论文题目: 金融时间序列隐含模式挖掘方法及其应用研究
论文类型: 博士论文
论文专业: 管理科学与工程
作者: 兰秋军
导师: 马超群
关键词: 金融,数据挖掘,时间序列,征兆模式,关联模式,有效市场,相似性
文献来源: 湖南大学
发表年度: 2005
论文摘要: 目前已有金融计量经济方法主要通过统计模型从全局的角度来研究时间序列，这种方法一方面依赖苛刻的假设条件，另一方面它要求所有数据都符合一个固定的数学模型，显得过于牵强。因而它们在许多实际应用中往往是失败的。针对这些不足，本文从一个新的角度，即从寻找序列中局部模式入手来获取金融序列中隐含特征信息。尽管时序挖掘正是当前研究热点，人们已取得不少成果，但是关于如何从金融时间序列中获取有价值的隐含模式的理论、方法和应用的研究都还相当缺乏，为此本文就其中的若干关键问题以及金融中的实际应用展开了研究，并提出了若干新的思想和方法。具体包括：(1) 分析了金融时间序列隐含模式挖掘的可行性，指出尽管技术分析还缺乏有力的理论依据而受到很多人的怀疑，并且与有效市场相悖，但技术分析仍然受到很多人的追捧，不能简单地认为他们是“别无选择”。并且市场是否有效还存在诸多争议，人们还难以否定历史数据对未来市场的可预测性。指出通过挖掘隐含局部模式来进行预测是一种新的思想和尝试；(2) 根据金融时间序列的特点，本文选取小波方法进行去噪预处理。探讨了有关小波非线性阈值法去噪过程中，小波函数、阈值确定方法和小波分解层次等若干关键参数的选取问题；(3) 时间序列相似性度量是时间序列挖掘中的一个基本问题，已有的相似度量方法都没有将相似度量的主观偏好性考虑进去，鉴于金融市场的复杂性，充分利用市场中有经验投资者对相似性的独特见解更有可能将其经验提升为规则。因而提出了一种反映主观偏好性的三分量加权相似度量模型，它从水平、幅度、相关性三方面来考虑序列的相似性。为了求解偏好参数，通过可视化操作将其转化为一非线性优化问题，并采用遗传算法进行求解；(4) 从序列中挖掘出隐含模式的一个直接应用，就是希望其能提供对未来的预测信息。本文提出了时间序列事件征兆模式挖掘的有关概念和相应的方法TSEOPM。实验结果表明，无论对确定性时间序列还是随机性较强的时间序列，TSEOPM都能非常有效地找出事件的征兆模式，因此将其用于预测能获得比较好的效果；(5) 不同序列间的关联模式也是一类隐含在序列中的很有趣的特征信息。本文提出了基于共同作用机制的原理挖掘关联模式的方法。它包括线性化分段、聚类并符号化以及关联模式挖掘等过程，本文对它们都进行了详细阐述。并且为考察其有效性，给出了两个模拟实验。(6) 最后，探讨了隐含序列模式挖掘在金融领域的实际应用问题。其中将事博士学位论文件征兆模式挖掘用于深沪A股市场的分析，发现我国股市利用本文征兆模式具有较强的可预测性，因而市场并没有如一些文献所认为的己经达到弱式有效，肯定了技术分析的可行性。此外，将关联模式挖掘用于不同股票间的分析，发现了一些表面无关的股票，内部其实存在局部关联特征。最后就本文研究方法在技术交易决策系统中的应用进行了举例，给出了一技术交易决策系统的原型，其最大优点在于能部分满足投资者自助式、个性化的需求。 本文工作受国家自然科学基金项目(编号70371028)资助关键词:金融;数据挖掘;时间序列;征兆模式;关联模式;有效市场;相似性一V一
论文目录:
摘要
ABSTRACT
第1章 绪论
1．1 选题背景及意义
1．2 隐含模式存在的可能性
1．2．1 基础分析与技术分析
1．2．2 市场有效性问题
1．3 数据挖掘技术的兴起
1．4 时间序列挖掘研究现状
1．4．1 一般时间序列挖掘研究现状
1．4．2 时间序列挖掘面临的主要问题
1．4．3 金融时间序列挖掘的应用研究
1．5 时间序列挖掘与模型法的比较分析
1．6 本文研究内容及组织
1．6．1 研究内容
1．6．2 论文组织结构
第2章 金融时间序列的小波去噪预处理
2．1 金融时间序列的特性
2．2 常见滤波法对金融序列去噪的缺陷与小波法的优势
