一种基于搜索次数的股票筛选推荐方法与流程

本发明涉及一种股票筛选推荐方法，具体的涉及一种以搜索次数作为筛选因子的股票筛选推荐方法。

背景技术：

行为金融学一直备受学者关注，2017年诺贝尔经济学奖授予理查德·塞勒曾提出“完全理性的经济人不可能存在，人们在现实生活中的各种经济行为必然受到各种”非理性“的影响，证券市场亦是如此，来自各方的关注会影响投资决策，进而影响上市公司行为。已有研究发现，新闻媒体的报道对股票收益、交易量和价格均具有刺激作用。例如，早期Earl对报纸信息发布与股市之间关系的研究发现华尔街日报刊登的盈利公告信息的确引起了股票价格的变化(Eral K S.The market reaction to 10-K and 10-Q filings and to subsequent the wall street journal earnings announcements[l].The Accounting Review, 1961,66(1):42-55.)。道琼斯公司每日新闻公告的数量及股票交易量与市场收益之间存在稳健的相关关系，但新闻内容和市场价格波动之间并无较大联系(Mitchell M L,Mulherin J H.The impact of public information on the stock market[J].Journal of Finance,1994,49(3):923 –950.)。在英国股票市场的研究中发现路透社在单位时间内发布的新闻数量与交易量之间存在稳健的正向关系，但与价格波动之间的关系却非常微弱(Berry T D,Howe K M.Public information arrival[J]. Journal of Finance,1994,49(3):923-950.)。另外通过政治和经济新闻对香港恒生指数33只成份股股票交易活动的影响，发现经济新闻和政治新闻对股票市场交易活动均能产生影响(Chan Y,Chui A C W,Kwok C C Y.The impact of salient political and economic news on the trading activity[J].Pacific Basin Finance Journal,2001,9(3):195-217)。在中国股市中饶育蕾等及张雅慧等市场也发现，受到媒体高度关注的股票其收益低于受到媒体关注度低的股票收益(饶育蕾，彭叠峰，成大超。媒体注意力会引起股票的异常收益么：来自中国股票市场的经验证据[J]方法工程理论与实践，2010，30(2)：287-297张雅慧，万迪昉，付雷鸣。股票收益的媒体效应：风险补偿还是过度关注弱势 [J].金融研究，2011，374(8)：143-156)。

与媒体关注度相比，随着互联网的普及而借助搜索引擎而衍生出来的投资者关注度是一个更好的研究变量。投资者关注度体对横截面股票收益的影响首次被证实，发现未被媒体报道的上市公司股票比那些被高度报道的股票要获得更高的收益，并且这种“媒体效应”(Media effect)所带来的异常收益经多因素风险调整后仍然显著(Fang L H,Press J.Media coverage and the cross-section of stock returns[J].The journal of Finance,2009,64(5):2023-2052)。

虽然，有上述大量的研究，发现了许多的影响因素但这些影响因素并运用到股票的收益估算中，但估算的准确率依然比较低，无法进行股票的筛选和推荐。

技术实现要素：

发明人经过统计计算以及实验验证，发现某些股票在一定时间内被搜索次数与该股票的短期收益之间具有一定的相关性，可以利用该发现开发出筛选出准确率更高的股票。为此，本发明提供以下的技术方案：

结构一

本发明提供的基于搜索次数的股票筛选推荐方法，从搜索服务器获取与股票相对应的搜索次数，并以搜索次数作为筛选因子对股市中的股票进行筛选推荐，其特征在于，包括以下步骤：步骤S-1，显示筛选画面，让用户输入筛选条件；步骤S-2，一旦用户对输入的筛选条件进行确认，将用户的筛选请求和筛选条件发送给服务器；步骤 S-3，接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值和来自搜索服务器的与所有股票相对应的搜索次数；步骤S-4，根据所获取的所有股票的实时市值大小进行降序排列得到第一序列，并将第一序列中的第一预定排序范围内的股票根据搜索次数再次进行降序排列得到第二序列；步骤 S-5，根据筛选条件，对第二序列中的第二预定范围内的股票进行筛选得到筛选结果；步骤S-6，将筛选结果发送给用户终端；步骤S-7，显示筛选结果画面，并将筛选结果展示在筛选结果画面中。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，筛选条件包括估值因子、成长因子、流动因子、盈利因子、技术因子、波动因子以及规模因子。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，估值因子包括股息率、现金收益率、盈利收益率、账面市值比以及市盈率相对盈利增长比率，成长因子包括总资产增长率、每股收益增长率、每股盈余增长、净利润增长率以及收入净利率，流动因子包括应收账款、存货周转率、固定资产周转率、债务总资产比以及产权比率，盈利因子包括净资产收益率、资产回报率、转营毛利率、销售净利率以及净利润现金流，技术因子包括1个月动量、6个月动量、换手率、均线以及资金流量，波动因子包括成交量标准差、涨跌幅标准差、下跌波动、收益相对波动以及波幅中位数，规模因子包括流动资产合计、流通市值、总市值、收益市值比以及无形资产比率。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，第一预定排序范围内的股票为第一序列中的后50％-100％内的全部股票。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，第二预定排序范围内的股票为第二序列中的后50％-98％内的全部股票。

