股票推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及金融领域，特别是涉及一种股票推荐方法、装置、计算机设备和存储介质。

背景技术

股票价格的预测一直备受关注，投资者们时刻在关注并分析股市，研究股票价格变动的规律，预测股票的发展趋势，并选择发展趋势较好的股票进行投资，从而使得盈利的可能性达到最大。

目前投资者在投资股票时，往往人为地对股票的历史数据进行分析，然后依据个人经验对该股票的发展趋势进行预测，并跟据预测结果判断是否对该股票进行投资。

然而，个人经验的不确定性较大，导致投资者对股票涨跌预测的准确性较低，从而使得投资者的投资风险较大。

发明内容

本申请提供一种基于动态时间归整(Dynamic Time Warping，DTW)的股票推荐方法、装置、计算机设备和存储介质，能够基于DTW算法对股票的股价进行涨跌预测，提高了股票涨跌预测的准确度。

第一方面，提供了一种股票推荐方法，该方法包括：接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；对历史行情数据进行分割处理，获得多个历史数据序列；确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果；

结合第一方面，在第一方面的一种可能的实现方式中，待预测股票的信息为客户端接收股票推荐界面上的选择指令后向服务器发送的；或，待预测股票的信息为客户端接收用户输入的待预测股票的信息后向服务器发送的。

结合第一方面，在第一方面的一种可能的实现方式中，对历史行情数据进行分割处理，获得多个历史数据序列，包括：根据历史行情数据确定每一个历史交易日对应的收盘价格；针对每一历史交易日，根据历史交易日的收盘价格以及前一交易日的收盘价格，确定历史交易日对应的涨跌幅数据；根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列。

结合第一方面，在第一方面的一种可能的实现方式中，根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列，包括：以固定分割时长对每一历史交易日对应的涨跌幅数据进行分割，获得多个历史数据序列。

结合第一方面，在第一方面的一种可能的实现方式中，股票推荐方法还包括：基于动态时间归整算法确定当前数据序列与每一个历史数据序列的相似度。

结合第一方面，在第一方面的一种可能的实现方式中，确定待预测股票的当前数据序列，包括：当前数据序列与历史数据序列的序列数据量相同。

结合第一方面，在第一方面的一种可能的实现方式中，历史数据序列中包括回报率，则，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果，包括：若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移待预测股票的信息；若不存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括风险信息；风险信息用于向用户提示转移待预测股票存在的风险。

第二方面，提供了一种股票推荐装置，该装置包括：接收模块，用于接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；分割模块，用于对历史行情数据进行分割处理，获得多个历史数据序列；确定模块，用于确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果；当前数据序列与待预测股票在当前时刻之前的预设时段内的行情数据有关。

第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序。处理器执行计算机程序时实现上述第一方面或第一方面任意一种可能的实现方式中所述的方法的步骤。

第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第一方面任意一种可能的实现方式中所述的方法的步骤。

本申请提供一种股票推荐方法、装置、计算机设备和存储介质，可用于金融领域中，股票推荐方面，也可用于除金融领域之外的任意领域，例如大数据、云计算、区块链、人工智能、信息安全、物联网、5G技术领域，本申请提供的股票推荐方法，装置、计算机设备和存储介质对应用领域不做限定。该方法可以对获取的行情数据以一个分割时长划分为等长的历史数据序列，并计算当前数据序列与历史数据序列的相似度，若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则表明待预测股票获得收益的可能性更大，推荐买入待预测股票；否则，提示买入待预测股票存在投资风险。可见，本申请提供的方案可以对股票的股价进行涨跌预测，相较于传统的依据人为经验预测股票的涨跌情况，本申请基于算法自动化地实现股票的涨跌预测，避免了个人经验的不确定性的影响，提高了股票涨跌预测的准确度，同时提高了股票涨跌预测的效率。

