金融时间序列高阶矩波动性和多尺度复杂性研究

金融时间序列高阶矩波动性和多尺度复杂性研究

论文摘要

现实社会许多复杂系统的输出,在一定程度上表现了复杂系统自身的动态特征——股票指数的波动,人体复杂的生理结构,交通路况的千变万化等。本文研究对象为金融时间序列,我们提出了多种时间序列的研究方法来分析和刻画复杂系统的动态特征。我们主要对金融市场输出的股票指数序列进行研究和讨论,衡量股票指数的一些统计学特征。本论文对三种研究金融股票时间序列的方法进行了推广和改良:第一种是基于熵值的时间序列复杂性研究方法。熵是衡量时间序列复杂性的常用方法之一,它拥有深刻的物理背景,种类丰富,可以很好的捕捉到系统之间的非线性的关联。第二种是基于高阶矩的去趋势波动分析方法,去趋势波动分析方法是估计非平稳时间序列相关性的有效方法之一,其优势在于能够有效减小序列由局部趋势产生的非平稳性。第三种是时间序列的局部不可逆性研究,时间不可逆性是非平稳时间序列的重要特征之一,它可以探测非线性动态系统,并刻画系统的不平稳状态。本文共分为六章,组织结构如下:第1章为引言部分。介绍本文的研究背景,研究方法,研究意义以及主要工作。第2章在转移熵的基础上提出了转移熵系数的概念,拓展了转移熵到多标度领域。这种转移熵系数提供了对测量多标度信息流进行评估的方法,是在转移熵方法和多尺度方法的基础上定义的。我们将转移熵系数模型分别应用到模拟生成序列和金融时间序列进行分析和讨论。模拟和实际数据的实验结果同时表明,复杂系统的动态机制不能用单一标度的转移熵进行探测。转移熵系数方法对时间标度同时作用于两个时间序列的转移熵的影响进行分析。第3章研究了一种用于刻画时间序列波动性的方法——去趋势波动分析方法(DFA)。在这一章中,我们将去趋势波动分析方法推广至三阶矩和四阶矩,分析序列高阶矩的DFA,研究序列在高阶矩上的特性和更丰富的内在结构。三阶矩反映数据分布非对称程度,四阶矩描述峰值是否突兀或是平坦,他们从不同方面反映了序列高阶矩的波动性特征。第4章将研究时间序列不可逆性推广到多尺度,研究序列在时间反转下的局部动力学不变性。整体可逆的序列不一定局部都可逆,局部不可逆性算法可以刻画时间序列整体与局部不可逆性之间的关系。局部不可逆性算法能有效地讨论随着尺度的变化,时间序列的局部不可逆波动特征。我们将该方法应用于由ARFIMA过程和逻辑映射生成的模拟数据中,来展示不可逆函数如何对多重尺度的变化做出反应。这个该方法也应用于美国、中国和欧洲等一系列金融市场,不同市场的局部不可逆性具有明显的特征。模拟和真实数据验证了局部不可逆性的合理性和适应性。第5章提出广义的近似熵模型,采用累积分布矩阵方法生成阈值r,这种方法由数据自身驱动,短序列同样适用、准确性高。为了使得对系列的动态变化具有更高的灵敏性,基于分数阶微积分的理论,我们将分数维算子引入近似熵模型,同时把分数维近似熵推广到多尺度,研究时间序列在多尺度下更丰富的动力学特征。多尺度分数维近似熵方法是在分数维近似熵方法和多尺度方法的基础上建立的,它提供了对多尺度复杂性的评估和测量。我们采用了模拟数据和真实的股票数据证明了多尺度分数维近似熵的合理性。模拟和股票数据的实验结果证明了该模型对信号演化具有高灵敏度,反映了复杂系统中的分数维近似熵如何在不同的尺度的变化上表现不同的特征,这有助于描述复杂系统的动力学特性。第6章总结了全文。

