基于二元加权概率模型股票分析方法、系统、设备及介质与流程

1.本发明涉及数据分析技术领域，特别涉及一种基于二元加权概率模型股票分析方法、系统、设备及介质。


背景技术：

2.传统分析股票时间离散的数据时，通常是采用平均、方差或遗传算法、粒子群算法等方法。在随机抽样、随机测试的环境下，尤其是存在统计相关性的数据时，传统方法只能得到一个片面的分析结果。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种基于二元加权概率模型股票分析方法、系统、设备及介质，能够提高股票分析的合理性。
4.本发明第一方面提供了一种基于二元加权概率模型股票分析方法，包括如下步骤：
5.将周期内的股票涨跌数据转换成二进制序列x；
6.将所述二进制序列x中每一个符号1后增添一个符号0，得到二进制序列q，并通过如下方式计算所述二进制序列q的r
max
(q)：
[0007][0008]
其中，所述p(0)表示所述二进制序列q中符号0的概率，所述r
max
(q)表示所述二进制序列q的最大加权系数；
[0009]
将所述二进制序列x按位取非，得到二进制序列将所述二进制序列中每一个符号1后增添一个符号0，得到二进制序列并通过如下方式计算所述二进制序列的
[0010][0011]
其中，所述p(0)表示所述二进制序列中符号0的概率，所述表示所述二进制序列的最大加权系数；
[0012]
将所述r
max
(q)和所述作为所述股票的最大数学期望，计算基于所述最大数学期望的平均最大数学期望和平均最大数学期望的误差程度；
[0013]
根据所述平均最大数学期望和所述平均最大数学期望的误差程度，对所述股票的涨跌趋势进行分析。
[0014]
本发明第二方面提供了一种基于二元加权概率模型股票分析系统，包括：
[0015]
数据转换单元，用于将周期内的股票涨跌数据转换成二进制序列x；
[0016]
第一数据计算单元，用于将所述二进制序列x中每一个符号1后增添一个符号0，得到二进制序列q，并通过如下方式计算所述二进制序列q的r
max
(q)：
[0017][0018]
其中，所述p(0)表示所述二进制序列q中符号0的概率，所述r
max
(q)表示所述二进制序列q的最大加权系数；
[0019]
第二数据计算单元，用于将所述二进制序列x按位取非，得到二进制序列将所述二进制序列中每一个符号1后增添一个符号0，得到二进制序列并通过如下方式计算所述二进制序列的
[0020][0021]
其中，所述p(0)表示所述二进制序列中符号0的概率，所述表示所述二进制序列的最大加权系数；
[0022]
第三数据计算单元，用于将所述r
max
(q)和所述作为所述股票的最大数学期望，计算基于所述最大数学期望的平均最大数学期望和平均最大数学期望的误差程度；
[0023]
数据分析单元，用于根据所述平均最大数学期望和所述平均最大数学期望的误差程度，对所述股票的涨跌趋势进行分析。
[0024]
本发明第三方面提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现：如本技术上述基于二元加权概率模型股票分析方法。
[0025]
本发明第四方面提供了一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行：如本技术上述基于二元加权概率模型股票分析方法。
[0026]
本发明第一方面提供的基于二元加权概率模型股票分析方法，首先将股票涨跌的离散数据转换成对应的二进制序列x；然后一方面对二进制序列x进行增添符号处理，得到二进制序列q；另外一方面对二进制序列x进行按位取非得到二进制序列对二进制序列进行增添符号处理，得到二进制序列然后利用二元加权概率模型的加权系数计算公式分别计算出二进制序列q和二进制序列的最大加权系数r
max
(q)和所述因为r
max
(q)和能够表征二进制序列q和二进制序列的形态特征，分析r
max
(q)和可得到二进制序列q和二进制序列的数理特征，因此本技术实施例利用最大加权系数r
max
(q)和作为股票的最大数学期望，并且计算平均最大数学期望和平均最大数学期望的误差程度；最后利用计算出的平均最大数学期望和平均最大数学期望的误差程度对股票的涨跌趋势进行分析。本方法引用二元加权概率模型的最大加权系数，给出了一种随机过程的二进制序列的最大数学期望，基于最大数学期望实现对股票的分析，基于最大数学期望对股票的分析更具代表性，而且本方法还可规避随机环境下的分析问题，能优化一定时间
范围内的统计相关性。
[0027]
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
[0028]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0029]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0030]
图1为本发明一个实施例提供的用于基于二元加权概率模型股票分析方法的系统结构示意图；
[0031]