附图说明

图1为一个实施例中股票推荐方法的应用环境图；

图2为一个实施例中股票推荐方法的流程示意图；

图3为一个实施例中客户端的股票推荐界面示意图；

图4为一个实施例中股票推荐方法的另一流程示意图；

图5为股票推荐评估过程中的有效数据示意图；

图6为股票推荐评估过程中的指标结果图；

图7为一个实施例中股票推荐装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的股票推荐方法，可以应用于如图1所示的应用环境中。参考图1，该应用环境中包括客户端10和服务器20。客户端10可以接收待预测股票的信息，并发送给服务器20，服务器20可以基于待预测股票的信息对待预测股票进行涨跌预测，并输出待预测股票的推荐结果。其中，客户端10可以通过网络与服务器20进行通信。客户端10可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器20可以用独立的服务器或者是多个服务器组成的服务器集群来实现，本申请实施例对此不作限制。

目前的对股票涨跌进行预测主要是依据人为经验，依靠人工对股票的历史数据进行分析，并对该股票的发展趋势进行预测。由于个人经验的不确定性，导致对股票涨跌预测的准确性较低，且人工预测的方式导致预测的效率较低。可见，目前还存在对股票涨跌预测的准确性和效率较低的问题。

基于此，本申请实施例提供一种股票推荐方法，能够提高股票涨跌预测的准确度和效率，进而提高股票推荐结果的准确性。图2为本申请实施例提供的股票预测方法的流程示意图，包括以下步骤：

步骤201、接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；

本申请实施例为了实现自动化的股票涨跌预测，首先需要确定待预测的股票，然后获取该待预测股票的历史行情数据，以便基于历史行情数据对该股票的发展趋势(即在未来一段时间的涨跌情况)进行预测，进而确定股票推荐结果。

具体实现中，可以人为地获取待预测股票的历史行情数据，然后发送给服务器，由服务器对待预测股票的历史行情数据进行分析，并预测发展趋势，进而输出推荐结果；也可以将待预测股票的信息发送给服务器，由服务器自动化地对待预测股票的历史行情数据进行获取及分析，进而对待预测股票的发展趋势进行预测，最后输出推荐结果。

一种可能的实现方式中，待预测股票的信息可以是待预测股票的具体名称或股票代码等信息，该信息可以用于唯一表征一支待预测股票。

一种可能的实现方式中，历史行情数据可以是一支股票在一个历史时段内，每一个交易日的开盘价、最高价、最低价、收盘价、成交量等信息。其中，历史时段可以是过去的1年，也可以是过去的10年。具体的，可以在服务器中导入python核心包pandas_datareader，利用该核心包免费从雅虎经济获取待预测股票的历史行情数据。

步骤202、对历史行情数据进行分割处理，获得多个历史数据序列；

本申请实施例为了便于预测股票的发展趋势，需要对大量的历史行情数据进行分割处理，获得多个较短的历史数据序列。进而基于多个较短的历史数据序列确定待预测股票的推荐结果。

一种可能的实现方式中，可以按照数据量对历史行情数据进行分割。例如可以以3个历史行情数据为一个历史数据序列对历史行情数据进行分割，或以7个历史行情数据为一个历史数据序列对历史行情数据进行分割。或者，也可以按时长对历史行情数据进行分割。例如可以以5个交易日的历史行情数据为一个历史数据序列对历史行情数据进行分割，或以10个交易日的历史行情数据为一个历史数据序列对历史行情数据进行分割

步骤203、确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果；当前数据序列与待预测股票在当前时刻之前的预设时段内的行情数据有关。

本申请实施例为了对待预测股票的发展趋势进行预测，不仅需要获得待预测股票的历史数据序列，还需要确定待预测股票的当前数据序列，以便基于待预测股票的历史数据序列和当前数据序列对待预测股票的发展趋势进行分析预测，进而确定待预测股票的推荐结果。