结构二

本发明还提供另一种基于搜索次数的股票筛选推荐方法，以搜索次数作为筛选因子对股市中的股票进行筛选推荐，其特征在于，包括以下步骤：步骤S1，显示筛选画面，让用户输入筛选条件；步骤S2，一旦用户对输入的筛选条件进行确认，将用户的筛选请求和筛选条件发送给服务器；步骤S3，接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值，提取与所有股票相对应的搜索次数；步骤S4，根据所获取的所有股票的实时市值大小进行降序排列得到第一序列，并将第一序列中的第一预定排序范围内的股票根据搜索次数再次进行降序排列得到第二序列；步骤S5，根据筛选条件，对第二序列中的第二预定范围内的股票进行筛选得到筛选结果；步骤S6，将筛选结果发送给用户终端；步骤S7，显示筛选结果画面，并将筛选结果展示在筛选结果画面中。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，第一预定排序范围内的股票为第一序列中的后50％-100％内的全部股票。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于：其中，第二预定排序范围内的股票为第二序列中的后50％-98％内的全部股票。

本发明提供的基于搜索次数的股票筛选推荐方法，还可以具有这样的特征，其特征在于，步骤S4中的搜索次数由以下步骤获得：步骤S4-1，显示搜索画面，让用户输入搜索字段；步骤S4-2，一旦用户对输入的搜索字段进行确认，将用户的搜索请求和搜索字段发送给服务器；步骤S4-3，服务接收搜索请求和搜索字段；步骤S4-4，将搜索字段与已存储的相应字段进行比较；步骤S4-5，当搜索字段与存储的某个字段相同时即判定该用户在搜索该字段对应的某个股票；步骤S4-6，根据步骤S4-5的判定结果累计相应股票的搜索次数。

发明的作用与效果

本发明中的基于搜索次数的股票筛选推荐方法，因为输入显示部能够让用户输入筛选内容并接收用户的筛选内容，用户侧通信部能够将筛选请求和筛选条件发送给服务器，服务侧通信部能够接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值以及来自搜索服务器的与所有股票相对应的搜索次数，股票排序部能够根据实时市值的大小将所有股票进行降序排列，并将一定排序范围内的股票根据搜索次数再次进行降序排列，股票筛选部能够根据筛选条件，将再次排序后的股票中的一定范围内的股票进行筛选得到筛选结果，最后输入显示部将包含筛选结果的筛选结果画面展示给用户,所以根据搜索次数对股票进行排序再将排序后的股票根据用户的筛选条件筛选后推荐给用户的股票是考虑到用户搜索次数对股票收益的影响的筛选结果，提高了推荐股票的收益率。

附图说明

图1为本发明的实施例一中基于搜索次数的股票筛选推荐方法的框图；

图2为本发明的实施例一中用户终端的框图；

图3为本发明的实施例一中服务器的框图；

图4为本发明的实施例二中基于搜索次数的股票筛选推荐系统的框图；

图5为本发明的实施例二中服务器的框图；

图6为本发明的实施例一中基于搜索次数的股票筛选推荐方法的动作流程图；

图7为本发明的实施例二中搜索次数累加的动作流程图；

图8为本发明的实施例二中基于搜索次数的股票筛选推荐方法的动作流程图；

图9为本发明中的股票信息存储示意图；

图10为本发明中的第一序列示意图；

图11为本发明中的第二序列示意图；

图12为本发明中股票对应字段的存储示意图；

图13为投资者关注度因子的IC值变化趋势示意图；

图14为股票收益示意图；

图15为年化收益、最大撤回、阿尔法以及收益波动变化示意图；

图16为分组夏普比率变化示意图；

图17为低市值股票的年化收益、阿尔法变化示意图；

图18低市值股票的贝塔、夏普比率市值变化示意图；以及

图19低市值股票的最大回撤、收益波动率变化示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明提供的基于搜索次数的股票筛选推荐方法的组成、工作原理以及有益效果作具体阐述。

