金融时间序列的多重分形类型的确定

为了探索股票时间序列的无标度性,利用多重分形消除趋势涨落分析的方法(MF-DFA)来研究沃尔玛股票指数(WMT)日收盘价.结果表明沃尔玛股票指数日收盘价的变化具有多重分形的特性.然后,随机打乱时间序列的次序,用MF-DFA方法分析打乱序列的多重分形性质,得出沃尔玛股票指数的多重分形主要是由概率密度函数产生的,分布多重分形占主导地位.比较原始序列和打乱序列的多重分形性质,得出打乱序列的多重分形性弱于原始序列的多重分形性.     

基于概率穿越可视图的时间序列网络多重分形研究与应用

对有限穿越可视图进行改进,提出了概率穿越可视图.首先,将间接可视的节点之间的关联处理为穿越距离的函数,而且节点之间的关联随穿越距离的增加而减小,从而将无权图形式的时间序列网络推广到带权图;其次,采用复杂网络中的网络维数计算方法处理所得到的时间序列网络的分形维数,从而对其自相似特性进行分析;最后,通过划分不同的时间粒度得到多个不同的时间序列网络,对应有多个不同的分形维数,进而分析了所得到的时间序列网络的多重分形特性.在与经典的可视图法、水平可视图法及有限穿越可视图法的对比中论证了所提出的概率穿越可视图的优势.     

长江日径流序列的多重分形性质研究

讨论了长江宜昌站1950年至1999年日径流时间序列的多重分形性质,计算了50年日径流时间序列和每一年日径流时间序列的质量指数τ(q)、广义分形维数Dq、奇异性指数α和多重分形谱f(α).结果表明,不论是长期(50年)还是短期(1年),长江日径流序列均具有明显的多重分形性质.这对研究长江日径流的非线性性质提供了重要的理论基础.     

基于FBM的海杂波建模方法

为了建立具有多重分形特性的海杂波模型,提出了基于分式Brown运动模型的海杂波建模方法。该方法通过将分式Brown运动模型与随机时间序列模型结合,产生了一个近似多重分形的随机过程来模拟海杂波序列。Matlab仿真与实测数据进行对比，结果表明:模型产生序列具有多重分形的性质,可以有效地对海杂波进行模拟。     

金融时间序列的多重分形分类

金融时间序列中的多重分形性质经常与标度不规则性和自相似性相联系,经常用多重分形谱方法对金融时间序列进行分类.提出了谱的宽度和峰值的概念,用来区分不同样本的分布特征,用描述统计的方法来得到内在多重分形性的统计描述特征.研究中所用68个证券市场的日交易数据来自纽约股票交易所20 a的交易数据.结果表明,多重分形特征适用于对金融时间序列进行分类.     

股市时间序列的多重分形分析

通过对幂谱和统计矩函数的分析,得出股票市场时间序列的无标度性.借助配分函数、广义分形维数和多重分形谱对股票市场进行研究,结果表明,股票市场时间序列具有多重分形特征.这将为多重分形在金融理论方面的研究提供重要的理论基础.     

基于可见图的沪深股市波动分析

利用可见图算法,考虑沪深股市不同时间频率(日、周、月)的收益率序列,将其映射成网络,发现所构造的网络具有分层结构和无标度性.网络节点度分布幂律指数与Hurst指数服从线性规律,验证了可见图算法计算Hurst指数的可靠性.同时,截取2007~2008年沪深股市大涨大跌收益率序列,将其分别映射成网络,得出股市大涨与大跌在网络拓扑结构方面的非平凡性质.     

基于多重分形谱的道路交通事故分析

简述了多重分形理论和多重分形谱的算法;基于多重分形理论,用配分函数法对山东省2008-2009年每月的交通事故时间序列进行了多重分形谱研究,得到该时间序列的多重分形谱.结果表明,该时间序列具有多重分形分布特征,该方法为交通事故研究提供了一种新的理论方法.     

股市时间序列的多重分形消除趋势分析

为了探索股票时间序列的无标度性,应用多重分形消除趋势分析的方法(MF-DFA)来研究沃尔玛指数(WMT)日收盘价.研究结果表明,沃尔玛指数日收盘价的变化具有多重分形的特性,广义Hurst指数显著依赖于波动函数的阶数,并随之变化;尺度函数表现出明显的非线性性质;多重分形谱呈现单峰钟形图像.     

我国股票市场的多重分形特征及其与风险的关系研究

通过q阶矩结构分割函数法和多重分形雏数谱法对我国股票市场的价格指数序列进行多重分形分析,得出结论:我国股票市场具有多重分形特征,但多重分形特征较弱.结合我国股票市场实际特征和风险的情况,引入多分形指标得到风险与多重分形之间的对应关系,从而可以从多标度分形分析的结果中提炼出对金融风险管理有益的信息,从而构架非有效市场条件...     

