股市交易中数据突变的采集与可视化分析对趋势转折的预测作用

刘永红

摘要：股市交易中，通过数据分析，对行情预测准确，才能抓住赚钱的机遇或规避风险。该文通过对数据突变的采集与可视化分析，做好监控交易数据，达到行情的预测作用。

关键词：异常交易数据；变动率；可视化

股票交易的价格趋势不外乎“买卖平衡”、“打破平衡”、“买卖平衡”、“打破平衡”这样的循环往复。

所谓“买卖平衡”：是在一个价格区域内，买人资金量（购买欲）与卖出资金量（出售欲）相等或接近，致使交易中价格变化不大甚至不变，称为买卖平衡。

所谓“打破平衡”：当一方（买人或卖出方）的资金量（买入或卖出欲望）远远大于另一方，致使交易中价格向弱小的一方急剧变化，造成价格快速上涨或下跌，称为打破平衡。

当买卖平衡时，价格变化很小甚至不动，一旦打破平衡，股票价格就会出现巨大变化或者价格趋势就会出现重大转折。而价格趋势出现转折之前，一般都会有异常的“交易数据”出现，并体现出异常的“交易行为”。本文并不分析这些交易行为是否合法，而是利用可视化数据图表，来分析股票异常交易数据出现时能被及时采集和辨别，从而探测风险避免损失，或是发现机遇进而获利。

1监控“异常交易数据”的意义

“异常交易数据”其实是“异常交易行为”直接或者间接表现。对“交易数据”的监控，其实就是在正常交易过程中，发现异常交易行为并将“异常”做“可视化”报警，而对可能出现的“打破平衡”的股票价格趋势做出转折预警，给交易决策提供重要参考。

2现有监控方法的步骤

总体上看，目前股市上的监控方法，都是分为三个步骤：

1）建立行为特征。即根据已知的股市原始数据，建立交易行为模型。模型需要海量数据进行“数值化”语言描述，再把这些数值转化为“可视化”图形，以便清楚地展示交易者的交易行为。

2）挖掘行为信息。当用数值语言表示出行为模型后，就可以利用数据挖掘技术找出我们最感兴趣的信息，如“异常交易行为”信息。

3）提取结果信息。指对所挖掘的信息进行二次识别，比如这个信息是“趋势加速”？或“趋势刹车”？拟或是“趋势转向”？有了结果信息，就知道该在此时如何交易了。

3“异常交易”的捕捉与监控

3.1“异常交易行为”所处于的行情阶段

如果将一支股票的行情分成若干阶段，那么它和一个公司的成长阶段相近，可以分为四个阶段：积累（筑底）阶段，成长（上涨）阶段，加速成长（加速上涨）阶段，衰落（筑顶）阶段。

如果把股票交易行为分阶段的话，其实就是两个阶段：买卖平衡阶段，打破平衡阶段。

行情的“筑底”阶段、“筑顶”阶段，“上涨”与“加速上涨”之间的一个短期间隙，都是平衡阶段，这期间，买卖力量平衡；而在这几个力量平衡阶段的末期，往往会出现一些“异常交易”来打破这种平衡，而进入到下一个“失衡”阶段，从而造就一段股市行情。

3.2“异常交易行为”的监控——数据挖掘过程

1）物理加速度在股市中的“正常体现”与“异常体现”

股票的行情变化，不论是用“月”、“周”、“日”、“时”之中的哪种单位，都是把收盘价格连接起来进行观察，以规则或不规则的“钟摆”方式运行的。“启动”、“加速”、“减速”、“停止”；又“启动”、“加速”、“减速”、“停止”……如此往复，平衡、打破平衡；再平衡、再打破平衡……在股票价格趋势向一个方向（不管是向上还是向下）前进时，类似物理的加速度原理，速率应该越来越快；当方向不变，而速率陡降时，这个价格趋势就会接近结束。

比如说，一个铁球顺着下坡当然越滚越快，这是正常的；但如果铁球下滚的坡度没变化，而速度突然开始变慢甚至开始停止，就不正常了！这时我们虽然看不到外力，却能轻松地判断出“有一支无形的向上推手”在反向用力，于是这个铁球的运动方向可能要变了。从铁球向下运动的速率变化的“异常”，可以挖掘出隐性的“异常行为”。利用在股市上，就能为反向交易决策提供决定性依据。