实施例1

图1为本发明的实施例一中基于搜索次数的股票筛选推荐系统的框图。

如图1所示，本实施例中的基于搜索次数的股票筛选推荐系统 10，从搜索服务器获取与股票相对应的搜索次数，并以搜索次数作为筛选因子对股市中的股票进行筛选推荐给用户，包括若干用户终端 20和服务器30。

图2为本发明的实施例一中用户终端的框图。

如图2所示，用户终端20由用户持有，可以为智能手机、平板电脑或者台式电脑，所有的用户端20可同时通过有线网络或无线网络与服务器相通信连接。本实施例中的用户终端20为智能手机。用户终端20具有画面存储部201、输入显示部202、用户侧通信部203 以及控制以上各部运行的用户侧控制部204。

图3为本发明的实施例一中服务器的框图。

如图3所示，服务器30与搜索服务器和股票信息服务器通信连接，接收来自搜索服务器的与股票相对应的搜索次数，和来自股票信息服务器的股票相关信息，具有股票信息存储部301、股票排序部 302、股票筛选部303、服务侧通信部304以及控制以上各部运行的用户侧控制部305。

本实施例中的搜索服务器为电信固网搜索引擎，包括百度、 goole、360浏览器、火狐等的服务器。股票信息服务器包括上海证券交易所、深圳证券交易所，香港交易所以及中国台湾证券交易所的服务器。本实施例中的股票信息服务器为上海证券交易所何深圳证券交易所的服务器。

在用户端20中画面存储部201存储有筛选画面和筛选结果画面。筛选画面用于显示所有可供用户选择的筛选条件。筛选结果画面用于显示基于搜索次数的股票筛选推荐方法10根据用户选择的筛选条件筛选后推荐给用户的股票。

输入显示部202用于显示筛选画面，让用户点选筛选条件。

筛选条件包括估值因子、成长因子、流动因子、盈利因子、技术因子、波动因子以及规模因子。

估值因子包括股息率、现金收益率、盈利收益率、账面市值比以及市盈率相对盈利增长比率。

成长因子包括总资产增长率、每股收益增长率、每股盈余增长、净利润增长率以及收入净利率。

流动因子包括应收账款、存货周转率、固定资产周转率、债务总资产比以及产权比率。盈利因子包括资产收益率、资产回报率、转营毛利率、销售净利率以及净利润现金流。

技术因子包括1个月动量、6个月动量、换手率、均线以及资金流量。

波动因子包括成交量标准差、涨跌幅标准差、下跌波动、收益相对波动以及波幅中位数。

规模因子包括流动资产合计、流通市值、总市值、收益市值比以及无形资产比率。

筛选画面中具有显示筛选条件的下拉菜单以及确认进行筛选的确认框，筛选画面中的筛选条件可以进行多项选择。当用户点选某一个筛选条件时筛选画面会显示出该筛选条件包含的所有参数选项的二级下拉菜单，供用户进行进一步的筛选。例如，当用户选中估值因子时，筛选画面上会出现包含股息率、现金收益率、盈利收益率、账面市值比以及市盈率相对盈利增长比率的二级下拉菜单，供用户选择。其余筛选条件也具有同样的筛选显示。

一旦用户点选筛选条件后点击确认框进行确认，用户侧通信部 203就将筛选请求和用户选中的筛选条件发送给服务器30。

图9为本发明中的股票信息存储示意图。

如图9所示，股票信息存储部301存储有与所有股票相对应的股票信息，股票信息包括股票名称、股票代码、股票市值数据、股票价格数据、股票成交量数据以及股票财务数据。

服务侧通信部304接收用户侧通信部203发送的筛选请求和筛选条件。当服务侧通信部304接收到筛选请求后，对股票信息服务器和搜索服务器发出请求并接收来自的股票信息服务器的与所有股票相对应的实时股票信息以及来自搜索服务器的与所有股票相对应的搜索次数，并将这些信息更新至股票信息存储部301中相应的股票信息中。

