一种基于趋势分形维数的股指时间序列相似性分析方法

为了提高股指时间序列相似性分析的准确性, 提出趋势分形维数的概念, 并基于此定义了相似性分析方法. 趋势分形维数包含阳线维和阴线维, 能更好地反映市场跌涨变化趋势, 基于该维数的相似性度量方法能够提高相似性度量的准确性. 通过与其他两种相似性度量方法对比, 进一步说明该方法的优越性.     

基于多维形态特征表示的时间序列相似性度量

特征表示和相似性度量是时间序列数据挖掘的基础工作, 其质量好坏直接影响后期的挖掘结果. 利用正交多项式回归模型对时间序列进行多维形态特征表示, 分析特征维数对时间序列拟合效果的影响, 选取部分特征来描述序列的主要形态趋势, 提出了一种鲁棒性较强的形态特征相似性度量方法来近似度量时间序列, 且具有较高的相似性度量质量. 实验结果表明, 基于多维形态特征表示的时间序列相似性度量方法不仅满足下界要求, 具有较好的下界紧凑性和数据剪枝能力, 而且在时间序列聚类和分类等数据挖掘任务中取得了良好的效果.     

国际股指波动性的非对称效应异方差模型及聚类分析

为了分析我国与国际上其他已推出股指期货的国家或地区股指波动特征的相似性,采取传统时间序列模型分析与数据挖掘技术相结合的方法,对全球23个国家或地区的股指波动特征作了聚类分析.首先,针对股指收益序列的非对称性和异方差特性,建立非对称效应异方差模型并估计其模型系数.然后,对特征抽取后的系数使用欧氏距离判断序列之间的相似程度并进行层次聚类分析.最后,通过实证检验各个国家或地区的股指波动相似性,找出了与我国情况较为近似的国家或地区,从而证实了本文方法的有效性.     

基于主趋势辨识和智能残差修正的股指时间序列预测

针对股指时间序列存在信噪比低、干扰因素多、随机波动强的特点,提出一种基于主趋势辨识和智能残差补偿的股指序列预测方法。一方面利用奇异谱分析方法对股指时间序列重构,提取股指时间序列的主要趋势,采用自回归方法实现对主趋势的辨识;另一方面将主趋势模型与实际股指时间序列的残差,采用GA-SVM算法对残差进行学习,所得结果对自回归模型进行修正。实证分析结果表明,采用本文算法能够有效的将预测精度控制在7%以内,同时与灰色预测算法以及神经网络算法相比,在RMSE、MAPE和F三项指标,占有一定的优势,从而提供了一种新的分析股指时间序列的有效途径。     

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.     

基于方差波动多重分形特征的金融时间序列聚类

提出了一种新的概率函数计算方法，用于研究金融时间序列在方差波动方面的多重分形特征。在此基础上提出了一种基于多重分形的时间序列聚类算法，该算法能够根据不同的分析目的，灵活地使用不同的概率函数以及序列的多重分形特征参量进行聚类。对上海证券市场实际数据的实验结果表明，本文提出的聚类算法是灵活有效的。     

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.     

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.     

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.     

时间序列重构相空间中系统定性行为建模与仿真

提出了一种以重构相空间为基础,从实验时间序列研究未知系统动力学的新方法.定义了重构相空间中系统定性状态和定性行为的概念,根据系统动力学特性对模糊聚类方法进行改造,用于自动提取系统的定性状态.基于这些定性状态,给出了系统定性行为的两种表示方法:时序定性状态图和定性状态转移图.分别运用Lorenz系统产生的时间序列和癫痫脑电时间序列对提出的方法进行仿真实验,结果表明,该方法能有效提取系统的定性状态,每个定性状态中的向量之间具有高度的相似性.系统定性行为的两种表示方法均能准确地刻画系统行为中的非线性动力学特征.     

基于EEMD的投资者情绪与股指波动的关系研究

基于集成经验模态分解（ensemble empirical mode decomposition, EEMD）对非线性、非平稳性金融时间序列的有效 处理, 运用EEMD方法分别将投资者情绪和股指价格序列分解成若干个独立的、不同尺度的IMF分量和一个残余项, 提取出 序列在不同时间尺度下的波动特征, 并将得到的IMF分量和残余项按照高低频重构为序列的短期波动项, 中期重大事件 影响项和长期趋势项, 进一步结合计量模型考察投资者情绪和股指价格序列在不同时间尺度下的波动关联性. 实证结 果表明, 投资者情绪与股指价格波动在不同时间尺度下呈现出不同的波动关系： 短期投资者情绪与股指价格波动存 在双向影响, 中期投资者情绪波动领先于股指价格波动, 而长期则转变为股指价格领先投资者情绪波动.     

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.     

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。     

基于数学形态学的混沌信号分数维提取研究

针对具有混沌分形特性的时间序列求取分数维的研究,提出了一种新的基于数学形态学的提取方法。该方法计算速度快,对Lorenz等系统进行的试验表明,其相关维与给出的新算法的计算结果很接近,为快速提取混沌分形特征提供了可能。在选择膨胀和腐蚀的尺度时要注意选择的尺度越合适,计算精度越高,并且越能反映时间序列的局部特性。     

股指与股指期货日内互动关系研究

旨在应用高频数据分析股指与股指期货日内互动关系.研究发现标准普尔500指数现货市场与其期货市场收益率之间存在即时互动关系,这与国外已有研究的结果不一致.为了更进一步研究信息在现货市场与期货市场之间流动的方式,文中采用了三种方法度量股指期现市场的波动性,并且检验了两个市场波动率之间的先行-滞后关系.结果发现,股指期货先行时间明显比股指先行时间要长,股指与股指期货对不同类型的信息反映速度是不一致的.     

基于动态时间弯曲的区间值时间序列匹配算法

结合vague集的优点,将区间值的思想应用于时间序列研究,定义了基于区间值的时间序列.同时,在综合分析了不同的vague值(区间值)的相似度量的缺点后,提出了一种新的基于vague值的相似度量,并结合动态时间弯曲的思想,给出了一个基于动态时间弯曲的区间值时间序列的相似性匹配算法.     

证券市场的标度理论及实证研究

运用分形理论探讨证券市场的自相似性与标度不变性 ,分析三种标度指数 ,即自相关指数、Hurst指数、基于 DFA算法的标度指数 .基于标准差时间序列改进 Hurst指数 ,将 DFA推广为动态递推算法 .利用三种标度指数对国内沪深股市进行实证研究 .结果表明 ,沪深股市收益率均不服从正态分布 ,在跨时间尺度的股价指数之间存在着相关性 ,表现为分形时间序列 ,说明其背后所隐含的政策导向影响中国股票市场的特征 .     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.     

一种基于会话聚类算法的Web使用挖掘方法

Web使用挖掘作为数据挖掘的一个重要任务,有助于了解用户群体的特征,从而为其提供个性化服务.提出了一种基于用户会话聚类的Wei使用挖掘算法.首先,对Web日志预处理采用基于时间窗的用户会话识别方法,提出了一种基于三元组的用户会话表示方法,并在此基础上给出了基于网页语义相似性的会话处理方法,该方法能够在保持用户兴趣不变的情况下有效降低会话维度;其次,提出了一种基于时间及频次的用户会话相似性度量方法;最后,设计了一种两阶段PS-KM会话聚类算法,先用PSO方法进行全局搜索再转入基于K-means方法的局部聚类过程.仿真表明了算法的有效性.