收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于特征分析的金融时间序列挖掘若干关键问题研究

黄超  
【摘要】:随着金融行业的竞争日益激烈,分析决策对数据的依赖性和敏感度也越来越高。在此背景下,许多金融机构开始运用更先进的信息技术与智能决策支持技术,对业务系统中积累的海量数据进行深入的分析,以发现有价值的各种规律。作为一种新兴的智能决策支持技术,数据挖掘逐步在金融行业中得到应用。 在金融领域,时间序列数据是一类重要的数据类型,对时间序列的挖掘是金融数据挖掘的一个重要内容。本文在分析金融时间序列特征与实际应用需求的基础上,针对金融时间序列挖掘的若干关键问题进行了研究,这些问题的研究对于金融领域的趋势分析与趋势预测、数据的精确建模、风险分析以及投资组合研究等方面有着重要的意义。总的说来,本文的主要研究成果包括: (1)针对金融时间序列的趋势性和趋势变动性,提出了一种基于回归系数的时间序列维约简与相似性查找方法。本文首先证明了对于任意长度的时间序列,可以仅使用常数存储空间、在线性时间内递推计算其回归系数。在此基础上提出了一种基于回归系数的时间序列维约简方法——逐段回归近似(PRA),该方法具有线性时间复杂度,并且对均值平稳的独立噪声干扰不敏感。同时本文证明了使用PRA方法进行相似性查找满足下界定理(也称为收缩性),因而是有效的。对实际数据的实验结果表明,使用PRA方法,可以对金融时间序列进行基于趋势与趋势变动的相似性查找,这一点在外汇、期货市场的数据分析中尤为重要。 (2)针对金融时间序列的自相关特征以及底层生成机制的动态变化特征,提出了一种基于ARMA模型的联机时间序列分割算法。根据ARMA模型的最小方差预测特性,首先提出了一种用于度量当前ARMA模型是否适合描述后续数掘的指标——适合度。在此基础上,提出了一种基于ARMA模型的联机时间序列分割算法,算法通过计算模型对后续数据段的适合度,判断当前模型是否适合继续描述后续数据,从而对模型进行动态调整,或者对序列进行分割并逐段建立ARMA模型。实验结果表明,对跨越较长时期的金融时间序列逐段建立ARMA模型,不仅能够用于分析数据的底层生成机制与自相关特征的变化情况,并且能对序列进行更精确的建模。 (3)基于金融时间序列的自相似性与波动聚集性,提出了一种新的波动聚集性模型——基于自相似的波动聚集模型,用于研究在不同时段,序列波动的自相似特征。为了研究该模型,提出了一种新的基于线性回归模型的联机时间序列分割算法,与以往基于拟合误差的分割算法不同,该算法根据序列的拟合


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 何典;梁英;;金融时间序列数据挖掘的研究与应用[J];世界科技研究与发展;2008年01期
2 闫洪举;;基于深度学习的金融时间序列数据集成预测[J];统计与信息论坛;2020年04期
3 韩文蕾;李军;;金融时间序列的混沌识别[J];科技通报;2006年02期
4 徐正国,张世英;高频金融时间序列研究:回顾与展望[J];西北农林科技大学学报(社会科学版);2005年01期
5 闫洪举;;金融时间序列数据预测:文献回顾与展望[J];金融教育研究;2021年03期
6 叶建萍;;探讨基于支持向量机的高频金融时间序列预测[J];中小企业管理与科技(中旬刊);2019年12期
7 张霞;;浅析多变量金融时间序列的非线性检验及重构[J];财富时代;2020年02期
8 张洪水;程刚;陆凤彬;;高频金融时间序列的模型化研究进展回顾[J];数学的实践与认识;2011年03期
9 兰秋军,马超群,文凤华;金融时间序列去噪的小波变换方法[J];科技管理研究;2004年06期
10 周孝华,宋坤;高频金融时间序列的异象特征分析及应用——基于多重分形谱及其参数的研究[J];财经研究;2005年07期
11 杨叶笛;姜翔程;;基于高频金融时间序列特性的金融项目风险测度研究[J];项目管理技术;2014年01期
12 江孝感;王利;朱涛;;向量金融时间序列协整与协同持续关系——基于理论的思考[J];管理工程学报;2008年01期
13 李晓玲,卢九江;高频金融时间序列统计特征[J];统计与决策;2004年12期
14 汤劼;程希骏;;基于小波的金融时间序列波动性研究[J];信息网络安全;2011年06期