股票排序部302用于根据接收到的筛选请求、实时股票信息以及搜索次数对全部股票进行排序。股票排序部302提取实时股票信息中的实时市值，并根据所有股票的实时市值的大小进行降序排列得到第一序列，并将第一序列中的后90％-100％内的全部股票根据搜索次数再次进行降序排列得到第二序列。

图10为本发明中的第一序列示意图。

如图10所示，在本实施例中，以市场上一共有3000支股票为例。按从股票信息服务器处获得的3000支股票实时的市值大小进行降序排列形成第一序列，实时市值最大的排在第一序列的第一位，实时市值最小的排在第一序列的第3000位。再将第一序列中后90％-100％的股票，即第2700位到第3000位的股票根据搜索次数进行降序排列得到第二序列，搜索次数最多的排在第二序列的第一位，搜索次数最少的排在第二序列的第300位。

图11为本发明中的第二序列示意图。

如图11所示，股票筛选部303用于根据用户终端发送的筛选条件对第二序列中的后88％-98％内的股票进行筛选得到筛选结果。即将第二序列中的300支股票中的第264位到第294位的30支股票，即从东方国信(300166)到信维通信(300136)之间的30值股票，根据接收到的筛选条件进行筛选，获得筛选结果。

服务侧通信部304将本次筛选结果发送给用户终端20。用户侧通信部203接收到筛选结果后，输入显示部202将包含有筛选结果的筛选结果画面显示给用户。

图6为本发明的实施例一中基于搜索次数的股票筛选推荐方法的动作流程图。

如图6所示，基于搜索次数的股票筛选推荐方法10的动作流程包括以下步骤：

步骤S-1，输入显示部202显示筛选画面，让用户输入筛选条件，然后进入步骤S-2；

步骤S-2，一旦用户对输入的筛选条件进行确认，将用户的筛选请求和筛选条件发送给服务器，然后进入步骤S-3；

步骤S-3，接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值和来自搜索服务器的与所有股票相对应的搜索次数，然后进入步骤S-4；

步骤S-4，提取实时股票信息中的市值，根据所获取的所有股票的实时市值大小进行降序排列得到第一序列，并将第一序列中的后 90％-100％内的股票根据搜索次数再次进行降序排列得到第二序列，然后进入步骤S-5；

步骤S-5，根据筛选条件，对第二序列中的后88％-98％内的股票进行筛选得到筛选结果，然后进入步骤S-6；

步骤S-6，将筛选结果发送给用户终端，然后进入步骤S-7；

步骤S-7，显示筛选结果画面，并将筛选结果展示在筛选结果画面中。

实施例一中，从搜索服务器中接收到的搜索次数为一日内的搜索。当从搜索服务器中接收到的搜索次数为每小时内的搜索次数时，实施例中股票排序部302还具有搜索次数计算单元3021，可以将搜索次数按预订规则的计算，得到修正搜索次数，并利用该修正搜索次数进行降序排列得到第二序列。即，搜索次数计算部3021将24个小时的搜索次数进行求和获得日搜索次数。以日搜索次数为依据对第一序列进行降序排列得到第二序列。

实施例一的作用与效果

本发明中的基于搜索次数的股票筛选推荐方法，因为输入显示部能够让用户输入筛选内容并接收用户的筛选内容，用户侧通信部能够将筛选请求和筛选条件发送给服务器，服务侧通信部能够接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值以及来自搜索服务器的与所有股票相对应的搜索次数，股票排序部能够根据实时市值的大小将所有股票进行降序排列，并将一定排序范围内的股票根据搜索次数再次进行降序排列，股票筛选部能够根据筛选条件，将再次排序后的股票中的一定范围内的股票进行筛选得到筛选结果，最后输入显示部将包含筛选结果的筛选结果画面展示给用户,所以根据搜索次数对股票进行排序再将排序后的股票根据用户的筛选条件筛选后推荐给用户的股票是考虑到用户搜索次数对股票收益的影响的筛选结果，提高了推荐股票的收益率。

进一步的，本发明还提供了多种主流的筛选因子配合搜索次数因子对股票进行筛选，在加入新因子的同时保留了原有的筛选体系，使得这个筛选推荐方法与过去的方法相比具有更好的准确性，并且提供更高的股票收益率。

