基于小波和多重分形的金融时间序列聚类

为研究时间序列波动特征及其聚类,定义了反映序列波动特征的概率测度并考虑长期趋势项对时间序列多重分形分析的影响,采用小波分解与重构的方法去除低阶项,得到消除趋势项后的序列.比较消除趋势项前后序列的多重分形谱,结果显示多重分形谱的形状在消除趋势项后更加趋于钟形.由于多重分形谱可以定量表征序列的波动特征,将此方法应用于上海市场股票价格序列的波动特征分析,结果显示,消除趋势项后的上海市场股票价格序列的多重分形谱用于其波动特征的聚类具有更合理的物理意义.     

时间序列处理中一阶分形模糊滤波器效果分析

一阶分形模糊控制滤波器是一种自适应滤波器,根据噪声的分形特征量变化改变滤波器的控制参数,自动调整其滤波特性,可以应用于时间序列的处理中。分析了一阶分形模糊控制滤波器的频率-幅度特性,白噪声和有色噪声分形盒维数的变化;讨论了滤波器中时间序列的短时分形盒维数的定义及分形模糊控制函数形式及选用方式。针对一个低频信号混杂不同有色噪声的时间序列的滤波处理算例表明分形模糊控制滤波器能够提高信噪比,相对固定滤波器具有较小的均值误差;但是其过于简单的结构和对时间序列分形特征量应用的不准确影响其性能。提出改变分形模糊滤波器结构、利用噪声多重分形特征量并采用神经网络、查表法确定模拟控制函数等来改善分形滤波器性能的方法。     

一种时间序列表示算法及其在聚类中的应用

时间序列数据量远远大于普通数据库的特点,导致一些通用的数据挖掘工具直接应用于时间序列效果很不理想。为此提出了一种时间序列分段线性化表示算法,这种表示方法将大大提高相似性测量的计算速度。在分段线性化表示的基础上提出了一种相似性计算方法,该方法对于时间序列的多种变形都不敏感。将k-平均(k-mean)聚类算法应用于分段线性化表示的时间序列,聚类结果表明算法非常有效。     

中国股票市场的标度突变现象及其特征研究

以上证指数为例,运用MF-DFA方法对其进行多重分形消除趋势波动分析.结果发现该时序在整个标度范围上存在交叉突变现象,其交叉突变点将整个时间标度分为两个部分,每一部分具有不同的多重分形特征及标度指数.进一步地,对每一部分多重分形特征成因进行分析,发现股票市场的多重分形特征是由波动的相关性及厚尾的概率分布共同作用的,其中收益序列的波动相关性是形成多重分形特征的主要原因.最后,提出股票市场监管的几点启示.     

基于小波分析的股市波动的多重分形辨识

以上证指数和深圳成分指数日收盘价的时间序列为样本,利用小波分析方法剔除序列的噪声干扰,对序列保留的波动趋势进行多重分形辨识.通过 WTMM (小波变换模极大)计算配分函数,尺度函数和多重分形谱等,全面细致的量化了序列的局部及不同层次的波动奇异性.计算结果表明:去除噪声干扰后, 中国现行证券市场的波动呈现显著的多重分形特征.     

强沙尘暴时序的标度不变性分析

强沙尘暴规模的时间序列具有复杂的波动性.运用多重分形消除趋势波动分析法分析我国北方近49年来的强沙尘暴序列.发现序列具有长程相关性;并确认强沙尘暴是多重分形过程,进而得出序列的多重分形谱.在此基础上,探讨了序列长程相关性和多重分形特征与强风、沙源和热力不稳定等我国北方强沙尘暴形成的主要因素之间的联系.     

上海证券市场的多重分形特性分析

作者将多重分形分析的三种方法(配分函数分析法、奇异谱分析法和多重分形趋势消除波动分析法)应用于我国上海证券市场在过去七年中的收盘指数序列,分析了不同时间标度对多重分形特性的影响.结果表明:上海证券市场具有弱多重分形特征,标度不变性达到六个数量级;多重分形的形状不随时间标度的改变而改变,但其强度随标度的减小而减弱;随着配分阶数的增大,多重分形随之增强,奇异谱曲线越来越粗糙,广义赫斯特指数逐渐减小.这些结果为进一步研究证券市场价格变化的动力学机理提供了坚实的实证基础.     

