（北京交通大学海滨学院 061100）
摘要：金融市场行业板块复杂多变的轮动现象，最终都表现为行业股价的周期现象，而我们通过从交易大数据中挖掘大概率的关联规则能够更加准确的辨析股市的轮动变化，帮助我们在未来的股市预测和决策中提供重要依据。本文运动多种数学模型和优化算法对命题进行剖析解决.问题中的市场板块划分问题是挖掘板块联动问题的重要前提，而不同角度的板块划分对不同的市场变化、行业轮换有较为适合的对应分析方法。长期稳定板块划分，我们通过使用Origin分析方法抓取符合条件的研究数据，然后根据各产业的增长率划分市场板块。板块内部分化度分析，我们抓取特高增长和高增长模块，对各部分进行Origin仿真，验证了增长率越高，市场分化程度越高，市场走势越紊乱，增长率越低，市场分化程度越低，市场走势越平稳的分化度变化规律。不同时间尺度的板块分析，我们应用机器学习--无监督学习之K-means聚类方法，演示出了板块在时间上的分合与演化。
关键词： Origin仿真 K-means聚类方法 灰色关联度 收益法
一、问题重述
1.问题背景
金融市场行业板块复杂多变的轮动现象，最终都表现为行业股价的周期现象，而我们通过从交易大数据中挖掘大概率的关联规则能够更加准确的辨析股市的轮动变化，帮助我们在未来的股市预测和决策中提供重要依据。
2. 问题的提出
现在希望对市场上的股票进行板块划分，客观地基于数据划分出股票市场中真实存在的联动板块，并挖掘板块联动和轮动的规律。
二、模型建立与求解
首先我们对所给数据进行Origin分析，发现其主要数据模块在时间区域的后半部分，所以我们可以取后半部分数据进行研究分析，横坐标为从2010年1月1日开始每天加一。Origin仿真图见图1-1。
图 1-1 Origin仿真图
所以，第一类板块我们可以按照其最高值情况，与第一次交易价的值比较。把其分为特高增长、高增长、一般增长、平稳、负增长。第二类板块，根据相对增长分为特高增长、高增长、一般增长、平稳、负增长。下面为各个产业的最低收盘价与最高收盘价。
所以，第一类特高增长为：安图，华友，欧派增长超过60。高增长为：口子窖，顾家，璞泰来，老百姓增长超过30。一般增长为步长，飞科，吉祥，晨光增长超过10。平稳为隆鑫，太平鸟，新华网，洛钼增长在10以下。负增长为福特斯。
第二类的特高增长为：华友，安图增长超过300％。高增长为：老百姓，吉祥，晨光增长超过200％。一般增长为璞泰来，顾家，飞科，欧派，洛钼增长超过90％。平稳为：隆鑫，步长，太平鸟，新华网增长在50％以下。负增长为：福特斯。
其次，我们了解到传统的行业划分为：农业：第一产业 ；工业，建筑业：第二产业 ；服务业：第三产业
结论：本模型以增长率作为划分产业的依据，与传统的划分方式相比较，打破了传统划分中固定产业的定位，通过其增长程度来反应其在新的划分方式中的分类。
模型二：
分化度描述市场走势的一致程度。当分化度较高时，说明市场走势较为紊乱；当分化度较低时，说明市场走势整齐划一。市场走势不断循环往复，在上涨、下跌的过程中，市场各板块、 各证券走势的一致程度会不断出现变化，时而步调一致的上涨或下跌、时而涨跌方向或幅度不一、走势出现分化。所以本模型中最适合采用第二类分类方法。
我们取特高增长和高增长的模块进行分析，对其每一个的内部情况进行Origin仿真。
结论：由两个模块的分化程度的Origin仿真我们可以直观的看到，特高增长模块的两家企业的收盘价在后期变化很大，所以他们的增长率也就高，市场的分化程度高，市场走势较为紊乱。所以，我们结合模型一的第二类方法可以得出这样的结论：第二类分类中的增长率可以反映其市场分化程度，增长率越高，市场分化程度越高，市场走势越紊乱，增长率越低，市场分化程度越低，市场走势越平稳。
模型三：
利用较短时间段的数据，在不同的时间尺度上对板块进行划分，分析在短期产生的板块。分析板块在时间上的分合与演化，即大板块分裂成小板块，小板块聚合成大板块。给出算法和可视化。
本模型中我们应用机器学习--无监督学习之K-means聚类方法，所谓无监督学习，就是数据样本没有标签，要让学习算法自己去发现数据之间内在的一些结构和规律。就好比做题没有标准答案，所以训练效果自然比监督学习差。
算法介绍：k-means算法是一种迭代算法，其思想很简单。就是找出样本所聚集的类个数并找出每一个样本点归属于哪个类。
分成两步：
先人工指定K个聚类中心，并采用一定规则初始化它们的位置；
(1)簇分配：遍历样本分别找到与k个聚类中心的点，分别归类。
(2)移动中心：将聚类中心移到上一步归属于该中心的样本点的均值处
重复以上步骤直到收敛。
结论：所以本不同时间尺度的板块分析就分为时间轴前部和时间轴后半部分，时间轴轴前部分，从0开始，增长极度缓慢，时间轴后半部分都可以用k-means算法对其进行说明。
三、参考文献
[1] 刘思峰、党耀国、方国耕. 灰色关联度分析[J].《灰色系统理论及其应用（第三版）》. 2004。
[2] 叶银龙. 基于关联规则挖掘的股票板块指数联动分析[J].统计教育.2008。
[3] 吴丹.《管理决策方法——理论、模型与应用》[J]. 河海大学出版社.2014
论文作者:严春雅,李宏波
论文发表刊物:《电力设备》2019年第10期
论文发表时间:2019/10/18
标签：板块论文; 高增长论文; 增长率论文; 程度论文; 市场走势论文; 时间论文; 数据论文; 《电力设备》2019年第10期论文;