另外，股票排序部中选取了搜索次数少，即投资者关注度低的股票进行进一步筛选，充分利用了投资者关注度低与股票收益负相关这一研究发现，更好的为用户推荐高收益率的股票。

实施例2

图4为本发明的实施例二中基于搜索次数的股票筛选推荐系统的框图。

如图4所示本实施例中的基于搜索次数的股票筛选推荐系统 10’，以搜索次数作为筛选因子对股市中的股票进行筛选推荐，包括用户终端20和服务器30’。

用户终端20，可以为智能手机、平板电脑以及台式电脑，所有的用户端20可同时通过有线网络或无线网络与服务器的通信连接。本实施例中的用户端20为智能手机。用户终端20具有画面存储部 201、输入显示部202、用户侧通信部203以及控制以上各部运行的用户侧控制部204。

图5为本发明的实施例二中服务器的框图。

如图5所示，服务器30’与股票信息服务器通信连接，具有股票信息存储部301、股票排序部302、股票筛选部303、服务侧通信部 304、搜索字段判定部306、搜索计数部307以及控制以上各部运行的用户侧控制部305。

在用户端20中画面存储部201存储有搜索画面、筛选画面和筛选结果画面。搜索画面中具有用于输入信息的输入框以及确认进行搜索的搜索确认框，筛选画面用于显示所有可供用户选择的筛选条件。筛选结果画面用于显示基于搜索次数的股票筛选推荐方法10’根据用户选择的筛选条件筛选后推荐给用户的股票。

输入显示部201显示搜索画面，用于让用户输入搜索字段，搜索相应股票，一旦用户按下搜索确认框进行确认，用户侧通信部203就将用户的搜索请求和搜索字段发送给服务器30’。

服务侧通信部304接收用户终端20发送来的搜索请求和搜索字段后，搜索字段判定部306根据股票信息存储部301中存储的股票信息判定与搜索字段相关联的股票。

图12为本发明中股票对应字段的存储示意图。

如图12所示，搜索字段判定部306包括字段存储单元3061和搜索判定单元3062。字段存储单元3061存储有与每只股票相对应的多个股票对应字段，这些股票对应字段包括股票代码、股票名称、股票名称缩写、股票名称关键字、若干含有错别字的股票名称以及若干与股票名称相关的字段。

当搜索判定单元3062判定用户输入的搜索字段与存储的某个字段相同时即判定为该用户在搜索该字段对应的某个股票。例如，用户输入的搜索字段为HXB，则搜索判定单元3062判定搜索的股票为华夏银行，搜索判定单元3062为华夏银行累加一次搜索次数。

当搜索字段判定部306连续判断从用户终端20连续接收到的2-5 个字段均与预先存储在字段存储单元3061中的所有股票都不匹配的时候，而下一个接收到的搜索字段与某支股票预先存有的字段相同时，首先对应的计数，并将该连续输入的2-5个搜索字段存储到改制股票对应的股票对应字段中。例如，用户输入的搜索字段为华夏行、华西银行、花夏银行、华夏银行，则在输入华夏银行后搜索判定单元 3062判定搜索的股票为华夏银行，搜索判定单元3062为华夏银行累加一次搜索次数，并且搜索判定单元3062判定华夏行、华西银行、花夏银行均为华夏银行的股票对应字段，将其存储到华夏银行的股票对应字段中去。

搜索计数部307根据搜索字段判定部306的判定结果累计相应股票的搜索次数。

输入显示部202显示筛选画面，供用户点选筛选条件。

筛选条件包括估值因子、成长因子、流动因子、盈利因子、技术因子、波动因子以及规模因子。

估值因子包括股息率、现金收益率、盈利收益率、账面市值比以及市盈率相对盈利增长比率。成长因子包括总资产增长率、每股收益增长率、每股盈余增长、净利润增长率以及收入净利率。

流动因子包括应收账款、存货周转率、固定资产周转率、债务总资产比以及产权比率。

盈利因子包括资产收益率、资产回报率、转营毛利率、销售净利率以及净利润现金流。

技术因子包括1个月动量、6个月动量、换手率、均线以及资金流量。

波动因子包括成交量标准差、涨跌幅标准差、下跌波动、收益相对波动以及波幅中位数。

规模因子包括流动资产合计、流通市值、总市值、收益市值比以及无形资产比率。

筛选画面中具有显示筛选条件的下拉菜单以及确认进行筛选的确认框，筛选画面中的筛选条件可以进行多项选择。当用户点选某一个筛选条件时筛选画面会显示出该筛选条件包含的所有参数选项的二级下拉菜单，供用户进行进一步的筛选。例如，当用户选中估值因子时，筛选画面上会出现包含股息率、现金收益率、盈利收益率、账面市值比以及市盈率相对盈利增长比率的二级下拉菜单，供用户选择。其余筛选条件也具有同样的筛选显示。