具体实现中，服务器可以依据待预测股票的信息，自动化地获取待预测股票的当前数据序列，并计算待预测股票的当前数据序列与多个历史数据序列的相似度，基于计算结果，确定待预测股票的推荐结果。

其中，预设时段可以与历史数据序列对应的时长相同，也可以与历史数据序列的时长不同。也就是说，预设时段为当前时刻的前5天，历史数据序列可以是历史5天的涨跌幅数据组成的序列，也可以是历史8天的涨跌幅数据组成的序列。

本申请实施例提供的一种股票推荐方法中，能够基于算法自动化地对待预测股票的发展趋势进行预测，并输出待预测股票的推荐结果，解决了传统方法中依据人为经验预测股票的发展趋势，导致预测结果的准确性较低的问题。不仅避免了人为因素的影响，提高了预测结果的准确性，还提高了预测过程的效率。

前文所述的实施例中介绍了从客户端获取待预测股票信息的方案。在本申请的另一实施例中，可以基于用户在客户端的操作指令获取待预测股票的信息。例如，待预测股票的信息为客户端接收股票推荐界面上的选择指令后向服务器发送的；或，待预测股票的信息为客户端接收用户输入的待预测股票的信息后向服务器发送的。

本申请实施例中，客户端可以面向用户呈现图3所示股票推荐界面。客户端10的股票推荐界面可以包括股票列表101和股票信息输入框102。具体实现中，客户端10可以根据用户在股票推荐界面上的操作获取待预测股票的信息，进而发送给服务器20。

一种可能的实现方式中，股票列表101包含了多支股票的信息，可以是股票的具体名称，也可以是股票代码。用户可以点击股票推荐界面上的股票列表101中的任一股票，客户端接收到用户的选择指令，基于该选择指令确定待预测股票的信息，并将该待预测股票的信息发送给服务器，由服务器对该待预测股票的发展趋势进行预测。

一种可能的实现方式中，股票信息输入框102可以是输入框，用户在该输入框中输入待预测股票的信息，客户端直接获取用户输入的待预测股票的信息，并发送给服务器；股票信息输入框102也可以是搜索框，用户在该搜索框中输入待预测股票的信息，股票列表101直接跳转到待预测股票所在行，用户点击该待预测股票，进而客户端接收到用户的选择指令，基于该选择指令确定待预测股票的信息，并将该待预测股票的信息发送给服务器，由服务器对该待预测股票的发展趋势进行预测。

本申请实施例提供了从客户端接收待预测股票信息的方法。具体地，客户端可以基于用户在股票列表中的选择指令，确定待预测股票的信息，进而将待预测股票的信息发送给服务器；也可以直接获取用户输入到股票信息输入框中的待预测股票的信息，并发送给服务器，由服务器对待预测股票的发展趋势进行预测。可见，本申请实施例提供的股票推荐方法，仅需要人为选择或输入待预测的股票信息，即可快速获取该待预测股票的推荐结果。减少了人为因素在股票分析过程中的影响，提高了股票预测的准确性，以及预测过程的效率。

前文所述的实施例中介绍了基于历史行情数据获得历史数据序列的方案。在本申请的另一实施例中，可以基于待预测股票的历史行情数据确定涨跌幅数据，并根据分割时长对待预测股票的涨跌幅数据进行分割，进而确定分割所得的多个历史数据序列。例如，前文涉及的“对历史行情数据进行分割处理，获得多个历史数据序列”。具体包括：

步骤401、根据历史行情数据确定每一个历史交易日对应的收盘价格；

本申请实施例中的历史行情数据包含了待预测股票的各种交易信息，其中，包括待预测股票在每一个交易日的收盘价信息。本申请实施例需要从待预测股票的历史行情数据中筛选出收盘价信息，以便基于该收盘价信息确定待预测股票的涨跌幅数据。

一种可能的实现方式中，服务器获取了待预测股票的历史行情数据后，自动化地对历史行情数据中的收盘价信息进行识别和筛选，从而确定待预测股票在每一个交易日对应的收盘价格。