图2为本发明一个实施例提供的一种基于二元加权概率模型股票分析方法的流程示意图；
[0032]
图3为本发明一个实施例提供的国民技术股票日k图；
[0033]
图4为本发明一个实施例提供的国民技术股票月k图。
具体实施方式
[0034]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0035]
传统分析股票时间离散的数据时，通常是采用平均、方差或遗传算法、粒子群算法等方法。在随机抽样、随机测试的环境下，尤其是存在统计相关性的数据时，传统方法只能得到一个片面的分析结果。
[0036]
为了解决上述技术缺陷，本技术实施例首先将股票涨跌的离散数据转换成对应的二进制序列x；然后一方面对二进制序列x进行增添符号处理，得到二进制序列q；另外一方面对二进制序列x进行按位取非得到二进制序列对二进制序列进行增添符号处理，得到二进制序列然后利用二元加权概率模型的加权系数计算公式分别计算出二进制序列q和二进制序列的最大加权系数r
max
(q)和所述因为r
max
(q)和能够表征二进制序列q和二进制序列的形态特征，分析r
max
(q)和可得到二进制序列q和二进制序列的数理特征，因此本技术实施例利用最大加权系数r
max
(q)和作为股票的最大数学期望，并且计算平均最大数学期望和平均最大数学期望的误差程度；最后利用计算出的平均最大数学期望和平均最大数学期望的误差程度对股票的涨跌趋势进行分析。本技术引用二元加权概率模型的最大加权系数，给出了一种随机过程的二进制序列的最大数学期望，基于最大数学期望实现对股票的分析，基于最大数学期望对股票的分析更具代表性，而且本技术还可规避随机环境下的分析问题，能优化一定时间范围内的统计相关性。
[0037]
本技术一个实施例提供的基于二元加权概率模型股票分析方法可以在电子设备中执行。终端/设备可以为移动电子设备，也可以为非移动电子设备。移动电子设备可以为
手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理等；非移动电子设备可以为个人计算机、电视机、柜员机或者自助机等；本技术实施方案不作具体限定。
[0038]
电子设备可以包括处理器，外部存储器接口，内部存储器，通用串行总线(universal serial bus，usb)接口，充电管理模块，电源管理模块，电池，天线，移动通信模块，无线通信模块，音频模块，扬声器，受话器，麦克风，耳机接口，传感器模块，按键，马达，指示器，摄像头，显示屏，以及用户标识模块(subscriber identification module，sim)卡接口等。
[0039]
下面结合附图，对本技术实施例作进一步阐述。
[0040]
参照图1，是本技术一个实施例提供的用于执行一种基于二元加权概率模型股票分析方法的系统架构示意图，在图1的示例中，该系统架构主要包括但不限于数据转换单元100、第一数据计算单元200、第二数据计算单元300、第三数据计算单元400和数据分析单元500，其中：
[0041]
数据转换单元100用于将周期内的股票涨跌数据转换成二进制序列x；
[0042]
第一数据计算单元200用于将二进制序列x中每一个符号1后增添一个符号0，得到二进制序列q，并通过如下方式计算二进制序列q的r
max
(q)：
[0043][0044]
其中，p(0)表示二进制序列q中符号0的概率，r
max
(q)表示二进制序列q的最大加权系数；
[0045]
第二数据计算单元300用于将二进制序列x按位取非，得到二进制序列将二进制序列中每一个符号1后增添一个符号0，得到二进制序列并通过如下方式计算二进制序列的
[0046][0047]
其中，p(0)表示二进制序列中符号0的概率，表示二进制序列的最大加权系数；
[0048]
第三数据计算单元400用于将r
max
(q)和作为股票的最大数学期望，计算基于最大数学期望的平均最大数学期望和平均最大数学期望的误差程度；
[0049]
数据分析单元500用于根据平均最大数学期望和平均最大数学期望的误差程度，对股票的涨跌趋势进行分析。
[0050]
本技术实施例描述的系统架构以及应用场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着系统架构的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0051]
本领域技术人员可以理解的是，图1中示出的系统架构并不构成对本技术实施例的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0052]
在图1所示的系统架构中，各个单元可以分别调用其储存的程序，用以执行一种基于二元加权概率模型股票分析方法。
[0053]
基于上述系统架构，提出本技术实施例的基于二元加权概率模型股票分析方法的各个实施例。
[0054]
在介绍本发明基于二元加权概率模型股票分析方法的实施例之前，先对本技术的技术原理进行介绍：
[0055]