一旦用户点选筛选条件后点击确认框进行确认，用户侧通信部 203就将筛选请求和用户选中的筛选条件发送给服务器30。

图9为本发明中的股票信息存储示意图。

如图9所示，股票信息存储部301存储有与所有股票相对应的股票信息，股票信息包括股票名称、股票代码、股票市值数据、股票价格数据、股票成交量数据以及股票财务数据。

服务侧通信部304接收用户侧通信部203发送的筛选请求和筛选条件。当服务侧通信部304接收到筛选请求后，对股票信息服务器和搜索服务器发出请求并接收来自的股票信息服务器的与所有股票相对应的实时股票信息以及提取来自搜索计数部307的与所有股票相对应的搜索次数，并将这些信息更新至股票信息存储部301中相应的股票信息中。

股票排序部302用于根据接收到的筛选请求、实时股票信息以及搜索次数对全部股票进行排序。股票排序部302提取实时股票信息中的实时市值，并根据所有股票的实时市值的大小进行降序排列得到第一序列，并将第一序列中的后90％-100％内的全部股票根据搜索次数再次进行降序排列得到第二序列。

图10为本发明中的第一序列示意图

如图10所示，在本实施例中，以市场上一共有3000支股票为例。按从股票信息服务器处获得的3000支股票实时的市值大小进行降序排列形成第一序列，实时市值最大的排在第一序列的第一位，实时市值最小的排在第一序列的第3000位。再将第一序列中后90％-100％的股票，即第2700位到第3000位的股票根据搜索次数进行降序排列得到第二序列，搜索次数最多的排在第二序列的第一位，搜索次数最少的排在第二序列的第300位。

图11为本发明中的第二序列示意图。

如图11所示，股票筛选部303用于根据用户终端发送的筛选条件对第二序列中的后88％-98％内的股票进行筛选得到筛选结果。即将第二序列中的300支股票中的第264位到第294位的30支股票，即从东方国信(300166)到信维通信(300136)之间的30值股票，根据接收到的筛选条件进行筛选，获得筛选结果。

服务侧通信部304将本次筛选结果发送给用户终端20。用户侧通信部203接收到筛选结果后，输入显示部202将包含有筛选结果的筛选结果画面显示给用户。

图7为本发明的实施例二中搜索次数累加的动作流程图。

如图7所示，服务器30’搜索次数累加的动作流程包括以下步骤：

步骤S4-1，显示搜索画面，让用户输入搜索字段，然后进入步骤 S4-2；

步骤S4-2，一旦用户对输入的搜索字段进行确认，将用户的搜索请求和搜索字段发送给服务器，然后进入步骤S4-3；

步骤S4-3，服务接收搜索请求和搜索字段，然后进入步骤S4-4；

步骤S4-4，将搜索字段与已存储的相应字段进行比较，然后进入步骤S4-5；

步骤S4-5，当搜索字段与存储的某个字段相同时即判定该用户在搜索该字段对应的某个股票，然后进入步骤S4-6；

步骤S4-6，根据步骤S4-5的判定结果累计相应股票的搜索次数。

图8为本发明的实施例二中基于搜索次数的股票筛选推荐方法的动作流程图。

如图8所示，基于搜索次数的股票筛选推荐方法10’的动作流程包括以下步骤：

步骤S1，输入显示部202显示筛选画面，让用户输入筛选条件，然后进入步骤S2；

步骤S2，一旦用户对输入的筛选条件进行确认，将用户的筛选请求和筛选条件发送给服务器，然后进入步骤S3；

步骤S3，接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值，提取来自搜索计数部307的与所有股票相对应的搜索次数，然后进入步骤S4；

步骤S4，根据所获取的所有股票的实时市值大小进行降序排列得到第一序列，并将第一序列中的第一预定排序范围内的股票根据搜索次数再次进行降序排列得到第二序列，然后进入步骤S5；

