【摘要】：由于量化投資的興起,對股票價格時間序列的分析顯得日趨重要。金融量化中,通過對相似股票價格時間序列的搜索和金融模型匹配可以有效預(yù)測未來股票的發(fā)展趨勢。為了解決現(xiàn)有搜索和模型匹配算法時間復(fù)雜度過高,準(zhǔn)確率較低的問題,本文通過一種基于動態(tài)規(guī)整距離的相似股票識別方法、一種基于關(guān)鍵點(diǎn)提取的混合金融模型匹配算法等研究,提高相似序列搜索和金融模型匹配的效率和準(zhǔn)確性,并設(shè)計實(shí)現(xiàn)了一套面向量化交易的數(shù)據(jù)分析平臺。論文的主要研究內(nèi)容如下。(1)提出了一種基于動態(tài)規(guī)整距離的相似股票識別算法。首先,我們的方法基于極值點(diǎn)等降維方法提取序列的趨勢特征。其次,我們使用該特征作為條件來搜索具有相同特征的序列以形成候選集。然后,針對候選集中的每個序列,我們過濾出重要點(diǎn)并將其添加到特征點(diǎn)列表中以更好地保持原始序列的形狀特征。最后,基于動態(tài)時間規(guī)整距離得出相似的時間序列。在真實(shí)股票數(shù)據(jù)集上的實(shí)驗結(jié)果表明,該方法可以提高相似股票搜索效率和準(zhǔn)確率。(2)提出一種基于關(guān)鍵點(diǎn)提取的混合金融模型匹配算法。首先,我們對股票序列進(jìn)行降維,并在降維結(jié)果的基礎(chǔ)上,根據(jù)金融模型對價值、時間的要求提取股票價格時間序列中的金融模型關(guān)鍵特征點(diǎn),以減少股票價格序列中噪聲和趨勢小幅度波動的影響。然后,我們構(gòu)建混合金融模型,并基于該模型和金融模型關(guān)鍵特征點(diǎn)對時間序列進(jìn)行過濾,以便我們可以快速準(zhǔn)確地從股價時間序列中定位到滿足此金融模型的子序列。在真實(shí)價格數(shù)據(jù)集上的實(shí)驗表明,與傳統(tǒng)方法相比,該方法能夠提高匹配的準(zhǔn)確性,降低匹配過程花費(fèi)的時間。(3)設(shè)計并實(shí)現(xiàn)一套面向量化交易的數(shù)據(jù)分析平臺。系統(tǒng)劃分為用戶交互模塊、計算引擎模塊、數(shù)據(jù)抽取模塊和數(shù)據(jù)清洗模塊四個模塊,分別負(fù)責(zé)接受用戶請求并執(zhí)行相關(guān)業(yè)務(wù)邏輯、實(shí)現(xiàn)相似股票搜索和金融模型匹配功能、維護(hù)數(shù)據(jù)庫數(shù)據(jù)并提供讀寫接口和進(jìn)行數(shù)據(jù)檢查提高其數(shù)據(jù)可用性。
【圖文】：

＊邐￡邐＇＋邐（２－２）逡逑從圖２－２中可以看到ＰＡＡ降維的方法及過程，。數(shù)據(jù)先被分成了邋ＴＶ段等長子序逡逑列，分別計算每段子序列的均值，，這些均值組成時間序列就是原時間序列ＰＡＡ逡逑的降維結(jié)果。數(shù)據(jù)從《維向量降到７Ｖ維，當(dāng)＃＝？時變換后的降維結(jié)果和原始序逡逑列相同。逡逑８逡逑