2）“異常交易行为”监控的计算过程及算法描述

本文引人“变动率”作为股市的监控数据。变动率，国内外一直都有研究，上世纪由Gerald Apple和Fred Hitschler二人在《stock Market Trading svstems》书中进行了介绍——以今日收盘价与N天前的收盘价之差，除以N天前的收盘，再用比率进行表示；当采用12天及25天周期则可观察到期望的效果。

但笔者经过与专业人士的长期研究，经海量数据采集，发现将“两日变动率”的连续数据作可视化图形转换，作为股票交易中“异常交易行为”的监控及预测，更为理想。

具体计算过程：把当天某只股票的收盘价与其前两天的收盘价进行变动率比较，其差值可以做出一个可视的百分数曲线；对该百分数曲线进行分析，会出现两种情况：

一是“正常情况”——即股票价格下降时，该曲线也下降；股票价格上升时，该曲线就上升。

二是“异常情况”——当股票价格继续上升，该变动率曲线不升反降；或股票价格继续下跌，该变动率曲线不降反升——那么就可以肯定，有“异常交易”！股票价格当前的变化趋势要改变了。

我们对“两日变动率”监控“异常交易数据”，总结出以下计算公式：

两日变动率=（当前时间单位收盘价一两个时间单位以前的收盘价）/两个时间单位以前的收盘价*100%

3.3“异常交易行为”监控实例

以下随机抽取三只股票，分别对每只股票从2016年1月1日到2016年12月31日期间进行数据采集，计算出该股每日的“两日变动率”；以一年的连续统计为数据，做出可视化图形加以分析。

实例一：红阳能源（600758）

由图1可见，自2015年12月31日起，该股票行情开始下跌（当日收盘价12.99元），变动率也随之下行（-1.22）；进入2016年1月第一个交易日，行情（当日收盘价11.69元）与变动率（一11.64元）继续双双保持下跌。

图2为我们展示：该股从2016年1月开始下跌，每逢有少许反弹时，变动率也应声而起，直到2016年2月29日，价格在大幅下跌（两日收盘价分别从8.95元降至8.33元）的同时，变动率却掉头向上（箭头处：变动率从-7.16上升到-4.91）——这就出现了“异常数据”，说明该股趋势有变！

图3展示了2016年2月29日后，该股稍做盘整便走出了一段上升行情（从8.33元上升到了11.64）。

从图4可以看到，2016年4月15日后开始调整，变动率也随之下降，直到2016年5月10日，价格继续下跌（收盘价），而变动率重新往上调头，出现了“异常数据”。

从图5可以看到，2016年5月10日、5月19日，二次价格下跌，变动率却同时反向回勾向上，结果是走出了一波上涨大行情（从9.42元上涨到了21元以上）。

实例二：白云山（600332）

由圖6可见，进入2016年后，该股行情一直下跌盘整；直到2月29日，价格在下跌（两日收盘价分别从20.55元降至19.94元）的同时，变动率却掉头向上（箭头处：变动率从-7.39上升到1.97）——“异常数据”出现！

果然，股票行情持续上扬到4月6日，收盘价从19.94上升到23.31元，见图7。

图8展示了5月10日到7月12日的一波大涨行情，异常数据出现在5月10日，股价从21.37元，上涨到27.80元。

图9展示了该股票在2016年最后一波较大行情，异常数据出现在9月13日，上扬峰值出现在11月1日，股价从24.21元，抬升到26.89元。

实例三：金山股份（600398）

由图10可见，进入2016年后，该股行情一直下跌；直到1月28日，价格在下跌（两日收盘价分别从4.66元降至4.45元）的同时，变动率掉头向上（箭头处：变动率从10.38上升到-6.51），出现了“异常数据”。

图11展示从1月28日（出现“异常数据”）到2月24日，股票上涨，从4.43元涨到5.30元。

图12展示了2月29日出现“异常数据”后，到4月5日的一波行情，股价从4.47元涨到5.77元。

图13展示了5月26日出现“异常数据”，到7月28日的上涨行情，股价从4.70元涨到5.80元。

图14捕捉到9月14日出现“异常数据”，到11月30日的上涨行情，收盘股价从5.51元升到5.70元。

图15是该股在2016年的最后一波行情，“异常数据”出现在12月14日，之后行情延伸到2017年1月9日，收盘价从5.06元上涨到5.29元。

4小结

从上面三个随机抽出的实例证明，监控股市“异常交易行为”，完全可以确定对某只股票的买卖行为，也能确定买卖的确切切人时间点；但大量的数据隐藏在行情与交易的数据变化之中，如果不对隐形的数据加以“可视化”监控，则无法对行情的转折时间及转折点进行有效预测。