分类
交易员的进阶之路

介绍时间序列数据和常见的金融分析方法

💡作者:(美)蔡瑞胸 出版社:机械工业出版社 出版时间:2006年4月1日 👍【推荐指数】🌟🌟🌟🌟🌟 🍀【本书核心内容】这本书已经是第三版,它的知名度只要是学金融的应该都知道。这本书最大的优点在于行文直接明了并配以大量实例来展示各种计量方法的应用。当然,从另一

介绍时间序列数据和常见的金融分析方法

随着金融业信息化建设的快速发展,金融数据量不断增多。如何对这些数据进行有效的分析成为研究的热点问题。近年来,针对金融数据动态、复杂、非线性的特点,人们将非线性理论引入,以期更加准确地从这些数据中揭示金融市场的运作规律。其中,介绍时间序列数据和常见的金融分析方法 分形技术是非线性理论中的一个分支,相关的研究表明在金融市场中分形现象是普遍存在的。本文围绕金融数据分析领域中的热点和难点问题,对基于分形技术的数据分析方法进行研究。针对金融数据的特点,研究了金融一元、多元时间序列分形维数的定义、计算方法和意义;并在此基础上,将分形维数与数据挖掘算法相结合用于解决金融数据分析中的关键问题——相似性分析、维数约简以及预测等。 论文的主要工作如下: 1.论述了相关的研究背景和意义,介绍了分形理论的发展概况,总结了分形技术在金融数据分析中运用的原理和方法。 2.介绍了金融时间序列中常用的分形维数计算方法,并探讨了维数求解的后期过程中数据的拟合方法。论文分别运用最小二乘法和最小二乘分段方法对数据进行拟合,相关的实验结果表明最小二乘分段拟合方法能够提高拟合性能,进而提高维数计算的准确率。 3.为了更好地表征金融时间序列的波动特征,提出了一种趋势分形维数的定义和计算方法。该维数分为阴线维和阳线维。通过对股票数据、汇率数据和期货数据的实验研究,表明阳线维或阴线维相对于传统的分形维数能够更好地指示金融市场的跌涨情况。 4.研究了金融时间序列中的相似性分析方法。提出将趋势分形维数和K-means聚类算法相结合的相似性分析方法,并对股指序列进行了相似性聚类研究。该方法首先利用趋势分形维数对时间序列进行表示,进而利用K-means算法对表示后的序列进行聚类。通过与传统分形维数表示下的聚类结果相比较,利用趋势分形维数表示的聚类结果更加准确。说明趋势分形维数比传统分形维数具有更准确和更细致的描述能力。这也进一步表明了趋势分形维数的意义和作用。 5.介绍时间序列数据和常见的金融分析方法 分析和比较了多元时间序列分形维数计算方法的异同点。进而提出一种多元时间序列维数计算方法,实验表明该方法简便、可行,取得的计算效果较好。 6.针对多元金融时间序列降维问题,提出一种基于蚁群算法和分形维数的属性选择方法。并在属性选择的基础上对多元时间序列的预测问题进行了研究,研究表明该改进算法具有较好的性能,能够识别出关键属性,提高预测的准确率。

介绍时间序列数据和常见的金融分析方法

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

shu

LI Hailin, ZHANG Liping. Summary of Clustering Research in Time Series Data Mining[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(3): 416-424. doi: 介绍时间序列数据和常见的金融分析方法 10.12178/1001-0548.2022055

shu

时间序列数据挖掘中的聚类研究综述

doi: 10.12178/1001-0548.2022055

华侨大学信息管理与信息系统系 福建 泉州 362021

华侨大学应用统计与大数据研究中心 福建 厦门 361021

作者简介:
通讯作者: 李海林,E-mail:[email protected]

中图分类号: TP273

Summary of Clustering Research in Time Series Data Mining

  • LI 介绍时间序列数据和常见的金融分析方法 Hailin 1, 2 , , ,介绍时间序列数据和常见的金融分析方法
  • ZHANG Liping 1

Department of Information Management and Information Systems, 介绍时间序列数据和常见的金融分析方法 Huaqiao University Quanzhou Fujian 362021

Research Center for Applied Statistics and Big Data, Huaqiao University Xiamen Fujian 361021

摘要: 鉴于时间序列数据的高维性和复杂性给数据挖掘带来的困扰以及聚类分析在时间序列数据挖掘领域中的重要性,对目前该领域国内外相关时间序列数据聚类研究的状况进行综述。时间序列聚类总体上可分为整体时间序列聚类、子序列聚类和时间点聚类3种,分别从特征表示、相似性度量、聚类算法和簇原型等方面来研究,同时也结合了具体的应用分析。根据时间序列数据挖掘中聚类存在的主要问题,提出了部分未来值得关注和研究的内容和方向,以便更好地促进时间序列数据聚类分析的研究与发展。

Abstract: In view of the high dimensionality and complexity of time series data bringing trouble to data mining and the importance of clustering analysis in the field of time series data mining, this paper summarizes the research status of time series data clustering at home and abroad. Time series clustering can be divided into the whole-time-series clustering, the subsequence clustering, and it can be studied from the aspects of feature representation, similarity measurement, clustering algorithm and cluster prototype, as well as the specific applications analysis. According to the main problems existed in the time series clustering, this work proposes some contents and directions 介绍时间序列数据和常见的金融分析方法 that are worthy of being researched in the future. All the work is to better promote the research and development of time series data clustering.

    Key words:
  • clustering analysis /
  • data mining /
  • high dimensionality 介绍时间序列数据和常见的金融分析方法 /
  • time series /
  • time series clustering

图 1 两种方法对整体时间序列数据层次聚类

下载: 全尺寸图片 幻灯片

图 2 时间序列数据聚类的主要研究问题

下载: 全尺寸图片 幻灯片

图 3 欧氏距离与动态时间弯曲度量

下载: 全尺寸图片 幻灯片

介绍时间序列数据和常见的金融分析方法 图 4 簇平均代表序列

下载: 全尺寸图片 幻灯片