金融時間序列隱含模式挖掘方法及其應用研究.pdf

1、目前已有金融計量經(jīng)濟方法主要通過統(tǒng)計模型從全局的角度來研究時間序列，這種方法一方面依賴苛刻的假設條件，另一方面它要求所有數(shù)據(jù)都符合一個固定的數(shù)學模型，顯得過于牽強。因而它們在許多實際應用中往往是失敗的。針對這些不足，本文從一個新的角度，即從尋找序列中局部模式入手來獲取金融序列中隱含特征信息。盡管時序挖掘正是當前研究熱點，人們已取得不少成果，但是關于如何從金融時間序列中獲取有價值的隱含模式的理論、方法和應用的研究都還相當缺乏，為此本文就其

2、中的若干關鍵問題以及金融中的實際應用展開了研究，并提出了若干新的思想和方法。具體包括： (1)分析了金融時間序列隱含模式挖掘的可行性，指出盡管技術分析還缺乏有力的理論依據(jù)而受到很多人的懷疑，并且與有效市場相悖，但技術分析仍然受到很多人的追捧，不能簡單地認為他們是“別無選擇”。并且市場是否有效還存在諸多爭議，人們還難以否定歷史數(shù)據(jù)對未來市場的可預測性。指出通過挖掘隱含局部模式來進行預測是一種新的思想和嘗試； (2)根據(jù)金融

3、時間序列的特點，本文選取小波方法進行去噪預處理。探討了有關小波非線性閾值法去噪過程中，小波函數(shù)、閾值確定方法和小波分解層次等若干關鍵參數(shù)的選取問題； (3)時間序列相似性度量是時間序列挖掘中的一個基本問題，已有的相似度量方法都沒有將相似度量的主觀偏好性考慮進去，鑒于金融市場的復雜性，充分利用市場中有經(jīng)驗投資者對相似性的獨特見解更有可能將其經(jīng)驗提升為規(guī)則。因而提出了一種反映主觀偏好性的三分量加權相似度量模型，它從水平、幅度、相關性

4、三方面來考慮序列的相似性。為了求解偏好參數(shù)，通過可視化操作將其轉化為一非線性優(yōu)化問題，并采用遺傳算法進行求解； (4)從序列中挖掘出隱含模式的一個直接應用，就是希望其能提供對未來的預測信息。本文提出了時間序列事件征兆模式挖掘的有關概念和相應的方法TSEOPM。實驗結果表明，無論對確定性時間序列還是隨機性較強的時間序列，TSEOPM都能非常有效地找出事件的征兆模式，因此將其用于預測能獲得比較好的效果； (5)不同序列間的關

5、聯(lián)模式也是一類隱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機制的原理挖掘關聯(lián)模式的方法。它包括線性化分段、聚類并符號化以及關聯(lián)模式挖掘等過程，本文對它們都進行了詳細闡述。并且為考察其有效性，給出了兩個模擬實驗。 (6)最后，探討了隱含序列模式挖掘在金融領域的實際應用問題。其中將事件征兆模式挖掘用于深滬A股市場的分析，發(fā)現(xiàn)我國股市利用本文征兆模式具有較強的可預測性，因而市場并沒有如一些文獻所認為的已經(jīng)達到弱式有效，肯定了