短期回撤预警方法、装置、计算机设备和可读存储介质与流程

1.本发明涉及经济数据处理技术领域，尤其涉及一种短期回撤预警方法、装置、计算机设备和可读存储介质。


背景技术：

2.2019年以来市场风格持续分化，表现出明显的结构性行情，结构性行情的出现使得未来发生全市场股票指数长期、持续回撤的概率进一步降低。在这样的环境下，市场参与者非常关注短期回撤预警。
3.这种市场的短期回撤具有发生快、持续时间短、回撤幅度较大的特点。例如2020年2月疫情影响下的市场发生了两次快速下挫，第一次是春节假期结束后的两日内下挫幅度超过13％，第二次是2月底4日内回撤超过6％；随后市场快速恢复，但是在3月份又迎来了持续约14个交易日的15％下挫；2021年3月初，市场在积累了大量涨幅后在5个交易日内回撤了近9％，之后市场企稳，在2021年的7月底再次经历了5个交易日内回撤9％的行情。下表一统计了2020年初至2021年8月25日期间市场发生的5次短期回撤。
4.表一
[0005][0006]
这种回撤的发生较为突然，会导致管理的组合波动大增，影响客户的持有体验；如果能规避这样的短期回撤，不仅会提高组合收益，还会明显减少组合波动，大幅提高组合夏普比率，避免客户在短期下跌中赎回产品带来的亏损。
[0007]
对此，发明人进行了如下的研究：
[0008]
从2004年12月31日至2021年8月25日进行测算，假设能准确地在未来5日最大回撤高于5％的交易日将仓位降为0，而在其他交易日保持100％仓位，能够获得年化42.36％的收益率！同期中证全指的年华收益率仅为8.47％。同时，由于规避了短期大幅下跌，组合的波动率明显降低，使得夏普比率从基准0.35上升到2.75！如下表二所示，获得这样惊人收益，平均来看仅需每年做4次左右的空仓操作(平均多空交易次数7.8)。可见，短期回撤的预警意义重大。
[0009]
表二
[0010][0011]
学术界对于长期回撤的研究较多，但是对于短期回撤的关注较少。以券商研究为代表的业界研究对短期回撤预警的关注度也较低，相关研究主要集中在量化择时上。发明人研究发现，针对包括招商证券、兴业证券、华泰证券、广发证券、海通证券、中金证券等多个券商的量化择时研报，将各大券商研报内构建的指标分成两大类：市场整体类和指数成分类。
[0012]
如下表三所示，市场整体类指标主要利用市场指数、期权/期货市场数据、融资融券数据、资金流向数据、etf持仓数据、股票基金持仓数据等市场数据衡量市场当前的情绪处于历史的何种水平，从而进行市场择时。
[0013]
表三
[0014][0015]
如下表四所示，指数成分类指标从市场指数的内部结构变化出发，从个股分化水平、个股涨跌差异和行业涨跌差异等角度刻画市场微观结构的变化，从而进行市场择时。
[0016]
表四
[0017][0018]
[0019]
量化择时的超额收益来自于两部分，一部分是正确预测了未来的上涨并加仓，一部分来自于正确预测了未来的下跌并减仓。其中预测未来下跌与短期回撤预警较为类似，但是仍存在两个本质的不同：
[0020]
1.短期回撤预警预测的是未来短期内发生较大回撤的概率，而不是预测未来短期的收益率
[0021]
2.短期回撤预警是需要在回撤发生前进行左侧预警，而量化择时不一定需要左侧信号，趋势跟踪等右侧策略也能获得超额收益。
[0022]
这两点不同，决定了传统的量化择时不能达到回撤预警的目的。
[0023]
因此，如何基于对经济数据的监测以实现对短期回撤的预警，成为本领域亟需解决的技术问题。


技术实现要素：

[0024]
本发明的目的是提供一种短期回撤预警方法、装置、计算机设备和可读存储介质，用于解决现有技术中的上述技术问题。
[0025]
一方面，为实现上述目的，本发明提供了一种短期回撤预警方法。
[0026]
该短期回撤预警方法包括：根据目标指数内的风格指数构建短期回撤的第一预警特征；根据所述目标指数的最高价和最低价构建短期回撤的第二预警特征；根据所述目标指数成分股的成交额构建短期回撤的第三预警特征；对所述第一预警特征、所述第二预警特征和所述第三预警特征，在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合所述第一预警特征、所述第二预警特征和所述第三预警特征的集成模型；以及通过所述集成模型对短期回撤进行预警。
[0027]
进一步地，根据目标指数内的风格指数构建短期回撤的第一预警特征的步骤包括：计算风格指数的β系数，得到第一β系数；计算所述第一β系数的最大值与最小值的差，得到风格分化系数；以及对所述风格分化系数进行时序标准化处理，得到所述第一预警特征。
[0028]
进一步地，所述风格指数包括中信金融风格指数、中信周期风格指数、中信消费风格指数、中信成长风格指数和中信稳定风格指数。
[0029]
进一步地，计算风格指数的β系数，得到第一β系数的步骤包括：对所述风格指数，滚动计算前n个交易日内，风格指数收益率对市场指数收益率的风险暴露β值，得到所述第一β系数：
[0030]rstyle,τ