设存在函数p(x)为符号x的概率。r表征二进制序列q的形态特征，称为权系数。称为加权概率质量函数，本技术通过分析r得出加权模型的数理特征。
[0056]
定义1：设离散随机变量x，x∈{0,1}，p{x＝a}＝p(a)(a∈{0,1})，加权概率质量函数为p(a)为符号a的概率质量函数，0≤p(a)≤1，r为权系数，且：
[0057]
f(a)＝∑
i≤a
p(i)
ꢀꢀ
(1)
[0058]
若f(a,r)满足f(a,r)＝rf(a)，则称f(a,r)为加权累积分布函数，简称加权分布函数。显然，所有符号的加权概率之和为
[0059]
根据式(1)可知：f(x
i-1)＝f(xi)-p(xi)，xi＝0时f(x
i-1)＝0，xi＝1时将序列q的加权分布函数记为f(q,r)：
[0060]
l＝1时，f(q,r)＝rf(x
1-1) rp(x1)。
[0061]
l＝2时，f(q,r)＝rf(x
1-1) r2f(x
2-1)p(x1) r2p(x1)p(x2)。
[0062]
l＝3时，f(q,r)＝rf(x
1-1) r2f(x
2-1)p(x1) r3f(x
3-1)p(x1)p(x2) r3p(x1)p(x2)p(x3)。
[0063]
令l≥1时：
[0064][0065]
将满足式(2)的加权分布函数的集合定义二元加权模型，简称加权模型，记为{f(q，r)}。令：
[0066]hl
＝f(q,r)
ꢀꢀ
(3)
[0067][0068][0069]
其中xi∈{0,1},l＝1,2,
…
。当r＝1时：
[0070][0071]
因xi必须取a中的值，所以p(xi)≥0。显然式(3)、(4)和(5)为区间列。li，hi是信源序列x在时刻i(i＝0,1,2,
…
,l)变量xi对应的区间上下标，ri＝h
i-li是区间的长度。根据式(3)、(4)和(5)，加权概率模型线性编码的迭代式为：
[0072][0073]
以(s
→
∞,t＝1)为例，令r》1且序列q从i 1位置开始的3个符号为0,1,0。根据式
(7)二元加权模型的运算过程如图1所示。
[0074]
根据图1，若h
i 3
》h
i 1
，因区间[h
i 1
,h
i 3
)∈[h
i 1
,h
i 1ri 1
)，且[h
i 1
,hi ri)与符号1对应，所以第i 1个符号0可能被错误映射为符号1。若h
i 3
≤h
i 1
，则[l
i 3
,h
i 3
)∈[l
i 1
,h
i 1
)。如图1中[l
i 1
,h
i 1
)与符号0唯一对应，所以i 1位置上的符号0被l
i 3
正确映射，且i 2和i 3位置上的符号1和符号0也能正确映射。当0《r≤1时，任意时刻都有[l
i 1
,h
i 1
)∈[li,hi)，即f(q,r)可准确映射当序列q。由于f(0-1)＝0，f(0)＝p(0)，由式(7)可得：
[0075][0076]
因为h
i 3
≤h
i 1
，所以：
[0077][0078]
设方程ar2 br c＝0，其中a＝p(1)p(0)，b＝p(0)，c＝-1，且r》0。满足方程的正实数根为因p(1)＝1-p(0)，且p(1)＝0时r≤1，所以：
[0079][0080]
令r
max
(q)为r的最大值。
[0081]
设序列q中第i 1个位置起有j 2(j＝1,2,3,
…
)个符号为0,1,
…
,1,0，其中符号1的连续个数为j，根据式(1)j≤t。因h
i j 2
≤h
i 1
，根据式(7)有：
[0082][0083]
于是：
[0084][0085]
将式(11)减去式(12)，化简得：
[0086]
r-r
j 2
p(1)
j 1
r
j 2
p(1)
j 2
≥1
ꢀꢀ
(13)
[0087]
p(1)已知，式(13)取等号可得r
max
。当p(1)＝1或p(0)＝0时，r
max
(q)＝1；当0《p(0)《1，j
→
∞时，r
max
(q)
j 2
p(1)
j 1
→
0，r
max
(q)
j 2
p(1)
j 2
→
0，则r
max
(q)
→
1。当j《t或r《r
max
(q)时rp(0) r2p(0)p(1) 3p(0)p(1)2
…
r
j 1
p(0)p(1)j《1。
[0088]
然后将序列q中符号0替换为符号1，符号1替换为符号0，即按位取非后得到序列通过式(10)计算出权系数最大值显然和r
max
(q)不一定是同一个值，无法定义哪一个值才是当前二进制序列q的形态特征。因方差描述随机变量对于数学期望的偏离程度，所以令：
[0089][0090]
且令
[0091][0092]
s2越小则说明通过式(10)计算出的r
max
越能表达序列q的形态特征。比如：
010110010100101比01010001010010011算出的s2更小，因为010110010100101中j＝2，且中j＝2，所以则s2＝0。而01010001010010011中j＝2，中j＝3，所以则s2》0。
[0093]
参照图2，本发明的一个实施例，提供了一种基于二元加权概率模型股票分析方法，本方法包括如下步骤：
[0094]
步骤s101、周期内的股票涨跌数据转换成二进制序列x。
