金融时间序列的分析与挖掘_吴学雁著_9787535970022

　　在金融领域中，时间序列是非常重要的一种数据类型，例如证券市场中的股票价格和交易量、外汇市场上的汇率、期货和黄金的交易价格等，这些数据都形成了持续不断的时间序列。金融市场中的时间序列主要使用基础分析和技术分析方法进行分析，这两种方法使用简单，但是无法对数据中隐含的更深层次的规律和特征进行挖掘。数理统计分析方法是目前金融时间序列分析中比较常用的方法，随着数据量的不断增加，这种方法的分析能力存在一定的缺陷，各种数理统计分析方法都无法有效地处理较大规模的数据集，也不适合从大量数据中主动地发现各种潜在的规则。因此面对金融行业不断涌现的海量数据，需要寻找新的数据分析和挖掘的方法。
　　《金融时间序列的分析与挖掘》将数据挖掘技术运用到金融时间序列研究中，使用关联规则、聚类分析等数据挖掘方法对金融时间序列中的隐含模式进行挖掘，本文的创新点主要基于以下几个方面：
　　（1）针对金融时间序列需要保留形态特征与趋势特征的特点，提出了适合金融时间序列的多层次极值点分段表示法（MEPS），此方法能在多个层次上很大限度地保留关键特征点信息，从而能更好地捕捉和表示时间序列的形态和走势。
　　（2）针对金融时间序列需要保留形态特征与趋势特征的特点，在MEPS算法的基础上提出了分层的动态时间弯曲相似性度量方法（HDTW）及其改进方法IHDTW，将时间序列在不同层次上进行分段，然后计算对应分段层次中子序列间的相似性，最后汇总得到序列间的相似度，在算法中对动态时间弯曲算法（DTW）进行了改进，并且考虑到了分层的均匀因素及趋势因素，实验结果证明能大大提高相似性度量的效果和效率。
　　（3）金融市场的运行非常复杂，其中人的因素也非常重要，为了在金融时间序列挖掘的过程中更好地体现用户的实际需求，提出了基于事件的时间序列相似性度量方法（SMBE），此算法通过对事件的定义引入用户在相似性度量时的偏好与需求，并设计了基于SMBE的层次聚类算法，完全以事件的相似性为中心进行聚类，定义了类间相似度和类间一般距离两个参数，并以它们之间的比较作为判断类间距离的依据，使得时间序列相似性度量及其聚类的结果更加符合实际金融市场的状态与需求。

　　在金融领域中，时间序列是非常重要的一种数据类型，例如证券市场中的股票价格和交易量、外汇市场上的汇率、期货和黄金的交易价格等，这些数据都形成了持续不断的时间序列。金融市场中的时间序列主要使用基础分析和技术分析方法进行分析，这两种方法使用简单，但是无法对数据中隐含的更深层次的规律和特征进行挖掘。数理统计分析方法是目前金融时间序列分析中比较常用的方法，随着数据量的不断增加，这种方法的分析能力存在一定的缺陷，各种数理统计分析方法都无法有效地处理较大规模的数据集，也不适合从大量数据中主动地发现各种潜在的规则。因此面对金融行业不断涌现的海量数据，需要寻找新的数据分析和挖掘的方法。本书将数据挖掘技术运用到金融时间序列研究中，使用关联规则、聚类分析等数据挖掘方法对金融时间序列中的隐含模式进行挖掘，本文的创新点主要基于以下几个方面：
　　（1）针对金融时间序列需要保留形态特征与趋势特征的特点，提出了适合金融时间序列的多层次极值点分段表示法（MEPS），此方法能在多个层次上最大限度地保留关键特征点信息，从而能更好地捕捉和表示时间序列的形态和走势。
　　（2）针对金融时间序列需要保留形态特征与趋势特征的特点，在MEPS算法的基础上提出了分层的动态时间弯曲相似性度量方法（HDTW）及其改进方法IHDTW，将时间序列在不同层次上进行分段，然后计算对应分段层次中子序列间的相似性，最后汇总得到序列间的相似度，在算法中对动态时间弯曲算法（DTW）进行了改进，并且考虑到了分层的均匀因素及趋势因素，实验结果证明能大大提高相似性度量的效果和效率。
　　（3）金融市场的运行非常复杂，其中人的因素也非常重要，为了在金融时间序列挖掘的过程中更好地体现用户的实际需求，提出了基于事件的时间序列相似性度量方法（SMBE），此算法通过对事件的定义引入用户在相似性度量时的偏好与需求，并设计了基于SMBE的层次聚类算法，完全以事件的相似性为中心进行聚类，定义了类间相似度和类间一般距离两个参数，并以它们之间的比较作为判断类间距离的依据，使得时间序列相似性度量及其聚类的结果更加符合实际金融市场的状态与需求。

你还可能感兴趣

我要评论