＝α β
t
*r
m,τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0031]
其中，r
style,τ
是第τ日的风格指数收益率，r
m,τ
是第τ日市场指数收益率，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数。
[0032]
进一步地，对所述风格分化系数进行标准化处理，得到所述第一预警特征的步骤包括：
[0033][0034]
其中，所述风格指数分化时序标准分为所述第一预警特征。
[0035]
进一步地，根据所述目标指数的最高价和最低价构建短期回撤的第二预警特征的步骤包括：采用以下公式计算所述最高价和最低价的β系数，得到所述第二β系数：
[0036]
high
τ
＝α β
t
*low
τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0037]
其中，high
τ
为指数第τ日的最高价，low
τ
为指数第τ日的最低价，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数；
[0038]
采用以下公式根据所述第二β系数计算所述第二预警特征：
[0039][0040]
其中，所述指数相对强弱时序标准分为所述第二预警特征。
[0041]
进一步地，，根据所述目标指数的成交额构建短期回撤的第三预警特征的步骤包括：采用以下公式计算所述成交额分化值：
[0042]
log(yi)＝α β
t
*log(xi) ε,ε～n(0,σ),i∈{1,2,
…
,k}
[0043]
其中，y为t日内升序排列的成交额序列，x为从1到k的自然序列，k为t日目标指数的成分股数量，β为所述成交额分化值，α为截距项，n为正太分布，σ为正太分布的标准差,
[0044]
采用以下公式对所述成交额分化值进行时序标准化处理，得到所述第三预警特征：
[0045][0046]
其中，所述指数成分股成交额分离程度时序标准分为所述第三预警特征。
[0047]
另一方面，为实现上述目的，本发明提供了一种短期回撤预警装置。
[0048]
该短期回撤预警装置包括：第一特征构建模块，用于根据目标指数内的风格指数构建短期回撤的第一预警特征；第二特征构建模块，用于根据所述目标指数的最高价和最低价构建短期回撤的第二预警特征；第三特征构建模块，用于根据所述目标指数的成交额构建短期回撤的第三预警特征；模型构建模块，用于对所述第一预警特征、所述第二预警特征和所述第三预警特征，在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合所述第一预警特征、所述第二预警特征和所述第三预警特征的集成模型；以及预警模块，用于通过所述集成模型对短期回撤进行预警。
[0049]
为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0050]
为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0051]
本发明提供的短期回撤预警方法、装置、计算机设备和可读存储介质，根据目标指数内的风格指数构建短期回撤的第一预警特征；根据目标指数的最高价和最低价构建短期回撤的第二预警特征；根据目标指数的成交额构建短期回撤的第三预警特征，在构建三种预警特征之后，对三种预警特征在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合三种预警特征的集成模型，从而通过集成模型对短期回撤进行预警。
附图说明
[0052]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0053]
图1为本发明实施例一提供的短期回撤预警方法的流程图；
[0054]
图2为本发明实施例二提供的短期回撤预警装置的框图；
[0055]
图3为本发明实施例三提供的计算机设备的硬件结构图。
具体实施方式
[0056]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
为了基于对金融数据的监测以实现对短期回撤的预警，本发明提供了一种短期回撤预警方法、装置、计算机设备和可读存储介质，在本发明提供的短期回撤预警方法中，根据目标指数内的风格指数构建短期回撤的第一预警特征；根据目标指数的最高价和最低价构建短期回撤的第二预警特征；根据目标指数的成交额构建短期回撤的第三预警特征，在构建三种预警特征之后，对三种预警特征在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合三种预警特征的集成模型，从而通过集成模型对短期回撤进行预警。
[0058]
关于本发明提供的短期回撤预警方法、装置、计算机设备和可读存储介质的具体实施例，将在下文中详细描述。
[0059]
实施例一
[0060]