基于分形理论和神经网络的红外图像分割算法

针对实现红外图像的分割,快速准确地检测出红外序列中的人造目标的需要,结合分形特征和Ko-honen神经网络的特点,提出了一种基于分形技术的图像分割算法。该算法利用自然背景和人造目标的不同分形特征检测目标,提出了包括分形维数在内的7个红外图像特征,结合神经网络的自组织学习能力来进行图像分割。给出了算法实现的具体步骤。仿真试验结果表明,该算法能有效地实现红外图像的分割。     

基于滑动窗口 MF-DFA 的股票风格资产收益多重分形分析

风格投资已逐渐成为基金构建投资组合的一种主流量化投资方法. 本研究在分析风格资产收益呈分形特征的基础上, 通过引入滑动窗口技术对传统的多重分形消除趋势波动分析法 (MF-DFA) 加以改进, 并对中信标普公司推出的 6 种股票纯风格资产指数日收益率序列的波动特征进行研究, 实证结果发现: 滑动窗口技术能有效减少因分割连接点处的不连续性而产生的伪波动误差; 风格资产指数日收益率序列均具有相关多重分形特征, 即原始序列具有持久性, 位置重构序列均具有反持久性, 且位置重构序列的多重分形特征显著弱于原始序列的多重分形特征, 表明风格资产指数收益序列的持久相关性是形成多重分形特征的主要原因; 价值、成长型比规模型风格资产具有更规律的多重分形特征, 表明价值、成长型比规模型风格资产的分形规律更明显. 本研究对基金公司、基金经理及时准确地把握股市风格动向以便构建适度风格漂移策略具有重要的理论价值与现实意义.     

基于Spark的并行图聚类算法研究

对并行图聚类算法进行了研究。基于Spark 提出了一个新的并行图聚类算法；由于Spark 中的top 操作需要耗费大量的内存，提出了一个新算法来替代top 操作，有效减少了所消耗的内存；通过对自底向上的层次聚类算法进行改进提高了聚类的速度；基于图数据的特征提出了一种图数据过滤的方法来减少算法运行的时间以及所占用的空间并对其有效性进行了说明。仿真结果表明，运行效果优于进行比较的其他并行化图聚类算法。     

混合自回归滑动平均模型———MARMA

提出一类新的用于非线性时间序列建模的混合自回归滑动平均模型(Mixture autoregressive movingaverage model简记MARMA).该模型条件分布富于变化的特点使得它能够描述非对称、多峰、以及条件异方差等非Gauss特征.研究得到了MARMA模型的平稳性条件和自相关函数.利用BIC(Bayes informationcriterion)准则来选择模型.运用EM(expectation maximization)算法估计模型的参数.将MARMA模型应用于一组金融数据,并和其它模型做比较.结果表明MARMA模型能够更准确地描述该数据的特征.     

基于小波和多维泰勒网动力学模型的金融时间序列预测

提出建立多维泰勒网动力学模型及参数辨识方法, 和基于小波多维泰勒网模型的金融时间序列预测方法. 利用Mallat算法将金融时间序列分解成一个低频信号和若干个高频信号; 对不同频率的时间序列建立多维泰勒网动力学模型; 通过共轭梯度法训练模型参数, 并进行预测; 将各模型的预测结果进行叠加, 得到原始序列的预测值. 实验结果表明, 这种金融时间序列预测方法具有较高的预测精度和预测方向正确率.     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