步骤402、针对每一历史交易日，根据历史交易日的收盘价格以及前一交易日的收盘价格，确定历史交易日对应的涨跌幅数据；

针对每一个历史交易日，该历史交易日的收盘价格与前一历史交易日的收盘价格的差即为该历史交易日对应的涨跌幅数据。

一种可能的实现方式中，服务器筛选出待预测股票的收盘价信息后，依次计算每一个历史交易日的收盘价格与前一个历史交易日的收盘价格的差值，即为待预测股票的每一个历史交易日对应的涨跌幅数据。一段历史交易日对应的即为涨跌幅数据集。

步骤403、根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列。

本申请实施例为了便于预测股票的发展趋势，需要对含有大量涨跌幅数据的涨跌幅数据集进行分割处理，获得多个较短的历史数据序列。进而基于多个较短的历史数据序列确定待预测股票的推荐结果。

一种可能的实现方式中，可以按分割时长对涨跌幅数据集进行分割，即以涨跌幅数据对应的时间为分隔数据的标准。分隔时长可以是固定不变的，也可以随机动态调整。

即在对一支股票的涨跌幅数据集进行分割时，可以以一个固定时间周期将涨跌幅数据集分割成多个等长的历史数据序列。例如，可以对一个12个交易日的涨跌幅数据集分别以4个交易日、4个交易日、4个交易日的时长分割为3个历史数据序列。

也可以以随机动态调整的时长将涨跌幅数据集分割成多个数据量不同的历史数据序列。例如，可以对一个12个交易日的涨跌幅数据集分别以5个交易日、3个交易日、4个交易日的时长分割为3个历史数据序列。或者，也可以对一个12个交易日的涨跌幅数据集分别以2个交易日、5个交易日、5个交易日的时长分割为3个历史数据序列。即不同历史数据序列的数据量可以相同，也可以不同。

本申请实施例提供了基于待预测股票的历史行情数据获得历史数据序列的方法。具体地，服务器对待预测股票的历史行情数据中的收盘价信息进行计算，获得待预测股票的涨跌幅数据集，并对涨跌幅数据集进行基于时长的分割处理，获得多个历史数据序列，进而基于多个历史数据序列确定待预测股票的推荐结果。本申请实施例基于多个历史数据序列对待预测股票进行多次分析运算，进而确定待预测股票的推荐结果。多次的分析过程增加了最终的股票推荐结果的可靠性。且本申请实施例中将一个较长的且含有大量数据的涨跌幅数据集分割成多个较短的仅含有少量数据的历史数据序列，进而基于较短的历史数据序列对待预测股票进行多次分析运算，降低了整体运算的难度，降低了计算负荷。

前文所述的实施例中介绍了根据时长分割涨跌幅数据集，进而获得多个历史数据序列的方案。在本申请的另一实施例中，可以根据固定时长分割涨跌幅数据集，进而获得多个历史数据序列。例如前文涉及的“根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列”。具体包括：

以固定分割时长对每一历史交易日对应的涨跌幅数据进行分割，获得多个历史数据序列。

本申请实施例为了便于预测股票的发展趋势，需要对含有大量涨跌幅数据的涨跌幅数据集进行分割处理，获得多个较短的历史数据序列。进而基于多个较短的历史数据序列确定待预测股票的推荐结果。

一种可能的实现方式中，可以按固定分割时长对涨跌幅数据集进行分割，即可以以固定时长的涨跌幅数据为一个历史数据序列对涨跌幅数据集进行分割。例如，可以对一个12个交易日的涨跌幅数据集分别以4个交易日、4个交易日、4个交易日的时长分割为3个历史数据序列。即不同历史数据序列的数据量是相同的。

