股市交易中數據突變的采集與可視化分析對趨勢轉折的預測作用

劉永紅

摘要：股市交易中，通過數據分析，對行情預測準確，才能抓住賺錢的機遇或規避風險。該文通過對數據突變的采集與可視化分析，做好監控交易數據，達到行情的預測作用。

關鍵詞：異常交易數據；變動率；可視化

股票交易的價格趨勢不外乎“買賣平衡”、“打破平衡”、“買賣平衡”、“打破平衡”這樣的循環往復。

所謂“買賣平衡”：是在一個價格區域內，買人資金量（購買欲）與賣出資金量（出售欲）相等或接近，致使交易中價格變化不大甚至不變，稱為買賣平衡。

所謂“打破平衡”：當一方（買人或賣出方）的資金量（買入或賣出欲望）遠遠大于另一方，致使交易中價格向弱小的一方急劇變化，造成價格快速上漲或下跌，稱為打破平衡。

當買賣平衡時，價格變化很小甚至不動，一旦打破平衡，股票價格就會出現巨大變化或者價格趨勢就會出現重大轉折。而價格趨勢出現轉折之前，一般都會有異常的“交易數據”出現，并體現出異常的“交易行為”。本文并不分析這些交易行為是否合法，而是利用可視化數據圖表，來分析股票異常交易數據出現時能被及時采集和辨別，從而探測風險避免損失，或是發現機遇進而獲利。

1監控“異常交易數據”的意義

“異常交易數據”其實是“異常交易行為”直接或者間接表現。對“交易數據”的監控，其實就是在正常交易過程中，發現異常交易行為并將“異?！弊觥翱梢暬眻缶?，而對可能出現的“打破平衡”的股票價格趨勢做出轉折預警，給交易決策提供重要參考。

2現有監控方法的步驟

總體上看，目前股市上的監控方法，都是分為三個步驟：

1）建立行為特征。即根據已知的股市原始數據，建立交易行為模型。模型需要海量數據進行“數值化”語言描述，再把這些數值轉化為“可視化”圖形，以便清楚地展示交易者的交易行為。

2）挖掘行為信息。當用數值語言表示出行為模型后，就可以利用數據挖掘技術找出我們最感興趣的信息，如“異常交易行為”信息。

3）提取結果信息。指對所挖掘的信息進行二次識別，比如這個信息是“趨勢加速”？或“趨勢剎車”？擬或是“趨勢轉向”？有了結果信息，就知道該在此時如何交易了。

3“異常交易”的捕捉與監控

3.1“異常交易行為”所處于的行情階段

如果將一支股票的行情分成若干階段，那么它和一個公司的成長階段相近，可以分為四個階段：積累（筑底）階段，成長（上漲）階段，加速成長（加速上漲）階段，衰落（筑頂）階段。

如果把股票交易行為分階段的話，其實就是兩個階段：買賣平衡階段，打破平衡階段。

行情的“筑底”階段、“筑頂”階段，“上漲”與“加速上漲”之間的一個短期間隙，都是平衡階段，這期間，買賣力量平衡；而在這幾個力量平衡階段的末期，往往會出現一些“異常交易”來打破這種平衡，而進入到下一個“失衡”階段，從而造就一段股市行情。

3.2“異常交易行為”的監控——數據挖掘過程

1）物理加速度在股市中的“正常體現”與“異常體現”

股票的行情變化，不論是用“月”、“周”、“日”、“時”之中的哪種單位，都是把收盤價格連接起來進行觀察，以規則或不規則的“鐘擺”方式運行的?！皢印?、“加速”、“減速”、“停止”；又“啟動”、“加速”、“減速”、“停止”……如此往復，平衡、打破平衡；再平衡、再打破平衡……在股票價格趨勢向一個方向（不管是向上還是向下）前進時，類似物理的加速度原理，速率應該越來越快；當方向不變，而速率陡降時，這個價格趨勢就會接近結束。

比如說，一個鐵球順著下坡當然越滾越快，這是正常的；但如果鐵球下滾的坡度沒變化，而速度突然開始變慢甚至開始停止，就不正常了！這時我們雖然看不到外力，卻能輕松地判斷出“有一支無形的向上推手”在反向用力，于是這個鐵球的運動方向可能要變了。從鐵球向下運動的速率變化的“異?！?，可以挖掘出隱性的“異常行為”。利用在股市上，就能為反向交易決策提供決定性依據。

2）“異常交易行為”監控的計算過程及算法描述

本文引人“變動率”作為股市的監控數據。變動率，國內外一直都有研究，上世紀由Gerald Apple和Fred Hitschler二人在《stock Market Trading svstems》書中進行了介紹——以今日收盤價與N天前的收盤價之差，除以N天前的收盤，再用比率進行表示；當采用12天及25天周期則可觀察到期望的效果。