多分类概率极限学习机及其在剩余使用寿命预测中的应用

针对多分类极限学习机(extreme-learning-machine,ELM)缺乏概率输出能力问题,提出一种基于sigmoid后验概率映射和Lagrange成对耦合法的多分类概率ELM(multi-class probabilistic ELM,MPELM)。采用成对耦合法将多分类问题分解成多个二分类问题,利用sigmoid函数将二分类ELM输出映射成概率输出。为融合所有二分类概率输出,推导基于Lagrange乘子法的多分类概率计算公式,最终求解被预测样本分属不同类别的概率。将MPELM用于剩余使用寿命(remaining-useful life,RUL)预测,实验结果表明,相比于多分类概率支持向量机(multi-class probabilistic support vector machine,MPSVM),MPELM耗时高于MPSVM,但MPELM所需优化参数少,预测精度高于MPSVM;与基于Hastie成对耦合法的MPELM相比,两者预测精度相近,本文MPELM的测试耗时较少。     

基于多重分形模型的海杂波特性分析与仿真

在分析实测雷达海杂波数据时域特性的基础上,发现海杂波具有长时相关特性,且在较大的范围内具有尺度不变性,因此,利用多重分形模型可以较好的刻画海杂波的复杂特性。在此基础上,提出一种基于小波多重分形模型的海杂波建模与仿真方法。实验结果表明该方法可以较好的模拟海杂波的统计特性和多重分形特性,并且具有较小的计算量,为雷达海杂波的建模和仿真提供了一条新的思路和有效手段。     

AN EMPIRICAL ANALYSIS OF SAMPLING INTERVAL FOR EXCHANGE RATE FORECASTING WITH NEURAL NETWORKS

Artificial neural networks (ANNs) have been widely used as a promising alternative approach for forecast task because of their several distinguishing features. In this paper, we investigate the effect of different sampling intervals on predictive performance of ANNs in forecasting exchange rate time series. It is shown that selection of an appropriate sampling interval would permit the neural network to model adequately the financial time series. Too short or too long a sampling interval does not provide good forecasting accuracy. In addition, we discuss the effect of forecasting horizons and input nodes on the prediction performance of neural networks.     

基于CSP的Job shop调度算法研究

针对一类典型的约束满足问题——Job shop调度问题，提出一种CSP调度算法框架，详细讨论CSP调度算法中的工序开始时间窗、一致性预处理、搜索空间概率模型、工序排序启发、开工时间排序启发的求解方法。仿真结果表明CSP调度算法在较小的计算时间代价下，获得了FT10标准调度问题的近优解。     

随机活动工期下基于总不确定成本的项目前摄性调度与反应性调度集成优化

从成本经济角度研究活动工期随机中断下前摄性调度与反应性调度在应对不确定因素干扰中的集成优化问题，目标是最小化项目计划与实施过程的总成本。构建以总成本最优为目标的前摄性与反应性调度集成优化模型；针对模型特征设计混合变邻域随机禁忌搜索启发式算法，并在ProGen生成的算例上进行全因子测试。结果表明：基于随机属性的混合启发式算法在算例规模较大时可以发挥较好的作用；通过合理设置基准进度中缓冲分配方案，可以通过牺牲部分鲁棒性的方式获得项目总成本的最优。     

A Study of Multi-Scale Relationship Between Investor Sentiment and Stock Index Fluctuation Based on the Analysis of BEMD Spillover Index

According to behavioral finance theory, investor sentiment generally exists in investors' trading activities and influences financial market. In order to investigate the interaction between investor sentiment and stock market as well as financial industry, this study decomposed investor sentiment, stock price index and SWS index of financial industry into IMF components at different scales by using BEMD algorithm. Moreover, the fluctuation characteristics of time series at different time scales were extracted, and the IMF components were reconstructed into short-term high-frequency components, medium-term important event low-frequency components and long-term trend components. The short-term interaction between investor sentiment and Shanghai Composite Index, Shenzhen Component Index and financial industries represented by SWS index was investigated based on the spillover index. The time difference correlation coefficient was employed to determine the medium-term and long-term correlation among variables. Results demonstrate that investor sentiment has a strong correlation with Shanghai Composite Index, Shenzhen Component Index and different financial industries represented by SWS index at the original scale, and the change of investor sentiment is mainly influenced by external market information. The interaction between most markets at the short-term scale is weaker than that at the original scale. Investor sentiment is more significantly correlated with SWS Bond, SWS Diversified Finance and Shanghai Composite Index at the long-term scale than that at the medium-term scale.     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。