本申请实施例提供了基于待预测股票的涨跌幅数据集获得多个历史数据序列的方法。具体地，服务器对计算所得的待预测股票的涨跌幅数据集进行分割处理，将涨跌幅数据集分割成时长相同的多个历史数据序列，进而基于多个等长的历史数据序列确定待预测股票的推荐结果。本申请实施例中将涨跌幅数据集分割成等长的历史数据序列，降低了后续基于等长历史数据序列的计算的难度，减小了计算负荷，同时也降低了运算过程的复杂度，进而减少了服务器内存的损耗。

本申请实施例提供的方法中，还可以计算待预测股票的当前数据序列与每一个历史数据序列的相似度。具体包括：

基于动态时间归整算法确定当前数据序列与每一个历史数据序列的相似度。

本申请实施例需要计算待预测股票的当前数据序列与每一个历史数据序列的相似度，以便基于相似度确定待预测股票的发展趋势，进而确定待预测股票的推荐结果。

一种可能的实现方式中，可以基于DTW算法遍历计算待预测股票的当前数据序列与历史数据序列的距离；也可以基于DTW的FastDTW算法遍历计算待预测股票的当前数据序列与历史数据序列的距离。

具体实现中，服务器可以利用python中的工具包fastdtw直接计算待预测股票的当前数据序列与历史数据序列的距离。

其中，利用DTW算法计算所得的两个序列之间的距离可以表征两个序列的相似度。两个序列之间的距离越小表明两个序列之间的相似度越高，即两个序列越相似。

本申请实施例提供了采用DTW算法遍历计算待预测股票的当前数据序列与多个历史数据序列的相似度的方法。基于DTW算法简单、有效且可以避免噪声影响的特性，本申请实施例提供的方案使得整个计算过程的计算负荷更小，且计算准确率更高，进而使得以DTW算法的计算结果表征当前数据序列与历史数据序列的相似度更为准确。

前文所述的实施例中介绍了确定具体的待预测股票的当前数据序列的方案。在本申请的另一实施例中，当前数据序列的数据量与历史数据序列的数据量相关。示例性的，当前数据序列与历史数据序列的数据量相同。

本申请实施例中，当前数据序列与待预测股票在当前时刻之前的预设时段内的行情数据有关。一种可能的实现方式中，当前数据序列可以是待预测股票在当前时刻之前，一定数据量的涨跌幅数据序列，且该涨跌幅数据序列的数据量与上述历史数据序列的数据量相同。

例如，当前数据序列为当前时刻的前5个交易日的涨跌幅数据组成的序列，则历史数据序列为历史5个交易日的涨跌幅数据组成的序列。

具体实现中，服务器可以获取待预测股票在当前时刻之前一段时间的历史行情数据，并对该时间段的历史行情数据中的收盘价信息进行计算，得到待预测股票在当前时刻之前一段时间的涨跌幅数据集。提取与历史数据序列等长的当前时刻之前的涨跌幅数据，即为当前数据序列。

本申请提供了基于历史数据序列的数据量确定具体的当前数据序列的方法。具体的，计算并提取待预测股票在当前时刻之前，与历史数据序列等长的涨跌幅数据，即为待预测股票的当前数据序列。本申请实施例提取的待预测股票的当前数据序列与历史数据序列的数据量相同，降低了当前数据序列与历史数据序列的相似度计算算法的复杂度，降低了服务器内存空间的损耗。

前文所述的实施例中介绍了根据待预测股票的当前数据序列与多个历史数据序列的相似度确定推荐结果的方案。在本申请的另一实施例中，可以根据待预测股票的当前数据序列与多个历史数据序列的相似度与预设阈值的关系以及历史数据序列的回报率的具体值确定推荐结果。例如前文涉及的“根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果”。具体包括：

若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移所述待预测股票的信息；若不存在与所述当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括风险信息，风险信息用于向用户提示转移待预测股票存在的风险。

