取的参数估计，通过非线性期望分析预测不确定环境下的股票收益风险，并经验证可以有效刻画股票收益数据规律，能够直接用于股票收益的预测，有助于对未来股票市场涨跌进行更加准确预测和判断，有利于投资者规避股票市场的风险，并获得实际收益。
[0150]
以及本发明还提供一种存储介质，所述存储介质上存储有计算机指令，所述计算
机指令在被处理器执行时，使所述处理器执行所述的股票收益风险预测方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0151]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0152]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0153]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0154]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0155]
需要说明的是，上述各流程和各装置结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0156]
以上各实施例中，硬件模块可以通过机械方式或电气方式实现。例如，一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0157]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

技术特征：
1.一种股票收益风险预测方法，其特征是采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；利用股票收益率数据建立预测模型：将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限获得预测模型参数利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，获得预测股票收益率，根据所述预测股票收益率所在的收益区间进行风险判断。2.根据权利要求1所述的一种股票收益风险预测方法，其特征是所述获得股票收益率数据，包括：利用公式计算股票的每日收益率，close
t
表示第t日股票收盘价数据，close
t+1
表示第t+1日的股票收盘价数据。3.根据权利要求1所述的一种股票收益风险预测方法，其特征是所述根据所述预测股票收益率所在的收益区间进行风险判断，包括：所述预测股票收益率落入[-0.1,0]的收益区间，表示存在买入损失风险；所述预测股票收益率落入[0,0.02]的收益区间，表示存在买入收益几率；所述预测股票收益率落入[0.02,0.1]的收益区间，表示存在买入收益几率。4.根据权利要求1所述的一种股票收益风险预测方法，其特征是所述预处理股票收盘价数据，包括:针对缺失数据进行数据样本补全；针对数据特征过多，进行数据样本筛选；针对数据不平衡采用swote算法生成类别少的数据样本。5.根据权利要求1所述的一种股票收益风险预测方法，其特征是所述将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组回归系数和均方误差，包括：将总数据量t划分为m组，m＝t-n+1，每组有n个数据量，对于第l组，建立股票收益率随机变量y与解释变量x的最小二乘回归方程：
代入数据获得及μ
l
，对于第l组内每一个数据样本，利用如下表达式：计算误差，并利用如下表达式：获得均方误差6.根据权利要求1所述的一种股票收益风险预测方法，其特征是所述将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限包括：将带回每组股票收益率数据中，利用如下表达式：带回每组股票收益率数据中，利用如下表达式：计算每组的拟合偏差，选取m组中拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限7.根据权利要求1所述的一种股票收益风险预测方法，其特征是获得波动率上限包括：将股票收益率数据重新分为p＝t/n1组，且有n1<n，利用如下表达式：利用如下表达式：计算原有m组的各组标准差利用如下表达式：再次计算原有m组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限8.一种股票收益风险预测的装置，其特征是包括采集模块、模型运算模块和预测模块，采集模块采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；模型运算模块利用股票收益率数据建立预测模型：将股票收益率数据分组，每组数据量相同，按照分组分别进行最小二乘拟合，获得每组
回归系数和均方误差，选取均方误差最小的一组所对应的回归系数并选取均方误差最小值开方后作为波动率下限将带回每组股票收益率数据，计算每组的拟合偏差，选取拟合偏差最小值作为拟合偏差下限μ，选取拟合偏差最大值作为拟合偏差上限将股票收益率数据重新分组，新分组中数据量小于原分组，根据新分组计算原分组的各组标准差，根据标准差再次计算原分组中每组的均方误差，选取其中均方误差最大值开方后作为波动率上限获得预测模型参数预测模块利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险：基于预测模型代入预测模型参数和未来时刻的股票收盘价数据，根据所述预测股票收益率所在的收益区间进行风险判断。9.一种股票收益风险预测的计算设备，其特征是包括：至少一个存储器和至少一个处理器；所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至7中任一项所述的股票收益风险预测方法。10.一种存储介质，其特征是所述存储介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至7任一项所述的股票收益风险预测方法。

技术总结
本发明公开股票收益风险预测方法、装置、计算设备及存储介质，涉及金融交易数据分析技术领域；采集并预处理当前时刻之前的股票收盘价数据，获得股票收益率数据；利用股票收益率数据建立预测模型：获得预测模型参数利用预测模型分析未来时刻的股票收盘价数据，预测股票收益风险，根据对股票收益率的分析，实现良好的股票收益预测效果。实现良好的股票收益预测效果。实现良好的股票收益预测效果。


技术研发人员：杨淑振 陈增敬
受保护的技术使用者：山东大学
技术研发日：2023.03.02
技术公布日：2023/8/28