寻找相似的历史k线

What this page covers

• 活动报名引导信息与报名链接。
• 相似K线匹配问题的背景与目标说明。
• 数据来源范围与字段说明（Tushare 沪深日线）。
• 示例区间的选择与数据加载方式。
• 方法一：基于K线距离的计算、筛选与可视化。
• 方法二：基于日回报相关性的计算、筛选与可视化。
• 性能对比与联系信息。

技能认证特训营第二期正式开启（限时报名）

页面顶部提供活动报名与福利优惠引导信息，并给出报名链接。

• 技能认证特训营第二期处于“正式开启”状态。
• 页面提供限时报名链接入口。

寻找相似的历史k线（作者与日期）

给出文章标题与发布信息（作者、日期），并引入“相似K线匹配”的问题背景与目标。

• 作者署名为 Junxi。
• 发布日期为 2021-05-18。
• 目标是从其他股票历史中匹配最相似的一段历史K线。
• 输出包含相似度（%）并排序取前 N 个结果。

数据来源与字段说明（Tushare沪深日线）

说明使用的 Tushare 沪深股票日线行情数据范围，并列出数据字段。

• 实验数据来自 Tushare 的沪深股票 2008 到 2017 日线行情数据。
• 页面提供 Tushare 链接与 DolphinDB 处理 Tushare 数据的参考教程链接。
• 数据字段包括 ts_code、trade_date、open、high、low、close 等。
• 数据字段包括 pct_change、vol、amount 等。

示例：以漫步者为目标区间进行相似K线搜索（数据加载）

以 002351.SZ 的指定日期区间为目标，展示如何加载目标股票与全量股票数据到内存。

• 示例目标股票为 漫步者（002351.SZ）。
• 目标区间为 2016-09-01 到 2016-09-30。
• 示例任务为寻找最相似的 10 段历史 K 线。
• 给出将目标股票日线数据加载到内存的 DolphinDB 脚本示例。
• 给出将全量股票数据加载到内存的 DolphinDB 脚本示例。

方法一：使用K线距离衡量相似度（计算、筛选与可视化）

使用日回报差的平方和定义距离，通过滚动窗口计算距离，筛选最相似的 10 段并进行可视化说明。

• 两段K线距离用“日回报差的平方和”计算。
• 距离越小表示相似度越高。
• 使用滚动窗口计算各股票历史片段与目标区间的 distance。
• moving 用于在大小为 num 的滚动窗口内计算距离。
• 筛选 distance 最小的 10 段历史K线片段。
• getReturn 用于取出 beginDate 到 endDate 的日回报（pct_change/100）。
• each 用于提取最相似的 10 只股票的日回报并命名列。
• 图表说明提到展示 10 只股票的日回报走势（低置信度表述）。

方法二：使用股票日回报相关性衡量相似度（计算、筛选与可视化）

通过滚动窗口计算日回报相关系数，筛选相关性最高的 10 段并进行可视化说明。

• 日回报相关性被描述为衡量K线相似度的一个指标（低置信度表述）。
• 使用滚动窗口计算目标区间与历史片段的 corr（相关系数）。
• 筛选 corr 最高的 10 段历史K线片段。
• 构建回报矩阵并绘图以展示相关性法结果。
• 图表说明提到该方法侧重统计同步性（低置信度表述）。

性能分析与联系信息

给出数据规模与两种方法耗时对比，并提供官网链接与联系邮箱。

• 数据规模为沪深股票 2008 到 2017 日线行情数据，共 530 万数据。
• 方法一（K线距离）耗时为 7 秒。
• 方法二（日回报相关性）耗时为 3 秒。
• 性能被评价为“性能极佳”（低置信度表述）。
• 提供 DolphinDB 官网链接与联系邮箱 info@dolphindb.com。

Facts Index