：ｖ／邋＼逡逑圖２－２邋ＰＡＡ算法應(yīng)用示例圖逡逑圖２－２中，Ｚ為原有時間序，Ｘ為ＰＡＡ降維之后的時間序列。ＰＡＡ算法的逡逑優(yōu)勢為①計算簡單速度快②支持有權(quán)重的度量方法③支持非距離度量方法④表逡逑述簡單。但是由于其采用分段長度固定，導(dǎo)致其表述不準(zhǔn)確。在股票價格時間序逡逑列場景下，時間序列是是不平穩(wěn)的，在短時間內(nèi)可能存在較大波動，且ＰＡＡ方逡逑法并不精確，所以并不適用［１６］。逡逑２．４．１．３適應(yīng)性分段常數(shù)近似法（ＡＰＣＡ）逡逑ＡＰＣＡ邋（Ａｄａｐｔｉｖｅ邋Ｐｉｅｃｅｗｉｓｅ邋Ｃｏｎｓｔａｎｔ邋Ａｐｐｒｏｘｉｍａｔｉｏｎ）是由邋Ｋｅｏｇｈ邋提出的針對逡逑ＰＡＡ的一種改進(jìn)分段方法ｔ１７］，是適應(yīng)于各部分長度任意的適應(yīng)性分段常數(shù)近似逡逑法。ＡＰＣＡ通過對時間序列變化進(jìn)行分析自動對序列進(jìn)行分段，相比ＰＡＡ算法逡逑更加精確貼合原時間序列的趨勢。ＡＰＣＡ表示法中每個數(shù)據(jù)點(diǎn)由該段的平均值和逡逑該段的長度組成。對于ＡＰＣＡ表示法下的時間序列逡逑｛〈ＣＶ，邋Ａ邋＞，＜ＣＶ２，Ｃ７－２邐＞｝，ＣＶ，．為第邋／邋部分的平均值，Ｃ７：＋邋為第邋／邋部分的長逡逑度
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：O211.61;F830.9

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉(zhuǎn)換的時間序列分類方法[J];計算機(jī)應(yīng)用;2017年02期

2 王金策;楊寧;;時間序列趨勢預(yù)測[J];現(xiàn)代計算機(jī)(專業(yè)版);2017年02期

3 彭佳星;肖基毅;;基于分型轉(zhuǎn)折點(diǎn)的證券時間序列分段表示法[J];商;2016年31期

4 劉偉龍;;基于ARMA模型的股價預(yù)測及實(shí)證研究[J];智富時代;2017年02期

5 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

6 王嵬;;王嵬作品[J];當(dāng)代油畫;2017年07期

7 劉明華;張晉昕;;時間序列的異常點(diǎn)診斷方法[J];中國衛(wèi)生統(tǒng)計;2011年04期

8 郭崇慧;蘇木亞;;基于獨(dú)立成分分析的時間序列譜聚類方法[J];系統(tǒng)工程理論與實(shí)踐;2011年10期

9 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機(jī)研究與發(fā)展;2011年S3期

10 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學(xué)報;2010年02期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學(xué)術(shù)年會論文集[C];1999年

2 張可;李媛;柴毅;黃磊;;基于分段趨勢的符號化時間序列聚類表示[A];第37屆中國控制會議論文集（D）[C];2018年

3 徐光晶;;統(tǒng)計學(xué)在大地電磁測深時間序列處理中的應(yīng)用[A];2017中國地球科學(xué)聯(lián)合學(xué)術(shù)年會論文集（二十九）——專題57：電磁地球物理學(xué)研究及其應(yīng)用[C];2017年

4 毛宇清;王詠青;王革麗;;支持向量機(jī)方法應(yīng)用于理想時間序列的預(yù)測研究[A];中國氣象學(xué)會2008年年會氣候預(yù)測研究與預(yù)測方法分會場論文集[C];2008年

5 吳麗娜;黃領(lǐng)梅;沈冰;呂繼強(qiáng);;黃河上游降水時間序列混沌特性識別與預(yù)測年限分析[A];水系統(tǒng)與水資源可持續(xù)管理——第七屆中國水論壇論文集[C];2009年

6 吳堅忠;路子愚;鄭應(yīng)平;;時間序列社會悖論模型及分析[A];1989年控制理論及其應(yīng)用年會論文集（上）[C];1989年

7 雷敏;孟光;謝洪波;Kerreie Mengersen;Peter Bartlett;;嵌入維數(shù)對復(fù)雜時間序列的熵分析的影響研究[A];中國力學(xué)大會-2015論文摘要集[C];2015年

8 王兆甲;王海良;;一種相似時間序列挖掘算法及其在汽車運(yùn)動分析中的應(yīng)用[A];2014中國汽車工程學(xué)會年會論文集[C];2014年

9 林忠輝;莫興國;薛玲;;用NDVI時間序列確定作物物侯和作物類型判別[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2003年