其中，预设阈值可以为1。转移待预测股票的信息可以是买入该待预测股票，也可以是抛出该待预测股票；待预测股票的信息可以包括该待预测股票的标识、转移该待预测股票的股数等。每一个历史数据列中的最后一个涨跌幅数据用于表征该历史数据序列的回报率。当历史数据列中的最后一个涨跌幅数据为正，则该历史数据序列的回报率为正；当历史数据列中的最后一个涨跌幅数据为负，则该历史数据序列的回报率为负。

基于DTW算法的原理，当两序列之间的距离越小，则表明两序列之间的相似度越高。当当前数据序列与历史数据序列之间的距离较小且历史数据序列的回报率为正时，当前数据序列的回报率为正的概率较大，即待预测股票在未来一段时间内获得收益的可能性较大。

一种可能的实现方式中，若利用DTW算法遍历计算所得的当前数据序列与多个历史数据序列的距离结果中，存在距离小于预设阈值，且对应的历史数据序列的回报率为正，则推荐结果所包括的转移待预测股票的信息可以是买入该待预测股票。若不存在与所述当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果可以包括风险信息，提示用户转买入预测股票存在的风险。

本申请提供了根据待预测股票的当前数据序列与多个历史数据序列的相似度确定待预测股票的推荐结果的方法。具体是，若存在与当前数据序列之间的距离小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移所述待预测股票的信息；若不存在与所述当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果可以包括风险信息，提示用户转买入预测股票存在的风险。本申请实施例采用DTW算法计算待预测股票的当前数据序列与多个历史数据序列的距离，使得整个计算过程的计算负荷更小，且计算准确率更高，进而使得以DTW算法的计算结果表征当前数据序列与历史数据序列的相似度更为准确。另外，本申请实施例可以基于算法自动化地实现股票的涨跌预测，并输出待预测股票的推荐结果，避免了个人经验的不确定性的影响，提高了股票涨跌预测的准确度，同时提高了股票涨跌预测的效率。

本申请实施例还可以对股票推荐方法进行评估，具体包括以下步骤：

S1、导入python核心包pandas_datareader，从雅虎财经获取待预测股票过去10年间的历史行情数据；

S2、从历史行情数据中筛选出收盘价信息，并计算每一个交易日的收盘价格与上一个交易日的收盘价格的差，得到涨跌幅数据集；

S3、将涨跌幅数据集以5个交易日为一个时间周期分割成多个涨跌幅数据序列，构成涨跌幅数据序列集。

S4、以序列A为历史数据序列，序列B为当前数据序列，序列A和序列B中最后一个涨跌幅数据为回报率；双重循环遍历计算涨跌幅数据序列集中任意序列A和任意序列B的距离。

S5、将序列A和序列B之间的距离、序列A和序列B的回报率数据以DataFrame结构保存下来。过滤掉序列A的回报率为负的所在行的数据，并保留序列A和B之间距离小于1的数据，如图5所示。

S6、以保留的数据为基础，按照下列计算方法分别计算交易次数、盈利次数、亏损次数、盈亏平衡次数、盈利/亏损比例、盈利的平均值、亏损的平均值、平均收益、标准差、最大亏损、最大盈利、夏普比率12个指标，如图6所示。

交易次数——买入的次数，即回报系列数据的个数；

盈利次数——回报为正的情况下交易的数量；

亏损次数——回报为负的情况下交易的数量；

盈亏平衡次数——回报为0的情况下交易的数量；

盈利/亏损比例——盈利次数/亏损次数；

盈利的平均值——所有回报为正的回报数据的平均值；

亏损的平均值——所有回报为负的回报数据的平均值；

平均收益——所有回报数据的平均值；

标准差——衡量所有回报数据的差异性；

最大亏损——回报为负的情况下回报绝对值最大的回报数据；

最大盈利——回报为正的情况下回报最大的回报数据；

夏普比率——实际平均收益/回报数据的标准差，用来评估承担单位风险的报酬率。

S7、夏普比率为正值，说明待预测股票收益的可能性超过了风险带来的影响。夏普比率越大，说明待预测股票收益的可能性越大。因此，采用本申请实施例提供的股票推荐方法得到的推荐结果的正确率较高。