步骤S5，根据筛选条件，对第二序列中的后88％-98％内的股票进行筛选得到筛选结果，然后进入步骤S6；

步骤S6，将筛选结果发送给用户终端，然后进入步骤S7；

步骤S7，显示筛选结果画面，并将筛选结果展示在筛选结果画面中。

实施例二中，从搜索计数部307中提取的搜索次数为一日内的搜索。当从搜索计数部307中提取的搜索次数为每小时内的搜索次数时，实施例中股票排序部302还具有搜索次数计算单元3021，可以将搜索次数按预订规则的计算，得到修正搜索次数，并利用该修正搜索次数进行降序排列得到第二序列。即，搜索次数计算部3021将24 个小时的搜索次数进行求和获得日搜索次数。以日搜索次数为依据对第一序列进行降序排列得到第二序列。

实施例二的作用与效果

本发明中的基于搜索次数的股票筛选推荐方法，因为输入显示部能够让用户输入筛选内容并接收用户的筛选内容，用户侧通信部能够将筛选请求和筛选条件发送给服务器，服务侧通信部能够接收筛选请求和筛选条件，并根据筛选请求接收来自股票信息服务器的与所有股票相对应的实时市值以及来自搜索服务器的与所有股票相对应的搜索次数，股票排序部能够根据实时市值的大小将所有股票进行降序排列，并将一定排序范围内的股票根据搜索次数再次进行降序排列，股票筛选部能够根据筛选条件，将再次排序后的股票中的一定范围内的股票进行筛选得到筛选结果，最后输入显示部将包含筛选结果的筛选结果画面展示给用户,所以根据搜索次数对股票进行排序再将排序后的股票根据用户的筛选条件筛选后推荐给用户的股票是考虑到用户搜索次数对股票收益的影响的筛选结果，提高了推荐股票的收益率。另外，服务器具有搜索计数部能够基于自身的平台进行搜索次数的统计而不用依赖于外部数据，这样的数据来源具有更高的准确性和更强的针对性。

进一步的，本发明中的搜索字段判定部具有自动更新的功能，能够识别用不正确的搜索字段并将其匹配更新至字段存储单元中，便于下一次的搜索。这样的功能使得本发明提供的基于搜索次数的股票筛选推荐方法能够更匹配用户的使用习惯，提高用户的体验感。

本发明还提供了多种主流的筛选因子配合搜索次数因子对股票进行筛选，在加入新因子的同时保留了原有的筛选体系，使得这个筛选推荐方法与过去的方法相比具有更好的准确性，以及提供更高的股票收益率。

另外，股票排序部中选取了搜索次数少，即投资者关注度低的股票进行进一步筛选，充分利用了投资者关注度低与股票收益负相关这一研究发现，更好的为用户推荐高收益率的股票。

以下对实施例提供的基于搜索次数的股票筛选推荐方法的原理做详细说明。

本发明是基于受投资者关注低的某些股票会带来相较于受投资者关注高的股票更高的收益这一发现的，以下基于以下的数据事实以及统计分析来证明该结论。

一、数据采集

本发明采用电信固网提供的用户在搜索引擎上的搜索记录来获取投资者关注度数据，即通过广大网民在浏览器中的搜索内容是否含有相应股票名称或是代码的频次来进行统计。

金融股票交易数据来自通联数据平台，借助通联数据提供的API 接口，获取包括各种日内交易数据、市值信息、开盘与否情况等等。

数据采集的时间段为2016.01-2016.12，采集范围包括全市场超 3000只股票，统计频率为每隔一小时进行一次统计。

二、变量定义

投资者日关注度：先对每只股票的每小时内的搜索次数进行汇总求和，再将每只股票24个小时的搜索次数进行汇总求和。

股票收益：(今日收盘价-上一交易日收盘价)/上一交易日收盘价。

市值：数据取自通联数据优矿平台。

三、研究模型

本研究借助优矿策略开发平台，构建如下基本模型：

(1)投资者日关注度与股票收益相关性

计算相关系数(IC值)：

其中，X为投资者日关注度，Y为股票收益。

(2)初始化参数、初始化运行环境及账户设置。

(3)数据处理及生成买入卖出列表

根据策略规则生成buy_list列表，具体规则视不同策略而异。

(4)订单操作

确定权重分配，利用优矿平台order_pct_to()函数进行订单操作。

(5)回测结果分析

回测过程产生的数据和结果进行分析，调参优化策略。

四、结果分析

1.投资者关注度与股票收益相关性研究

首先对“投资者关注度”与股票收益的因子有效性进行测试，计算 IC值。我们分别计算T日之后的T+1日、T+2日、T+3日、T+4日以及T+5日的投资者关注度因子的IC值，此处我们采用的是Normal IC(皮尔逊相关关系)，即某时点某因子在全部股票的因子暴露值与其下期回报的截面相关系数。结果如表1所示。

