数据挖掘中金融时间序列的粗糙聚类分析

论文摘要

传统统计分析与现代金融计量经济方法研究时间序列的主要思路是建立基于严格数学推导下的统计模型并对其进行参数估计与数据检验,目前已建立起一套较为成熟的理论体系。但该方法既依赖于苛刻的假设条件,又要求所有数据都符合一个固定的数学模型,显得过于牵强。数据挖掘研究时间序列的思路则不同,它由数据直接驱动建立模型,克服了上述的缺陷。时间序列数据挖掘已是当前的研究热点之一,人们也取得不少的研究成果,但对于时间序列相似性度量这一关键难题一直未能得到较好的解决,而很多时序挖掘方法都是建立在相似性的基础上,显然时间序列相似性度量直接影响着这些时序挖掘方法的结果,为此本文首先就该关键的基础性问题展开研究,进一步讨论了该度量方法在序列挖掘中的应用。由于数据挖掘方法众多,本文不可能一一涉及,所以只针对聚类分析进行深入的探讨。聚类分析不仅是数据挖掘的重要组成部分,同时也是多元统计分析的重要方法,在实际中有广泛的运用。本文绕开了已有较多成熟方法的硬聚类,而深入地研究了一种软聚类——粗糙聚类的方法及其在时间序列挖掘中的应用,同时从侧面反映了本文度量序列相似性方法的实用性。全文的主要工作及创新可归纳为以下几点。首先,结合小波分析的思想方法,提出一种基于小波多尺度变换的时间序列相似性度量方法,并通过金融时间序列的实例研究,说明该方法全面考虑了影响序列相似性度量的各种因素,很好地克服了已往方法无法兼顾序列整体形状轮廓与细节差异的缺陷。其次,在相似性度量方法的基础上,研究了序列粗糙聚类方法,通过金融实证研究表明粗糙聚类方法的优点。并深入研究了以下三个问题:(1)建立粗糙聚类质量指标,并研究不同阈值参数对聚类结果的影响;(2)将粗糙聚类法与层次聚类法进行整合,各取所长;(3)将软聚类转化为硬聚类,通过迭代剔除法对粗糙聚类结果精简化,并与之前聚类结果进行比较,说明其可行性。最后,本文模型方法尚无现成的软件模块实现,故本文还给出Matlab软件上具体实现的参考程序,结合实证研究取得较好的效果。

论文目录

• 内容摘要
• Abstract
• 第1章 绪论
• 1.1 数据挖掘的兴起
• 1.2 选题背景及意义
• 1.3 时间序列挖掘研究现状
• 1.4 本文主要工作与结构
• 第2章 小波分析及其多尺度变换
• 2.1 小波理论的发展及其特点
• 2.2 小波函数及小波变换
• 2.3 多尺度小波变换
• 2.4 本章小结
• 第3章 基于小波分析的时间序列相似性度量
• 3.1 序列相似性度量方法综述
• 3.2 基于小波分析的序列相似性度量
• 3.3 金融时间序列相似度量实例研究
• 3.4 数据库中算法的改进
• 3.5 本章小结
• 第4章 时间序列粗糙聚类分析
• 4.1 聚类方法综述
• 4.2 粗糙聚类方法
• 4.3 金融时间序列粗糙聚类实例研究
• 4.4 粗糙聚类方法的进一步完善
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 本文研究工作总结
• 5.2 有待进一步研究的工作
• 参考文献
• 附录一 算法一的参考程序
• 附录二 算法二的参考程序
• 附录三 算法三的参考程序
• 附录四 算法四的参考程序
• 附录五 算法五的参考程序
• 附录六 算法六的参考程序
• 致谢