文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 经管营销 > 金融/投资 > 一种面向金融时间序列的趋势特征挖掘算法研究
侵权投诉

一种面向金融时间序列的趋势特征挖掘算法研究

时序数据相似性挖掘是数据挖掘中的重要研究内容。本文根据金融事件序列自身特点,将股票中的时间序列转换为以价格变动率为变量的时间序列,对趋势特征提取、聚类算法进行改进,并给出新的相似度量标准,将时间序列的预测问题转化为频繁和有效特征集的发现问题,进而进行挖掘预测。实验结果表明,该方法能有效预测时间序列中的事件。

财经论坛 一

种面向金融时间序列的趋势近,有时只有 2时间单位,因此在进行特征提取前必须进行平滑个处理,去除噪声,然后寻找转折点来对时间序列分段线性化。平滑特征挖掘算法研究处理技术很多,本文采用采用最简单的有限脉;响应法 (I)中 FR,具体 一谭华嘉兴学院经济学院 算法如下: 给定时间序列 0 () ",则平滑过程为式 (: 1】 Ⅳ一 1

由于股票时间序列含有很多噪声,两个极值点之间往往离的很

浙江省教育厅项目(2 0 0 5 Y 0 85 1) 7 [摘要]时序数据相似性挖掘是数据挖掘中的重要研究内 容。本文根据金融事件序列自身特点,将股票中的时间序列转换为以价格变动率为变量的时间序列,对趋势特征提取、聚类算法进行 改进,并给出新的相似度量标准,将时间序列的预测问题转化为频

a )∑a (—+ 2 ( (= rni n ̄ w n j0=

… I,

繁和有效特征集的发现问题,进而进行挖掘预测。实验结果表明, 该方法能有效预测时间序列中的事件。

其中% 是原始数据,0是清洗后的数据,cO是含 N () (, (维系数的向量,N根据具体数据来定,c是设计FR ( ) I的重点。由脉宽和精度来确定,可用Mal信号处理工具箱中有关函数得到。 tb a 1 .趋势特征抽取算法时问模式挖掘是在空间中寻找能表征和预测事件的区域,如果预测点之前的时间模式包含在这些区域当中,则预测该事件点的发生提供了一种决策方法。时间序列数据的特征提取是模式发现的前提条件。分段线性法是目前应用最为广泛的时间序列特征提取方法之一。该方法具有较高的滤除噪声和数据抽象能力,可以根据需要获得时间序列数据不同精度的抽象表示。由于以近似误差为目标 函数将会使某些显著的趋势在拟合的过程中失去其原有的特征,因

[关键词]金融时问序列数据挖掘相似性趋势特征 聚类

一

、

引言

随着数据挖掘技术的发展,在时间序列中进行数据挖掘的研 究也逐渐引起了许多学者的兴趣,其中一个研究热点就是从时间序列中发现相似的序列模式。将时间序列相似性研究应用于股票的预

此

本文提出相应趋势特征抽取算法 ( F A ) T P。该算法从时间序列

数据中提取显著特征,能更好地保留原始时间序列中的数据变化趋势。T P算法也是用直线段近似表示时间序列,每一直线段通常 FA测,可以从历史数据中寻找与当前的股票相似的模式,因为人们相代表一种趋势特征。如果一个趋势特征是显著的,那么说明该趋势信历史会重现,所以可以用相似模式的历史数据来预测当前股票在斜率很大,时间序列数据值发生了显著的变化,呈现出明显的趋势未来的走势。 特征;或者该趋势持续时间长,具有一定的代表意义。本文为时序本文将股票中的时间序列转换为以价格变动率为变量的时间序数据中的显著趋势特征作如下定义: 列进行分析,并对趋势特征提取、聚类算法进行改进,将时间序列定义 1设t .为时间序列数据分段线性表示的第 i直线段的斜段的预测问题转化为频繁和有效特征集的发现问题,进而进行挖掘预率,△t .为该趋势线段持续的时间,如果…大于给定的阈值或者测,根据连续一段时间的涨跌情况判断市场趋势。以求能准确把握 At i给定的闽值,则认为该段特征是显著的。大于 市场趋势,获取更大利润。 算法1T P ) (F A:

二、时间序列数据相似性模式挖掘

时序数据相似性模式挖掘的研究已有一些研究成果,对于时间

序列相似性的研究主要集中在以下 3方面:()间序列由时域转个 1时换到频域后研究。这种方法将时间序列从时域通过傅立叶变换或小波变换映射到频域,使用一个固定长度的滑动窗口在序列中移动, 将窗口内的数据经过变换后,采用各种频率来代替原始数据;() 2在时域内研究。这种方法直接在时域内处理数据,主要技术包括数据平移、按比例调节数据幅值、平滑处理和时间弯曲等;()性 3定

I u: T1 );:斜率差异阈值 n t (:n; p Oup t T1 ) tu: (:n的趋势特征序 ̄S g T Ue _ S S g TS=: e _

fr=: ni+ o( 1i: ) i<+ Cr a e S gTi+ )/成初始分段, e t e[(:i1】生: —

fr=;in 1+ ) o( l< -;i+{ i

i(

1I ) fI -.&&(l&&( i ) (i<+ 1 ) l< At< ) S gi1= reS gi e[ l )合并非显著相邻分段/ e[]Meg (e[,S gi ;/+]+1 ei se

计算相似性。为了消除前面两种方法的缺点,人们提出了定性计算 相似性的方法,这种方法是在时域内进行研究,但并不是逐点进行相似性计算,而是只考虑一些有意义的点,如平均值、峰值、斜率或趋势值等,这样将大大减少计算量。

S g T=S g e S e _—

T+ e[; S S gi]

} r t n Seg TS; e ur —

三、趋势特征挖掘方法

常见的金融时间序列数据主要包括股票、期货、外汇、债券等为相关阈值,可以通过改变的大小控 ̄T P算法对时间序列数 UF A金融产品的市场交易记录,记载这些交易的时间序列数据反映的是据的近似精度。~段时间序列数据经过处理后会生成相应的特征序个有众人参与的市场环境下相应交易品种的价格变动情况,市场 ̄ F{= . .,t )≤i 为特征数} i=f (1,。 I≤M,M. J .,t,。 1,其中1 .特征为该参与者更关心自己的投入是赚还是赔以及赚和赔的程度有多大,具的斜率,t,t分别为该特征的起止时间,且t=H.。对所 .,。+,。 t。 1体商品价格是次要的,如果投入的本钱经过市场上一番交易之后能有的时间序列数据进行相同的处理将生成相应数量的特征序列数据够增值,投资者的目的就达到了。投资者要的不是具体的商品,而 (不同的时间序列产生的特征序列可能存在不等的特征数M. )。是能从市场上得到比投入本钱更多的回报,至于投资品种、产品单 2 .趋势特征聚类价是多少并不重要。本文在对金融时间序列数据的分析中,以价格在生成特征序列的过程中将会得到大量的趋势特征,这些特征变动率 (一 )作为研究切入点,正为涨,负为跌,而涨和跌是×x/ x在预测过程中很难有效的处理,需对提取出的特征分组。本文采用性质截然相反的市场走向。 基于划分的聚类方法对特征聚类,选取不同的k进行实验,根据值 一

其 CTi ) (为时间序 ̄T1 )于时间1 .间的子序列,:j J l(

:n的位 .之 - bt

《商场现代化》2 1年7 J( 0 0 F下旬刊 )总第6 8 1期

一种面向金融时间序列的趋势特征挖掘算法研究

第1页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email