本发明实施例提供了一种短期回撤预警方法，通过该方法，能够实现对短期回撤的预警，具体地，图1为本发明实施例一提供的短期回撤预警方法的流程图，如图1所示，该实施例提供的短期回撤预警方法包括如下的步骤s101至步骤s105。
[0061]
步骤s101：根据目标指数内的风格指数构建短期回撤的第一预警特征。
[0062]
具体地，在根据目标指数的风格指数构建短期回撤的第一预警特征时，首先计算风格指数的β系数，得到第一β系数。可选地，风格指数包括中信金融风格指数、中信周期风格指数、中信消费风格指数、中信成长风格指数和中信稳定风格指数。
[0063]
在计算风格指数的β系数，得到第一β系数时，对风格指数，滚动计算前n个交易日内，风格指数收益率对市场指数收益率的风险暴露β值，也即得到第一β系数，具体计算公式为：
[0064]rstyle,τ
＝α β
t
*r
m,τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0065]
其中，r
style,τ
是第τ日的风格指数收益率，r
m,τ
是第τ日市场指数收益率，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数。计算出的各个风格指数的历史β序列值。
[0066]
然后计算第一β系数的最大值与最小值的差，得到风格分化系数，也即将风格分化系数定义为截面风格指数β最大值与最小值的差。
[0067]
最终对风格分化系数进行标准化处理，得到第一预警特征。其中，具体实现的步骤包括：计算第t日风格分化系数与前m日风格分化系数均值的差，得到第一差；以及计算第一差与前m日风格分化系数标准差的商，得到第一预警特征。
[0068]
也即：
[0069][0070]
其中，风格指数分化时序标准分为第一预警特征。
[0071]
需要说明的是，该处第一预警特征、第一β系数中的“第一”以及下文中的第二预警特征、第二β系数中的“第二”等限定词语，仅用于在逻辑上对相同概念的区分，并不构成次序上的限定。
[0072]
在该步骤中，计算各个风格指数的系数，并将风格分化系数定义为截面风格指数最大值与最小值的差。计算风格指数分化系数的时序标准分，以对风格分化系数进行标准化。
[0073]
对于参数选取，通过进行参数敏感性测试，可得到最优参数范围，例如，n选择100～150，m选择500～700。
[0074]
步骤s102：根据目标指数的最高价和最低价构建短期回撤的第二预警特征。
[0075]
其中，在量价数据中，最能表征支撑与阻力概念的是最高价与最低价。从最高价与最低价的形成机制来看，只要没有触碰到涨跌停限制，那它就是当日全体市场参与者通过交易行为投票出来的支撑位与阻力位。而阻力位与支撑位之间的相对强弱则可用以下线性模型的回归系数，因此，在该步骤中，采用以下公式计算所述最高价和最低价的β系数，得到所述第二β系数：
[0076]
high
τ
＝α β
t
*low
τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0077]
其中，high
τ
为指数第τ日的最高价，low
τ
为指数第τ日的最低价，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数。
[0078]
式中β表明最近n个交易日内，最低价每波动1个点位，最高价相应会波动β个点位，因此β越大，意味着支撑强度相比阻力强度越显著，市场越容易上行，在牛市中大概率对应后市加速上涨的走势，熊市中则对应后市止跌企稳的走势；反之，β越小，意味着阻力强度相对更甚，在牛市中可能预示着即将见顶，在熊市中则对应着后市大概率加速深跌。
[0079]
然后对第二β系数进行标准化处理，也即得到指数相对强弱时序标准分，具体地，计算第t日第二β系数与前m日的第二β系数的均值的差，得到第二差；计算第二差与前m日的第二β系数标准差的商，得到第二预警特征。也即：
[0080][0081]
其中，指数相对强弱时序标准分为第二预警特征。
[0082]
其中，对于参数选取，通过进行参数敏感性测试，可得到最优参数范围为n为15～28，m选择500～700。
[0083]
步骤s103：根据目标指数的成交额构建短期回撤的第三预警特征。
[0084]
在该步骤中，设计指标度量成交量的分化情况，并考察成交额的分化情况的回撤预警作用。财富均衡程度、行业集中度的度量均可以作为借鉴度量指数成分股的成交额分化情况，其中在改实施例中，采gini系数的度量方法，具体而言，在截面上以线性模型的回归系数来表示，从而在该步骤中，采用以下公式计算所述成交额分化值：
[0085]
log(yi)＝α β
t
*log(xi) ε,ε～n(0,σ),i∈{1,2,
…
,k}
[0086]
其中，y为t日内升序排列的成交额序列，x为从1到k的自然序列，k为t日目标指数的成分股数量，β为所述成交额分化值，α为截距项，n为正太分布，σ为正太分布的标准差；β越大分化程度越大。最后对成交额分化值进行时序标准化处理，得到第三预警特征。也即：
