發(fā)布時間：2018-01-15 22:22

  本文關鍵詞：基于小波分析的金融波動模式識別及異常值檢測　出處：《天津大學》2014年碩士論文　論文類型：學位論文

  更多相關文章： 小波分析D-Markov模型 符號時間序列分析 金融波動 模式識別 異常值檢測

【摘要】：金融的波動性是所有金融市場的內在特征，其對資產(chǎn)組合配置、金融產(chǎn)品定價、金融風險管理等都有很重要的作用，特別是金融波動模式的識別及相關異常的研究對于市場投資者和監(jiān)管者來說意義重大。在實際中，主要通過金融資產(chǎn)收益率序列來得出金融波動的特征。本文主要利用將小波分析與符號時間序列分析、D-Markov模型以及金融波動計量模型相結合的方法來研究金融波動序列的模式識別問題和金融收益序列的異常檢測問題。 本文首先將小波分析、主要應用于工程領域的隱含模式快速識別方法D-Markov模型及符號時間序列分析相結合，引入波動向量之間異常度的概念，提出了一種全新的用于金融波動模式識別及異常模式檢測的方法。第一步對金融波動序列進行離散小波變換產(chǎn)生小波系數(shù)序列，選擇符號集大小，將小波系數(shù)序列符號化，并對符號序列進行D-Markov模型分析，計算狀態(tài)概率向量，得到波動向量的異常度，進而進行模式識別及異常模式的檢測。其次基于波動模型對金融收益時間序列的刻畫而產(chǎn)生的殘差序列，提出了一種以小波分析為基礎的異常檢測與定位的方法。采用蒙特卡洛模擬選定閾值，分析殘差序列離散小波變換后的小波系數(shù)序列，標記大于閾值且是最大的小波系數(shù)值位置，通過將該位置的值設置為零重建小波系數(shù)序列，并通過逆離散小波變換重構殘差序列，如此循環(huán)，直到小波系數(shù)序列滿足閾值要求，形成位置集合。進而基于該位置集合來檢測和定位異常值。 針對本文提出的方法，均以上證綜指和深證成指檢驗了所提方法的可行性和有效性。實證結果表明在選定標準波動模式的情況下，該方法可以實現(xiàn)尋找到類似與標準波動模式的波動時間段；在選定正常波動模式的情況下，可以實現(xiàn)對異常波動模式的檢測。而在基于小波分析的異常檢測定位時，，可以有效地檢測到對數(shù)日收益率序列的異常值并且能夠準確地對異常值進行定位。
[Abstract]:Financial volatility is the inherent feature of all financial markets, which plays an important role in portfolio allocation, pricing of financial products, financial risk management and so on. In particular, the identification of financial volatility patterns and the study of related anomalies are of great significance to market investors and regulators. This paper mainly uses wavelet analysis and symbolic time series analysis. D-Markov model and financial volatility econometric model are combined to study the pattern recognition problem of financial volatility series and the anomaly detection problem of financial return series. In this paper, firstly, wavelet analysis is combined with D-Markov model and symbolic time series analysis, which is mainly applied in engineering field. The concept of anomaly degree between wave vectors is introduced. A new method for financial volatility pattern recognition and abnormal pattern detection is proposed. In the first step, discrete wavelet transform (DWT) is used to generate the wavelet coefficient sequence and the symbol set size is selected. The wavelet coefficient sequence is symbolized and the D-Markov model is used to analyze the symbol sequence. The state probability vector is calculated and the anomaly degree of the fluctuation vector is obtained. Then the pattern recognition and abnormal pattern detection. Secondly, based on the volatility model to describe the time series of financial returns, the residuals are generated. A method of anomaly detection and localization based on wavelet analysis is proposed. Monte Carlo simulation is used to select the threshold value to analyze the wavelet coefficient sequence of discrete wavelet transform of residual sequence. The mark is larger than the threshold value and is the largest wavelet coefficient value position, by setting the value of the position to zero reconstruction wavelet coefficient sequence, and inverse discrete wavelet transform reconstruction residual sequence, such a cycle. Until the wavelet coefficient sequence meets the threshold requirement, the location set is formed, and then the outlier value is detected and located based on the position set. For the methods proposed in this paper, the Shanghai Composite Index and Shenzhen Composite Index are used to test the feasibility and effectiveness of the proposed method. The empirical results show that in the case of the selection of standard volatility model. This method can find the fluctuation time period similar to the standard fluctuation mode. In the case of selecting normal fluctuation mode, the detection of abnormal fluctuation mode can be realized, but in the case of abnormal detection and localization based on wavelet analysis. The outliers of the daily return series can be detected effectively and the outliers can be accurately located.
【學位授予單位】：天津大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：F830.9