但筆者經過與專業人士的長期研究，經海量數據采集，發現將“兩日變動率”的連續數據作可視化圖形轉換，作為股票交易中“異常交易行為”的監控及預測，更為理想。

具體計算過程：把當天某只股票的收盤價與其前兩天的收盤價進行變動率比較，其差值可以做出一個可視的百分數曲線；對該百分數曲線進行分析，會出現兩種情況：

一是“正常情況”——即股票價格下降時，該曲線也下降；股票價格上升時，該曲線就上升。

二是“異常情況”——當股票價格繼續上升，該變動率曲線不升反降；或股票價格繼續下跌，該變動率曲線不降反升——那么就可以肯定，有“異常交易”！股票價格當前的變化趨勢要改變了。

我們對“兩日變動率”監控“異常交易數據”，總結出以下計算公式：

兩日變動率=（當前時間單位收盤價一兩個時間單位以前的收盤價）/兩個時間單位以前的收盤價*100%

3.3“異常交易行為”監控實例

以下隨機抽取三只股票，分別對每只股票從2016年1月1日到2016年12月31日期間進行數據采集，計算出該股每日的“兩日變動率”；以一年的連續統計為數據，做出可視化圖形加以分析。

實例一：紅陽能源（600758）

由圖1可見，自2015年12月31日起，該股票行情開始下跌（當日收盤價12.99元），變動率也隨之下行（-1.22）；進入2016年1月第一個交易日，行情（當日收盤價11.69元）與變動率（一11.64元）繼續雙雙保持下跌。

圖2為我們展示：該股從2016年1月開始下跌，每逢有少許反彈時，變動率也應聲而起，直到2016年2月29日，價格在大幅下跌（兩日收盤價分別從8.95元降至8.33元）的同時，變動率卻掉頭向上（箭頭處：變動率從-7.16上升到-4.91）——這就出現了“異常數據”，說明該股趨勢有變！

圖3展示了2016年2月29日后，該股稍做盤整便走出了一段上升行情（從8.33元上升到了11.64）。

從圖4可以看到，2016年4月15日后開始調整，變動率也隨之下降，直到2016年5月10日，價格繼續下跌（收盤價），而變動率重新往上調頭，出現了“異常數據”。

從圖5可以看到，2016年5月10日、5月19日，二次價格下跌，變動率卻同時反向回勾向上，結果是走出了一波上漲大行情（從9.42元上漲到了21元以上）。

實例二：白云山（600332）

由圖6可見，進入2016年后，該股行情一直下跌盤整；直到2月29日，價格在下跌（兩日收盤價分別從20.55元降至19.94元）的同時，變動率卻掉頭向上（箭頭處：變動率從-7.39上升到1.97）——“異常數據”出現！

果然，股票行情持續上揚到4月6日，收盤價從19.94上升到23.31元，見圖7。

圖8展示了5月10日到7月12日的一波大漲行情，異常數據出現在5月10日，股價從21.37元，上漲到27.80元。

圖9展示了該股票在2016年最后一波較大行情，異常數據出現在9月13日，上揚峰值出現在11月1日，股價從24.21元，抬升到26.89元。

實例三：金山股份（600398）

由圖10可見，進入2016年后，該股行情一直下跌；直到1月28日，價格在下跌（兩日收盤價分別從4.66元降至4.45元）的同時，變動率掉頭向上（箭頭處：變動率從10.38上升到-6.51），出現了“異常數據”。

圖11展示從1月28日（出現“異常數據”）到2月24日，股票上漲，從4.43元漲到5.30元。

圖12展示了2月29日出現“異常數據”后，到4月5日的一波行情，股價從4.47元漲到5.77元。

圖13展示了5月26日出現“異常數據”，到7月28日的上漲行情，股價從4.70元漲到5.80元。

圖14捕捉到9月14日出現“異常數據”，到11月30日的上漲行情，收盤股價從5.51元升到5.70元。

圖15是該股在2016年的最后一波行情，“異常數據”出現在12月14日，之后行情延伸到2017年1月9日，收盤價從5.06元上漲到5.29元。

4小結

從上面三個隨機抽出的實例證明，監控股市“異常交易行為”，完全可以確定對某只股票的買賣行為，也能確定買賣的確切切人時間點；但大量的數據隱藏在行情與交易的數據變化之中，如果不對隱形的數據加以“可視化”監控，則無法對行情的轉折時間及轉折點進行有效預測。