[0087][0088]
其中，指数分离程度时序标准分为第三预警特征。
[0089]
可选地，通过利用主成分分析(pca)的第一特征解释度来刻画成交额的分化程度，也具有明显的回撤预警作用。
[0090]
步骤s104：对第一预警特征、第二预警特征和第三预警特征。在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合第一预警特征、第二预警特征和第三预警特征的集成模型。
[0091]
在该步骤中，基于构建的三个指标，在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法(xgboost)构建了整合单个指标的集成模型。
[0092]
步骤s105：通过集成模型对短期回撤进行预警。
[0093]
具体而言，如下表五所示，从中证全指未来5日最大回撤的分布来看，从2004年12月31日至2021年8月25日的整个样本期共有4043个交易日，5日最大回撤的中位数为1.77％，均值为2.55％，标准差为2.66％。由于最大回撤均为非负数，其分布具有明显的右偏特征。同时发生较大回撤的极端事件为小概率事件，以回撤5％为阈值来看，回撤大于5％的概率不足14％。
[0094]
a股牛短熊场，当市场处于连续下跌的熊市中时，会有持续的较大回撤出现，但是这段时间的回撤与本技术想要预警的短期回测不同，所以考虑剔除2008年及2015年两个熊市确认后的样本之后，再评估最大回撤的分布特征。剔除该部分样本后，交易日数量为3778个，最大回撤的中位数、均值都明显减小，最大回撤超过5％的概率约为10％。综合预警的意义和难度两方面的考虑，可定义短期回撤为：尚未处于长期熊市，且未来5日最大回撤超过5％。
[0095]
表五
[0096]
未来5日最大回撤的全样本剔除熊市连续下跌样本交易日数量40433778均值2.55％2.30％标准差2.66％2.32％最小值0％0％25％分位数0.76％0.71％中位数1.77％1.66％
75％分位数3.43％3.08％90％分位数5.82％5.10％最大值23.62％19.4％》5％占比13.95％10.08％
[0097]
因此，当通过集成模型检测到未来5日最大回撤超过5％，进行预警提示。
[0098]
在该实施例中，从指数风格的分化程度、指数价格趋势强弱、指数成分股成交额离散度三个角度去构建有短期回撤预警能力的指标。其中，以beta视角构建指标对指数风格的分化程度、指数价格的趋势强弱和指数成分股成交额离散程度的原始逻辑进行度量。通过对指标值在时间序列上进行标准化处理，以明确指标值的大小关系，其中，采取正态标准化的方式实现标准化处理。传统的参数优化流程依赖于大量的净值计算：网格化参数取-》按不同参数计算指标-》基于指标计算净值-》通过净值测算“夏普比率”、“收益回撤比”等统计量-》选择最优目标统计量对应的参数。然而净值计算容易带来路径依赖问题。这使得即使是通过滚动来动态设置的参数，在未来一段时间内仍然可能因路径依赖而令模型效果不稳定，而该实施例采取绕过净值直接量化指标回撤预警能力的方法来进行参数敏感性分析和最终的参数选取。
[0099]
基于单个指标的预警具有如下特征：召回率高，也即预警信号能够识别出短期的大幅回撤；精确度低，给出错误信号的概率较大；短期预警信号间的相关性较低，而本实施例整合单个信号，通过在时间上对训练集合进行切分并交叉训练，利用xgboost构建整合单个指标的集成模型，构建浅层树模型，能够提高信号精确度。
[0100]
实施例二
[0101]
对应于上述实施例一，本发明实施例二提供了一种短期回撤预警装置，相应地技术特征细节和对应的技术效果可参考上述实施例一，在该实施例中不再赘述。图2为本发明实施例二提供的短期回撤预警装置的框图，如图2所示，该装置包括：第一特征构建模块201、第二特征构建模块202、第三特征构建模块203、模型构建模块204和预警模块205。
[0102]
其中，第一特征构建模块201用于根据目标指数内的风格指数构建短期回撤的第一预警特征；第二特征构建模块202用于根据目标指数的最高价和最低价构建短期回撤的第二预警特征；第三特征构建模块203用于根据目标指数的成交额构建短期回撤的第三预警特征；模型构建模块204用于对第一预警特征、第二预警特征和第三预警特征，在时间上对训练集合进行切分并交叉训练，利用极端梯度增强算法构建整合第一预警特征、第二预警特征和第三预警特征的集成模型；以及预警模块205用于通过集成模型对短期回撤进行预警。
[0103]
可选地，在一种实施例中，第一特征构建模块201包括：第一计算单元，用于计算风格指数的β系数，得到第一β系数；第二计算单元，用于计算所述第一β系数的最大值与最小值的差，得到风格分化系数；以及第一处理单元，用于对所述风格分化系数进行时序标准化处理，得到所述第一预警特征。
[0104]
可选地，在一种实施例中，所述风格指数包括中信金融风格指数、中信周期风格指数、中信消费风格指数、中信成长风格指数和中信稳定风格指数。