2．2．1 常见滤波法的缺陷分析
2．2．2 小波方法对金融时间序列去噪的优势
2．3 小波变换简介
2．4 小波去噪的基本原理
2．4．1 小波系数模极大值法去噪原理
2．4．2 非线性小波变换阈值法去噪原理
2．5 金融时间序列小波去噪参数的选取分析
2．5．1 去噪的指导思想
2．5．2 小波函数的选取分析
2．5．3 阈值的确定准则
2．5．4 分解层次的去噪影响
2．6 去噪实例
2．7 本章小结
第3章 金融时间序列相似度量的偏好模型
3．1 影响序列相似性度量的因素
3．2 已有序列相似性度量方法综述
3．2．1 直接距离法
3．2．2 基于傅立叶变换的方法
3．2．3 ARMA模型参数法
3．2．4 基于规范变换的方法
3．2．5 时间弯曲模型法
3．2．6 界标模型法
3．3 金融时间序列挖掘的相似偏好要求
3．4 反映相似偏好的三分量模型
3．5 模型偏好参数的确定
3．5．1 基本思想与步骤
3．5．2 求解偏好参数的遗传算法
3．5．3 偏好测定序列的设定问题
3．6 模型验证
3．7 本章小结
第4章 金融时间序列隐含事件征兆模式挖掘
4．1 挖掘征兆模式的意义
4．2 相关工作
4．2．1 频繁模式与关联规则的挖掘研究
4．2．2 序贯模式的挖掘研究
4．2．3 时间序列频繁模式的挖掘研究
4．2．4 时态模式挖掘研究
4．3 TSEOPM的基本概念与定义
4．4 TSEOPM的思想基础与实现框架
4．5 事件兴趣函数与投影函数
4．6 征兆点的搜索
4．7 模式聚类与候选征兆模式中心的确定
4．7．1 聚类方法选择分析
4．7．2 层次聚类法
4．7．3 候选模式中心点的确定
4．8 模式鉴别与输出
4．9 模拟实验
4．9．1 确定性时间序列数据上的 TSEOPM挖掘实验
4．9．2 随机时间序列数据上的 TSEOPM挖掘实验
4．10 本章小结
第5章 金融时间序列间隐含关联模式挖掘
5．1 关联模式概述
5．2 时间序列的符号化处理
5．2．1 序列分割
5．2．2 线段模式聚类
5．3 基于共同机制思想的关联模式挖掘
5．3．1 基本定义及原理
5．3．2 挖掘算法
5．4 模拟实验
5．4．1 模拟数据的生成
5．4．2 同向作用的挖掘结果
5．4．3 反向作用的挖掘结果
5．5 关于参数设置的讨论
5．6 本章小结
第6章 隐含模式挖掘在金融市场中的应用研究
6．1 征兆模式挖掘对我国股市有效性的分析
6．1．1 研究方案及步骤
6．1．2 挖掘参数设定
6．1．3 挖掘结果分析及结论
6．2 关联模式挖掘应用于股票关联特征分析
6．3 基于隐含模式挖掘的技术交易决策系统原型
6．4 本章小结
结论
参考文献
致谢
附录A 作者在攻读博士学位期间参与的科研工作及论文情况
附录B 沪市 A股市场验证结果
附录C 深市 A股市场验证结果
发布时间: 2005-04-04
参考文献
- [1].基于非线性动力学的金融时间序列预测技术研究[D]. 卢山.东南大学2006
- [2].小波理论与经济金融时序应用研究[D]. 李智.厦门大学2007
- [3].金融时间序列的交叉关联研究[D]. 赵龙峰.华中师范大学2018
- [4].金融时间序列的长记忆特性及预测研究[D]. 王文静.天津大学2009
- [5].金融时间序列多尺度分析[D]. 李勇.中国科学技术大学2013
- [6].多变量金融时间序列的非线性检验及重构研究[D]. 刘立霞.天津大学2007
- [7].基于流形学习的金融数据分析方法研究[D]. 黄焱.电子科技大学2015
- [8].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]. 苏木亚.大连理工大学2011
- [9].基于支持向量机的金融时间序列回归分析[D]. 汤凌冰.上海交通大学2010
- [10].数据驱动的金融时间序列预测模型研究[D]. 张贵生.山西大学2016