【相似文獻】

相關期刊論文 前10條

1 霍光耀;郭名媛;;金融波動研究的新進展及未來展望[J];西北農林科技大學學報(社會科學版);2007年05期

2 李勝歌;張世英;;金融波動的賦權“已實現(xiàn)”雙冪次變差及其應用[J];中國管理科學;2007年05期

3 謝宏華，鄒修清，毛愛國，劉曉波;從金融波動看金融穩(wěn)定──三次金融波動的回顧與反思[J];經(jīng)濟體制改革;1994年02期

4 張紅偉;實際經(jīng)濟波動對金融波動的影響和傳導渠道[J];廣東社會科學;2002年06期

5 謝宏華，鄒修清，毛愛國，劉曉波;從金融波動看金融穩(wěn)定──三次金融波動的回顧與反思[J];經(jīng)濟理論與經(jīng)濟管理;1994年03期

6 謝宏華，鄒修清，毛愛國，劉曉波;從金融波動看金融穩(wěn)定──三次金融波動的回顧與反思[J];中央財政金融學院學報;1994年03期

7 張勁;論實際經(jīng)濟波動向金融波動的傳導渠道[J];天府新論;2003年02期

8 孟勇;王紅霞;;關于金融市場波動預測模型研究的發(fā)展展望[J];統(tǒng)計與決策;2008年24期

9 埃德加·佩雷斯;;高頻交易引發(fā)金融波動?[J];首席財務官;2012年08期

10 樊智,張世英;隨機分形與金融波動的市場機制[J];系統(tǒng)工程;2003年01期

相關重要報紙文章 前10條

1 中國銀行國際金融研究所 譚雅玲;阿根廷金融波動因與果[N];國際經(jīng)貿消息;2001年

2 王宇;吳曉靈：有關工業(yè)國家應認真分析金融波動根源[N];新華每日電訊;2007年

3 洪江源;通脹幽靈浮現(xiàn) 金融危局誰解[N];期貨日報;2005年

4 本報記者 韓楊;印度“意外”降息[N];21世紀經(jīng)濟報道;2008年

5 李萬茂;應對國際金融危機的理性思考[N];中國信息報;2009年

6 本版評論員 青云;奧巴馬新政高懸 俄羅斯金融波動[N];國際商報;2008年

7 胡曉偉 趙暉;“錢生錢”的虛擬經(jīng)濟是否安全?[N];天津日報;2004年

8 羅善興;外匯儲備差異將導致金融波動[N];經(jīng)濟參考報;2004年

9 本報記者 劉冬;誰放大了金融危機[N];財經(jīng)時報;2008年

10 本報記者 黃繼匯;IMF上調今年全球增長預期至4.6%[N];中國證券報;2010年

相關博士學位論文 前3條

1 樊智;分形市場理論與金融波動持續(xù)性研究[D];天津大學;2003年

2 耿立艷;非線性金融波動率模型及其實證研究[D];天津大學;2009年

3 徐梅;金融波動分析的小波和頻域方法研究[D];天津大學;2004年

相關碩士學位論文 前10條

1 賈彥東;中國金融波動研究[D];西南財經(jīng)大學;2004年

2 牛孟宇;金融市場波動性的統(tǒng)計特征研究[D];武漢理工大學;2008年

3 王桂平;基于符號時間序列的超高頻金融波動研究[D];天津大學;2011年

4 李金丹;基于“已實現(xiàn)”波動金融波動的符號時間序列分析[D];天津大學;2014年

5 朱明子;金融波動率的非線性分析及其應用[D];浙江理工大學;2014年

6 扈夢;基于小波分析的金融波動模式識別及異常值檢測[D];天津大學;2014年

7 王宇新;度量金融波動的方法和模型及其應用[D];天津大學;2006年

8 周美英;基于厚尾分布的金融波動模型實證研究[D];山東科技大學;2007年

9 奚丹丹;基于符號時間序列分析的多尺度金融波動研究[D];天津大學;2012年

10 李群;基于分形市場理論的金融波動性研究[D];電子科技大學;2009年

本文編號：1430332