应该理解的是，虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种股票推荐装置，包括：接收模块、分割模块和确定模块，其中：

接收模块701，用于接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；

分割模块702，用于对历史行情数据进行分割处理，获得多个历史数据序列；

确定模块703，用于确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果。

在一个实施例中，待预测股票的信息为客户端接收股票推荐界面上的选择指令后向服务器发送的；或，待预测股票的信息为客户端接收用户输入的待预测股票的信息后向服务器发送的。

在一个实施例中，分割模块702具体用于，根据历史行情数据确定每一个历史交易日对应的收盘价格；针对每一历史交易日，根据历史交易日的收盘价格以及前一交易日的收盘价格，确定历史交易日对应的涨跌幅数据；根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列。

在一个实施例中，以固定分割时长对每一历史交易日对应的涨跌幅数据进行分割，获得多个历史数据序列。

在一个实施例中，基于动态时间归整算法确定当前数据序列与每一个历史数据序列的相似度。

在一个实施例中，当前数据序列与历史数据序列的数据量相同。

在一个实施例中，历史数据序列中包括回报率，确定模块703具体用于，若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移待预测股票的信息；若不存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括风险信息；风险信息用于向用户提示转移待预测股票存在的风险。

关于股票推荐装置的具体限定可以参见上文中对于股票推荐方法的限定，在此不再赘述。上述股票推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与本申请实施例所述股票推荐方法相关的一些数据，例如，前文所述的待预测股票的行情数据、历史数据序列、当前数据序列、上述两序列之间的相似度以及上述两序列的回报率数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种股票推荐方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；

对历史行情数据进行分割处理，获得多个历史数据序列；

确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

待预测股票的信息为客户端接收股票推荐界面上的选择指令后向服务器发送的；或，待预测股票的信息为客户端接收用户输入的待预测股票的信息后向服务器发送的。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据历史行情数据确定每一个历史交易日对应的收盘价格；针对每一历史交易日，根据历史交易日的收盘价格以及前一交易日的收盘价格，确定历史交易日对应的涨跌幅数据；根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

以固定分割时长对每一历史交易日对应的涨跌幅数据进行分割，获得多个历史数据序列。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

基于动态时间归整算法确定当前数据序列与每一个历史数据序列的相似度。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

当前数据序列与历史数据序列的数据量相同。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移待预测股票的信息；若不存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括风险信息；风险信息用于向用户提示转移待预测股票存在的风险。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收客户端发送的待预测股票的信息，根据待预测股票的信息获取待预测股票的历史行情数据；

对历史行情数据进行分割处理，获得多个历史数据序列；

确定待预测股票的当前数据序列，根据当前数据序列与多个历史数据序列的相似度输出待预测股票的推荐结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

待预测股票的信息为客户端接收股票推荐界面上的选择指令后向服务器发送的；或，待预测股票的信息为客户端接收用户输入的待预测股票的信息后向服务器发送的。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据历史行情数据确定每一个历史交易日对应的收盘价格；针对每一历史交易日，根据历史交易日的收盘价格以及前一交易日的收盘价格，确定历史交易日对应的涨跌幅数据；根据分隔时长以及每一历史交易日对应的涨跌幅数据确定多个历史数据序列。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

以固定分割时长对每一历史交易日对应的涨跌幅数据进行分割，获得多个历史数据序列。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

基于动态时间归整算法确定当前数据序列与每一个历史数据序列的相似度。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

当前数据序列与历史数据序列的数据量相同。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

若存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括转移待预测股票的信息；若不存在与当前数据序列的相似度小于预设阈值且回报率为正的历史数据序列，则推荐结果包括风险信息；风险信息用于向用户提示转移待预测股票存在的风险。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。