表1投资者关注度因子的IC值

图13为投资者关注度因子的IC值变化趋势示意图。

如图13所示，不对关注度因子进行改变，仅统计前一日上午九点到近日上午九点的数值之和，收益率为今日每只股票的收益(T+1)，可以发现，IC均值普遍大于零，且随着时间的增长，IC值逐渐降低，即满足关注度因子时效性的特征。

2.当期关注度与收益关系研究

测试关注度因子的选股效果。首先进行T+0日的测试，即利用当日的投资者关注度因子进行选股，回测时间为2016.01.07-2017.01.09，基线为HS300，初始资金为10000万元。具体策略思想为当日关注度排名前20，且不在账户中则买入；在账户中但关注度并未排进前20 则卖出。

图14为股票收益示意图。

如图14所示，与基线相比，使用本发明所提供的筛选策略选取的股票取得了非常好的超额收益。

3.关注度效应研究

将市场上所有的股票按搜索次数降序排列，再以10％的间隔等分成十组，控制所有其他变量，分别对十组股票进行测试。参数设置：回测时间段为2016/01/07-2017/01/09，基线为HS300，起始资金为 10000万元以及每5个交易日进行一次调仓。

操作步骤：选取相应组段股票，若股票已在账户中且上一日未处于相应组段则当日开盘全部卖掉；若股票未在账户中且上一日处于相应组段则当日开盘买入账户总资产的(1/该组段股票总数)；第一交易日买入该组段全部股票。

所获得的测试结果如表2所示。

表2股票分组测试结果

如表2所示，关注度最低的10％的股票比关注度最高的10％的股票组合的收益高出49.8％！

图15为年化收益、最大撤回、阿尔法以及收益波动变化示意图。

如图15所示，随着关注度的提升，收益率和阿尔法呈明显下降趋势，而最大回撤和收益波动率呈明显上升趋势。这都均说明与搜索次数高的股票相比搜索次数低的股票能获得更好的收益。

图16为分组夏普比率变化示意图。

如图16所示，观察分组夏普比率值，随着关注度增加，具有明显的下降趋势。

4.基于市值的投资者关注度与收益关系研究

市值的多少代表了公司的体量和规模大小，很多时候市场会呈明显的市值轮动效应，因此将市值作为一个重要因素加入到投资者关注度与收益关系的研究中。

实验步骤：将市场上所有的股票按市值分组，选取市值最低的 10％-20％股票，对这一部分再按照关注度分成10组，考量关注度因子的影响效果。关注度因子影响效果的具体实验步骤与关注度效应研究中的实验步骤相同，同时以下实验均排除了停牌股票。

结果如下表3所示，

表3市值最低的10％-20％的股票的关注度因子影响效果

对表3进行可视化分析，图中虚线为对数趋势线。

图17为低市值股票的年化收益、阿尔法变化示意图。

图18低市值股票的贝塔、夏普比率市值变化示意图。

图19低市值股票的最大回撤、收益波动率变化示意图。

如图17-19所示，年化收益、阿尔法、夏普比率与热度因素明显呈负相关关系，证明了在排除市值影响后，较低的关注度可以带来一定程度相对超额收益。

5.结论

首先，在对投资者关注度因子的IC值进行计算后发明其一日IC 均值为0.02，这说明关注度与收益率之间具有相关性，故投资者关注度因子具有一定选股价值。

其次，我们将股票相关数据按照投资者关注度分为十组进行测试，发现关注度与收益率、夏普比率、阿尔法值之间存在负相关性，即关注度越低的股票会带来更好的收益。

最后将股票的市值加入到投资者关注度因子的研究中，取市值排序中处于后10％-20％的股票进行测试，结果具有明显的负相关性。即投资者关注度与股票收益率具有一定的负相关关系，关注度越低的股票会带来更好的收益。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。