[0095]
在一段周期内(例如一个月或者一个星期内)，股票会存在涨跌的情况，因此可以将单位时间(这里不对单位时间进行具体限制)内股票涨跌的情况转换成二进制符号，所有二进制符号组合成二进制序列，组合成的二进制序列为离散随机序列。
[0096]
在一些实施例中，步骤s101包括如下步骤：
[0097]
步骤s1011、将单位时间内股票上涨数据转换成符号1，将单位时间内股票下跌数据转换成符号0。
[0098]
步骤s1012、按序组合所有转换的符号，形成二进制序列x。
[0099]
如图3和图4以国民技术股票为例，以日为单位的k线图。如图3、图4将下跌(图3、图4中为实心标注)转换成符号0，上涨(图3、图4中为空心标注)转换成符号1，于是得到能够表示涨跌情况的随机离散的二进制序列x。
[0100]
步骤s102、将二进制序列x中每一个符号1后增添一个符号0，得到二进制序列q，并通过如下方式计算二进制序列q的r
max
(q)：
[0101][0102]
其中，p(0)表示二进制序列q中符号0的概率，r
max
(q)表示二进制序列q的最大加权系数。
[0103]
在步骤s102中，在二进制序列x中每一个符号1后增添一个符号0的目的是稀疏化采集到的数据，一方面为了满足上述原理部分的式(10)计算；另一方面使得数据序列中的最大值得到无损的量化，比如255转化为二进制后为11111111，每个符号1后增加一个符号0后得到1010101010101010，将异变数据进行时间上的平滑化，因为异变数据发生一般处于特殊时期，而这个异变数据具有一定的影响周期。
[0104]
步骤s103、将二进制序列x按位取非，得到二进制序列将二进制序列中每一个符号1后增添一个符号0，得到二进制序列并通过如下方式计算二进制序列的
[0105][0106]
其中，p(0)表示二进制序列中符号0的概率，表示二进制序列的最大加权系数。
[0107]
步骤s104、将r
max
(q)和作为股票的最大数学期望，计算基于最大数学期望的平均最大数学期望和平均最大数学期望的误差程度。
[0108]
在一些实施例中，计算数学期望的平均最大数学期望和平均最大数学期望的误差程度的公式包括：
[0109][0110][0111]
其中，τ表示平均最大数学期望，s2表示平均最大数学期望的误差程度。
[0112]
在本实施例步骤s101至步骤s104中，例如：二进制序列q为(100010100101001)，h＝2，p(0)＝0.5，经式(10)计算＝2，p(0)＝0.5，经式(10)计算于是τ＝1.236067，s2＝0，此时的τ被定义为可以完美表达二进制序列q的形态特征。又比如q＝(010000010000100100)，h＝2，(010000010000100100)，h＝2，经式(10)计算r
max
(q)＝1.043662746，于是τ＝1.445290306，s2＝0.161304697，此时的τ被定义为可以近似表达二进制序列q的形态特征。τ表达了当前股票的增长潜力，且存在s2的上下浮动空间。
[0113]
步骤s105、根据平均最大数学期望和平均最大数学期望的误差程度，对股票的涨跌趋势进行分析。
[0114]
在一些实施例中，步骤s105根据平均最大数学期望τ和平均最大数学期望的误差程度s2对股票的涨跌趋势进行分析，包括：
[0115]
当τ-s2》1，判断股票在单位时间范围内为增长状态，适合于长期投资；
[0116]
当τ-s2＝1，判断股票在单位时间范围内为稳定状态，只适合短期投资；
[0117]
当τ-s2《1，判断股票在单位时间范围内为下跌状态，不适合投资。
[0118]
传统分析股票时间离散的数据时采用平均、方差或遗传算法、粒子群算法等方法。在随机抽样、随机测试的环境下，尤其是存在统计相关性的数据时，传统方法只能得到一个片面的分析结果，而且股票数据具有一定的前后相关性，同时也具有一定的随机性。本实施例首先将股票涨跌的离散数据转换成对应的二进制序列x；然后一方面对二进制序列x进行增添符号处理，得到二进制序列q；另外一方面对二进制序列x进行按位取非得到二进制序列对二进制序列进行增添符号处理，得到二进制序列然后利用二元加权概率模型的加权系数计算公式分别计算出二进制序列q和二进制序列的最大加权系数r
max
(q)和所述因为r
max
(q)和能够表征二进制序列q和二进制序列的形态特征，分析r
max
(q)和可得到二进制序列q和二进制序列的数理特征，因此本技术实施例利用最大加权系数r
max
(q)和作为股票的最大数学期望，并且计算平均最大数学期望和平均最大数学期望的误差程度；最后利用计算出的平均最大数学期望和平均最大数学期望的误差程度对股票的涨跌趋势进行分析。本实施例引用二元加权概率模型的最大加权系数，给出了一种随机过程的二进制序列的最大数学期望，基于最大数学期望实现对股票的分析，基于最大数学期望对股票的分析更具代表性，而且本实施例还可规避随机环境下的分析问题，能优化一定时间范围内的统计相关性。
[0119]
以下通过一具体示例进行详细说明本方法实施例：
[0120]