[0105]
可选地，在一种实施例中，第一计算单元在计算风格指数的β系数，得到第一β系数时，具体执行的步骤包括：
[0106]
对所述风格指数，滚动计算前n个交易日内，风格指数收益率对市场指数收益率的风险暴露β值，得到所述第一β系数：
[0107]rstyle,τ
＝α β
t
*r
m,τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0108]
其中，r
style,τ
是第τ日的风格指数收益率，r
m,τ
是第τ日市场指数收益率，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数。
[0109]
可选地，在一种实施例中，第一处理单元在对所述风格分化系数进行标准化处理，得到所述第一预警特征时，具体执行的步骤包括：
[0110][0111]
其中，所述风格指数分化时序标准分为所述第一预警特征。
[0112]
可选地，在一种实施例中，第二特征构建模块202包括：
[0113]
第三计算单元，用于采用以下公式计算所述最高价和最低价的β系数，得到所述第二β系数：
[0114]
high
τ
＝α β
t
*low
τ
ε,ε～n(0,σ),τ∈{t,t-1,t-2,
…
,t-(n-1)}
[0115]
其中，high
τ
为指数第τ日的最高价，low
τ
为指数第τ日的最低价，α为截距项，n为正太分布，σ为正太分布的标准差,n为数据回归的交易日天数；
[0116]
第四计算单元，用于采用以下公式根据所述第二β系数计算所述第二预警特征：
[0117][0118]
其中，所述指数相对强弱时序标准分为所述第二预警特征。
[0119]
可选地，在一种实施例中，第三特征构建模块203包括：第五计算单元，用于采用以下公式计算所述成交额分化值：
[0120]
log(yi)＝α β
t
*log(xi) ε,ε～n(0,σ),i∈{1,2,
…
,k}
[0121]
其中，y为t日内升序排列的成交额序列，x为从1到k的自然序列，k为t日目标指数的成分股数量，β为所述成交额分化值，α为截距项，n为正太分布，σ为正太分布的标准差,
[0122]
第六计算单元，用于采用以下公式对所述成交额分化值进行时序标准化处理，得到所述第三预警特征：
[0123][0124]
其中，所述指数成分股成交额分离程度时序标准分为所述第三预警特征。
[0125]
实施例三
[0126]
本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图3所示，本实施例的计算机设备01至少包括但不限于：可通过系统总线相互通信连接的存储器012、处理器011，如图3所示。需要
指出的是，图3仅示出了具有组件存储器012和处理器011的计算机设备01，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0127]
本实施例中，存储器012(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器012可以是计算机设备01的内部存储单元，例如该计算机设备01的硬盘或内存。在另一些实施例中，存储器012也可以是计算机设备01的外部存储设备，例如该计算机设备01上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器012还可以既包括计算机设备01的内部存储单元也包括其外部存储设备。本实施例中，存储器012通常用于存储安装于计算机设备01的操作系统和各类应用软件，例如实施例二的短期回撤预警装置的程序代码等。此外，存储器012还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0128]
处理器011在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器011通常用于控制计算机设备01的总体操作。本实施例中，处理器011用于运行存储器012中存储的程序代码或者处理数据，例如短期回撤预警方法等。
[0129]
实施例四
[0130]
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储短期回撤预警装置，被处理器执行时实现实施例一的短期回撤预警方法。
[0131]
需要说明的是，在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0132]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0133]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
[0134]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。