煤与瓦斯突出电磁辐射多重分形特征

利用固定质量法对煤岩电磁辐射多重分形维数进行了计算，电磁辐射强度序列具有多重分形的特征。电磁辐射多重分形Dq*q曲线的陡峭程度反映了其数据的波动程度，并用分形维数ΔDq指标来表达这种波动规律。通过对现场测试的煤岩电磁辐射序列的分析，其多重分形维数指标与煤与瓦斯突出灾害危险程度有较好的一致性，为电磁辐射预测预报煤与瓦斯突出提供了一种分析手段。     

海杂波多重分形特性分析与仿真

多重分形消除趋势波动分析方法(MF-DFA)是描述非平稳时间序列复杂波动的有效方法,本文提出将其用于海杂波分析,发现海杂波具有多重分形特性。在此基础上,运用多重分形小波模型对海杂波进行建模与仿真。通过数学分析和MF-DFA方法对仿真结果进行检验,分别从概率密度分布特性和多重分形特性角度验证了该模型的有效性。     

基于组合模型的网络业务流多重分形建模

研究表明网络业务流具有长相关、短相关特性以及小尺度上的多重分形特性的特点。将可以描述网络业务流波动情况的GARCH模型和可以描述网络业务流长相关特性和短相关特性的FARIMA模型引入网络业务流的多重分形建模中。提出了一种FARIMA/GARCH组合模型。数值仿真对比结果表明提出的FARIMA/GARCH组合模型对网络业务流多重分形谱描述更为准确,实现了对网络业务流多重分形特性的有效建模。     

螺纹钢线材市场的多重分形特征——基于上期所的实证研究

运用时间序列分析、多重分形谱以及重标极差分析方法(R/S分析法)对我国螺纹钢线材市场收益率序列进行实证研究.结果表明,我国螺纹钢和高线两种钢材收益率序列具有尖峰厚尾特征,并不服从正态分布,价格之间存在长记忆性,市场未达到弱势有效,从而质疑有效市场假说的合理性.且二者均存在明显的多重分形特征,价格仅用单一的标度指数对其进行描述是不充分的,多重分形分析方法为更好地描述钢材价格的变化规律提供了有力的工具.     

中国和国际汇率市场的多重分形比较

使用MF-DFA方法对中国汇率市场和国际汇率市场主要汇率的收益和波动的多重分形性质进行了实证分析,发现中国汇率市场和国际汇率市场的收益以及波动都存在明显的多重分形特征,且中国汇率市场的收益和波动的多重分形性质更为强烈.进一步验证了汇率收益以及波动序列的胖尾分布和长记忆性是多重分形产生的原因.     

下一代网络信令流量分析

经过研究下一代信令网的系统构成，分析了下一代网络(NGN)信令流量的特性，对比相关网络的流量特性，并分析自相似流量产生的原因，通过仿真下一代网络的信令流量，验证了下一代网络信令流量具有自相似、多分形的特性。还分析了自相似流量对下一代网络信令所产生的影响。     

基于多重分形的喜马拉雅山山脉特征研究

采用多重分形谱对喜马拉雅山山脉地貌特征进行分析,多重分形谱参数分层次地刻画了空间内部的精细结构,突出了异常局部变化特征,因此能够准确获取地貌特征信息;在此将美宇航局最近拍摄的一张被积雪覆盖的喜马拉雅山卫星照片图像进行处理,通过计算多重分形谱,提取了山脉分布的特征参数,在喜马拉雅山山脉具体分布以及探究地球面貌中产生积极意义。     

多重分形及其良恶性肺结节的识别

采用多重分形谱对肺部CT图像特征进行分析.多重分形谱参数可以分层次地刻画空间内部的精细结构,突出异常局部变化特征,获得更多、更准确的特征信息.从复杂的肺部CT图像数据中选出了具有明显个性特征的区域,与分形维数相结合可进一步对良恶性肺结节进行分类.结果表明,同分形维数方法相比,多重分形的奇异谱函数可以提供更多的信息,有效地克服了分形维数相同情况下不同肺结节无法区分的困难,使肺实质组织中的肺结节特征提取更符合实际情况.     

中国地区相对湿度与温度多分形特征对比分析

应用多分形去趋势涨落分析(MF-DFA)方法, 研究了中国地区相对湿度和温度序列的多分形特征差异, 并对比分析了其对应的奇异谱3个参数(奇异谱宽度Δα、奇异谱不对称性Δα_as和长程相关性α₀)的特征。结果表明: 1) 相对湿度序列的多分形强度弱于温度序列; 2) 相对湿度序列多分形性强的地区与温度序列有较大差异, 前者主要位于我国西南地区, 后者主要在华南和黄河以北地区; 3) 相对湿度序列的多分形不对称性强于温度序列; 4) 相对湿度序列的奇异谱均为左偏, 温度序列则基本是对称的; 5) 相对湿度序列的长程相关性大于温度序列。奇异谱的3个特征参数的组合完整地刻画了特定的长程相关特性, 相对湿度和温度序列多分形特征的不同, 揭示了其生成动力过程的差异。     

Information flow among neural networks with Bayesian estimation

Estimating the interaction among neural networks is an interesting issue in neuroscience. Some methods have been proposed to estimate the coupling strength among neural networks; however, few estimations of the coupling direction (information flow) among neural networks have been attempted. It is known that Bayesian estimator is based on a priori knowledge and a probability of event occurrence. In this paper, a new method is proposed to estimate coupling directions among neural networks with conditional mutual information that is estimated by Bayesian estimation. First, this method is applied to analyze the simulated EEG series generated by a nonlinear lumped-parameter model. In comparison with the conditional mutual information with Shannon entropy, it is found that this method is more successful in estimating the coupling direction, and is insensitive to the length of EEG series. Therefore, this method is suitable to analyze a short time series in practice. Second, we demonstrate how this method can be applied to the analysis of human intracranial epileptic electroencephalogram (EEG) recordings, and to indicate the coupling directions among neural networks. Therefore, this method helps to elucidate the epileptic focus localization.