系列的相似度匹配

K线序列的相似性匹配是K线序列聚类的基本任务。但是,在文献中,很少有论文关注K线序列的相似性匹配。只有论文研究了使用图像检索技术的K线序列的相似度匹配方法和搜索算法。此外,文献提出的基于传统的欧几里得距离K线系列的相似性匹配模型。

从股票预测的角度看,K线序列的相似度是指K线序列中K线的趋势相似度。但是,K线趋势由收盘价变化,开盘价变化,高价变化,低价变化以及收盘价与开盘价之间的大小关系决定。因此,如果要匹配两个K线序列之间的相似度,则应该计算K线价格变化的相似度,而不是价格值的相似度。由于K线图中未显示K线价格的变化,因此在文献的相似度匹配模型中使用K线价格距离而不是K线价格变化距离这意味着这些匹配模型属于基于K线价格值而不是K线价格变化的相似性匹配方法。因此,他们无法准确地衡量K线系列中股价趋势的相似性。

例如,假设有两个K线序列,并且需要匹配它们的相似性,则表示它们的相似性。,和指示的收盘价变化率在一天,它的计算方法是表示相似度之间,然后,和类似地,在计算开盘价,高价或低价的相似性时也会出现相同的问题。

因此,本文提出了一种基于K线价格变化的新的相似度匹配模型,以度量两个K线序列之间的趋势相似度。在该模型中,K线序列的相似度由两部分组成:一个是K线的形状相似度,这是两个K线序列中相应的K线形状特征的相似度。另一个是K线的位置相似性,这是两个K线系列中相应K线的位置特征的相似性。因此,本文将分别定义K线序列的形状相似度模型和位置相似度模型。然后基于这两种相似度模型,可以建立整个K线序列的相似度模型。