10 王冬;章家義;陳宗;;配電網(wǎng)時間序列數(shù)據(jù)的云計算集群快速壓縮模型[A];2017年江西省電機(jī)工程學(xué)會年會論文集[C];2018年

相關(guān)重要報紙文章 前10條

1 王曉寶 楊永恒 永安期貨;淺析波動率的均值回復(fù)特征[N];期貨日報;2017年

2 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

3 國家統(tǒng)計局核算司 呂峰;不變價GDP時間序列數(shù)據(jù)的構(gòu)造[N];中國信息報;2016年

4 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

5 何德旭 王朝陽;時間序列計量經(jīng)濟(jì)學(xué)：協(xié)整與有條件的異方差自回歸[N];中國社會科學(xué)院院報;2003年

6 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀(jì)經(jīng)濟(jì)報道;2003年

7 卞紀(jì);我國多時間序列濕地遙感制圖完成[N];中國氣象報;2011年

8 權(quán)證一級交易商 國信證券;正股走勢及時間序列主導(dǎo)下半年權(quán)證市場運(yùn)行結(jié)構(gòu)[N];證券時報;2006年

9 廣發(fā)期貨股指研究小組 謝貞聯(lián);Hurst指數(shù)提示市場升勢或?qū)⑿纬蒣N];上海證券報;2012年

10 丁睿 中糧期貨研究院;試論指數(shù)HP濾波分析法的應(yīng)用[N];期貨日報;2014年

相關(guān)博士學(xué)位論文 前10條

1 康峻;基于時間序列遙感數(shù)據(jù)的植被精細(xì)分類與覆蓋度反演研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2018年

2 林蕾;基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的遙感影像時間序列分類及變化檢測方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2018年

3 丁紅;柳江徑流分析與預(yù)測研究[D];武漢理工大學(xué);2016年

4 馬俊;GPS坐標(biāo)時間序列嚴(yán)密三維噪聲模型建立方法[D];武漢大學(xué);2018年

5 周超;集成時間序列InSAR技術(shù)的滑坡早期識別與預(yù)測研究[D];中國地質(zhì)大學(xué);2018年

6 丁超;MODIS時間序列重建方法與應(yīng)用[D];中國地質(zhì)大學(xué)(北京);2018年

7 魏永強(qiáng);煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預(yù)測研究[D];中國礦業(yè)大學(xué)(北京);2015年

8 楊玉軍;基于機(jī)器學(xué)習(xí)的時間序列模型研究及其應(yīng)用[D];電子科技大學(xué);2018年

9 魯韻帆;隨機(jī)交互金融模型的構(gòu)建及金融時間序列的統(tǒng)計分析[D];北京交通大學(xué);2018年

10 郭珩;復(fù)雜網(wǎng)絡(luò)在非線性時間序列分析中的應(yīng)用[D];華東師范大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 吳亞彬;基于情感時間序列的P2P網(wǎng)貸企業(yè)輿情態(tài)勢研判技術(shù)研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

2 原媛;量化交易中數(shù)據(jù)分析技術(shù)的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

3 宋駿;基于時間序列的UGC數(shù)量與質(zhì)量預(yù)測技術(shù)研究[D];北京郵電大學(xué);2019年

4 韓如愿;兩種基于數(shù)據(jù)驅(qū)動的庫存預(yù)測方法研究[D];廈門大學(xué);2017年

5 曹西娟;模糊時間序列在鉆井風(fēng)險概率中的預(yù)測及應(yīng)用[D];西南石油大學(xué);2018年

6 王子一;基于特征提取的時間序列分類方法的研究[D];南京大學(xué);2019年

7 單中南;時間序列半監(jiān)督分類研究[D];河北經(jīng)貿(mào)大學(xué);2019年

8 栗云峰;基于時間序列高分一號影像的南京市農(nóng)業(yè)用地提取方法研究[D];南京大學(xué);2019年

9 曹俊波;風(fēng)功率預(yù)測與多種市場下虛擬電廠電—熱—?dú)鈪f(xié)調(diào)優(yōu)化調(diào)度[D];長沙理工大學(xué);2018年

10 孔翔玉;關(guān)于時尚產(chǎn)品生命周期曲線動態(tài)預(yù)測方法的研究[D];南京大學(xué);2019年

本文編號：2707675