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6条
1 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
2 张德富,熊腾科,邓安生;基于模糊修正的金融预测[J];计算机工程与应用;2005年25期
3 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
4 张凤贤;;基于金融时间序列的股票价格预测方法[J];计算机光盘软件与应用;2012年22期
5 李立辉,田翔,杨海东,胡月明;基于SVR的金融时间序列预测[J];计算机工程与应用;2005年30期
6 桂斌;黄立冬;周杰;杨小平;;金融时间序列模糊边界预测研究[J];小型微型计算机系统;2012年10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9条
1 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
2 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
3 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
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 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
6 李智;小波理论与经济金融时序应用研究[D];厦门大学;2007年
7 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
8 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
9 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
中国硕士学位论文全文数据库 前10条
1 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
2 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
3 吴大勤;金融时间序列的长记忆与分形协整关系研究[D];东南大学;2006年
4 周游;基于滑动平均算法对金融时间序列的研究[D];昆明理工大学;2012年
5 刘晓迪;基于小波变换的金融时间序列奇异点识别模型与研究[D];昆明理工大学;2011年
6 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
7 裴双喜;基于数据挖掘的金融时间序列预测分析与研究[D];大连海事大学;2008年
8 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
9 汤劼;基于小波分析的金融时间序列研究与应用[D];中国科学技术大学;2011年
10 王文利;基于数据挖掘的金融时间序列的小波理论应用[D];天津工业大学;2005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