15 方昕;李兴兴;曹海燕;潘鹏;;基于金融时间序列的符号聚合近似测度的改进[J];杭州电子科技大学学报(自然科学版);2019年01期
16 唐勇;张世英;张瑞锋;;高频金融时间序列的协同持续关系研究[J];系统工程学报;2006年05期
17 温洁;;ESO在金融领域的应用[J];时代金融;2007年05期
18 曹潇;;金融时间序列中同积向量的充分改进最小二乘估计研究[J];唐山学院学报;2014年06期
中国重要会议论文全文数据库 前1条
1 张硕;惠晓峰;;金融时间序列的确定性成分与随机成分的分离[A];第十三届中国管理科学学术年会论文集[C];2011年
中国博士学位论文全文数据库 前17条
1 黄超;基于特征分析的金融时间序列挖掘若干关键问题研究[D];复旦大学;2005年
2 赵龙峰;金融时间序列的交叉关联研究[D];华中师范大学;2018年
3 王文静;金融时间序列的长记忆特性及预测研究[D];天津大学;2009年
4 李勇;金融时间序列多尺度分析[D];中国科学技术大学;2013年
5 刘立霞;多变量金融时间序列的非线性检验及重构研究[D];天津大学;2007年
6 吴学雁;金融时间序列模式挖掘方法的研究[D];华南理工大学;2010年
7 黄焱;基于流形学习的金融数据分析方法研究[D];电子科技大学;2015年
8 兰秋军;金融时间序列隐含模式挖掘方法及其应用研究[D];湖南大学;2005年
9 苏木亚;谱聚类方法研究及其在金融时间序列数据挖掘中的应用[D];大连理工大学;2011年
10 汤凌冰;基于支持向量机的金融时间序列回归分析[D];上海交通大学;2010年
11 张承钊;一种金融市场预测的深度学习模型:FEPA模型[D];电子科技大学;2016年
12 李智;小波理论与经济金融时序应用研究[D];厦门大学;2007年
13 张贵生;数据驱动的金融时间序列预测模型研究[D];山西大学;2016年
14 卢山;基于非线性动力学的金融时间序列预测技术研究[D];东南大学;2006年
15 黄冬;面向网络金融知识服务的模型与方法研究[D];哈尔滨工业大学;2015年
16 谢琪;基于机器学习的金融时间序列分析方法及其应用[D];武汉科技大学;2020年
17 牛通;非线性范式下时间序列预测方法研究[D];东北财经大学;2020年
中国硕士学位论文全文数据库 前20条
1 顾涵;支持向量回归在高频金融时间序列中的应用研究[D];江西财经大学;2019年
2 滕越;金融时间序列高阶矩波动性和多尺度复杂性研究[D];北京交通大学;2019年
3 李兴兴;金融时间序列的建模与预测[D];杭州电子科技大学;2018年
4 陈璐;基于LSTM模型的金融时间序列预测算法研究[D];哈尔滨工业大学;2019年
5 杨雅婷;金融时间序列的多频组合模型及其应用[D];西安电子科技大学;2019年
6 张永平;金融时间序列的不可逆性和置换熵研究[D];北京交通大学;2018年
7 龙婧;面向金融时间序列奇异性特征的数据挖掘方法研究与应用[D];昆明理工大学;2018年
8 黄婷婷;机器学习在金融领域的应用[D];中国科学技术大学;2018年
9 凡婷;基于小波分析理论的GARCH模型在金融时间序列中的应用研究[D];西华师范大学;2018年
10 李文洋;基于EEMD-MARS-SVR模型的证券市场分析[D];上海社会科学院;2017年
11 王海沣;复杂金融时间序列的若干问题研究[D];北京交通大学;2017年
12 吴萌;高频金融时间序列的研究与建模[D];电子科技大学;2006年
13 张晓娟;金融时间序列多级分形分析及其在信息挖掘的应用[D];电子科技大学;2008年
14 刘雪怡;基于粒复杂网络的金融时间序列波动性研究[D];山东师范大学;2020年
15 程勰;基于小波分析的金融时间序列风险度量值估计方法与实证研究[D];暨南大学;2016年
16 张娇;高频金融时间序列波动性研究[D];电子科技大学;2009年
17 赵俊;隐马尔可夫模型及其在金融时间序列中的应用研究[D];合肥工业大学;2012年
18 周广;微博内容挖掘与金融时间序列关联性研究[D];北京邮电大学;2016年
19 李谦;现代优化算法在金融时间序列参数估计中的应用[D];暨南大学;2011年
20 羊巍;人工神经网络在金融时间序列数据预测中的应用研究[D];贵州大学;2009年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978