参照图3和图4，在本技术的一个实施例中，以国民技术股票为例，以日为单位的k
线如图3和图4所示：
[0121]
将下跌(图3和图4中为实心标注)标记为0，上涨(图3和图4中为空心标注)标记为1，于是得到涨跌的离散二进制序列，这里命名为二进制序列x，为了使二进制序列x符合式(10)的计算，需要对采集的数据进行预处理，通过“每个符号1后增加一个符号0”得到二进制序列q，这样做的目的是稀疏化采集到的数据，一方面满足式(10)，另一方面使得数据序列中的最大值得到无损的量化。例如：255转化为二进制后为11111111，每个符号1后增加一个符号0后得到1010101010101010，将异变数据进行时间上的平滑化，因为异变数据发生一般处于特殊时期，而这个异变数据具有一定的影响周期。
[0122]
得出τ和s2的步骤如下：
[0123]
步骤s201、将任意采集到的数据转换为二进制序列x；
[0124]
步骤s202、预处理，将二进制序列x中每个符号1后增加一个符号0，得到二进制序列q；
[0125]
步骤s203、统计并计算二进制序列q中符号0的概率p(0)；
[0126]
步骤s204、将二进制序列q中符号0的概率p(0)代入式(10)计算r
max
(q)；
[0127]
步骤s205、将二进制序列x按位取非得到二进制序列
[0128]
步骤s206、预处理，将二进制序列中每个符号1后增加一个符号0，得到二进制序列
[0129]
步骤s207、统计并计算二进制序列中符号0的概率p(0)；
[0130]
步骤s208、将二进制序列中符号0的概率p(0)代入式(10)计算
[0131]
步骤s209、将r
max
(q)和代入式(14)和式(15)求出τ和s2。
[0132]
其中τ为平均最大数学期望，s2被定义为平均最大数学期望的误差程度。举例分析如下：
[0133]
比如二进制序列q＝(100010100101001)，h＝2，经式(10)计算于是τ＝1.236067，s2＝0，此时的τ被定义为可以完美表达二进制序列q的形态特征。又比如q＝(010000010000100100)，h＝2，经式(10)计算r
max
(q)＝1.043662746，是τ＝1.445290306，s2＝0.161304697，此时的τ被定义为可以近似表达二进制序列q的形态特征。τ表达了当前股票的增长潜力，且存在s2的上下浮动空间。
[0134]
于是当τ-s2》1当前股票单位时间范围内是增长的，适合进行长期投资。当τ-s2＝1时，说明当前股票单位时间范围内是稳定的，只适合短期投资。当τ-s2《1时，当前股票单位时间范围内是跌的，不适合投资。
[0135]
本技术的一个实施例，提供了一种电子设备，该设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
[0136]
处理器和存储器可以通过总线或者其他方式连接。
[0137]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态
存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0138]
需要说明的是，本实施例中的电子设备能够构成图1所示实施例中的系统架构的一部分，这些实施例均属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
[0139]
实现上述实施例的基于二元加权概率模型股票分析方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例方法，例如，执行以上描述的图2中的方法步骤s101至s105。
[0140]
以上所描述的终端实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0141]
此外，本技术实施例的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于二元加权概率模型股票分析方法，例如，执行以上描述的图2中的方法步骤s101至s105。
[0142]
又如，被上述设备连接器实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于二元加权概率模型股票分析方法，例如，执行以上描述的图2中的方法步骤s101至s105。
[0143]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储系统、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0144]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0145]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不
脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。