论文目录

  • 致谢
  • 摘要
  • ABSTRACT
  • 1 引言
  •   1.1 研究背景与研究方法
  •   1.2 金融时间序列概述
  •   1.3 论文体系框架和主要内容
  • 2 金融时间序列的转移熵系数
  •   2.1 转移熵
  •   2.2 有效转移熵
  •   2.3 转移熵系数模型
  •   2.4 模拟序列分析
  •     2.4.1 ARFIMA模型
  •     2.4.2 NBVP模型
  •   2.5 金融时间序列的信息流
  •     2.5.1 金融数据
  •     2.5.2 转移熵和有效转移熵
  •     2.5.3 多标度转移熵分析
  •     2.5.4 多标度有效转移熵分析
  •     2.5.5 金融市场转移熵系数分析
  • 3 基于高阶矩的去趋势波动分析及其在金融市场的应用
  •   3.1 去趋势波动分析
  •     3.1.1 传统DFA方法
  •     3.1.2 高阶矩DFA方法
  •     3.1.3 推广的LSDFA方法
  •   3.2 模拟序列分析
  •     3.2.1 第一个模型及其实验结果
  •     3.2.2 第二个模型及其实验结果
  •   3.3 金融时间序列分析
  •     3.3.1 股票数据选取
  •     3.3.2 分析结果
  • 4 时间序列局部不可逆性研究
  •   4.1 局部不可逆性度量
  •   4.2 模拟序列分析
  •     4.2.1 第一个模型及其实验结果
  •     4.2.2 第二个模型及其实验结果
  •   4.3 金融时间序列分析
  •     4.3.1 股票数据选取
  •     4.3.2 分析结果
  • 5 金融时间序列的多尺度分数维近似熵
  •   5.1 多尺度分数维近似熵模型
  •     5.1.1 基于分数维微积分的熵
  •     5.1.2 基于累计直方图法的分数维近似熵
  •     5.1.3 多尺度分数维近似熵
  •   5.2 模拟序列分析
  •     5.2.1 第一个模拟方法及其实验结果
  •     5.2.2 第二个模拟方法及其实验结果
  •   5.3 金融时间序列分析
  •     5.3.1 股票数据选取
  •     5.3.2 分析结果
  • 6 结论
  • 参考文献
  • 作者简历及攻读硕士/博士学位期间取得的研究成果
  • 学位论文数据集
  • 文章来源

    类型: 硕士论文

    作者: 滕越

    导师: 商朋见

    关键词: 复杂系统,金融时间序列,时间序列分析,转移熵,近似熵,方法,时间不可逆性

    来源: 北京交通大学

    年度: 2019

    分类: 基础科学,经济与管理科学

    专业: 数学,金融,证券,投资

    单位: 北京交通大学

    分类号: F830.91;O211.61

    总页数: 79

    文件大小: 7978K

    下载量: 171

    相关论文文献

    • [1].基于深度学习的金融时间序列数据集成预测[J]. 统计与信息论坛 2020(04)
    • [2].探讨基于支持向量机的高频金融时间序列预测[J]. 中小企业管理与科技(中旬刊) 2019(12)
    • [3].浅析多变量金融时间序列的非线性检验及重构[J]. 财富时代 2020(02)
    • [4].金融时间序列数据挖掘的研究与应用[J]. 世界科技研究与发展 2008(01)
    • [5].高频金融时间序列的模型化研究进展回顾[J]. 数学的实践与认识 2011(03)
    • [6].基于两步法带宽选择的金融时间序列长记忆参数估计[J]. 数理统计与管理 2020(01)
    • [7].基于高频金融时间序列特性的金融项目风险测度研究[J]. 项目管理技术 2014(01)
    • [8].向量金融时间序列协整与协同持续关系——基于理论的思考[J]. 管理工程学报 2008(01)
    • [9].基于小波的金融时间序列波动性研究[J]. 信息网络安全 2011(06)
    • [10].基于金融时间序列的符号聚合近似测度的改进[J]. 杭州电子科技大学学报(自然科学版) 2019(01)
    • [11].金融时间序列中同积向量的充分改进最小二乘估计研究[J]. 唐山学院学报 2014(06)
    • [12].一种金融时间序列区域分割方法的研究[J]. 四川大学学报(自然科学版) 2018(06)
    • [13].基于改进样本熵的金融时间序列复杂性研究[J]. 计算机技术与发展 2019(01)
    • [14].金融时间序列聚类分析方法比较研究——基于上市公司股票收益率的实证分析[J]. 时代金融 2013(17)
    • [15].基于LSTM神经网络的金融时间序列预测[J]. 中国管理科学 2020(04)
    • [16].金融时间序列中伪回归和模型修正的实证分析[J]. 湖南理工学院学报(自然科学版) 2008(02)
    • [17].金融时间序列多分辨分析的描述性研究[J]. 中国管理信息化 2014(02)
    • [18].谱估计在金融时间序列模型验证中的应用[J]. 煤炭技术 2012(08)
    • [19].金融时间序列的短期相依性研究[J]. 华东经济管理 2011(03)
    • [20].谱估计在金融时间序列模型验证中的应用[J]. 清华大学学报(自然科学版) 2008(09)
    • [21].基于区间型金融时间序列数据的宏观经济预测研究[J]. 经济问题 2020(03)
    • [22].基于统计分析方法在金融数据中应用的课程教改研究[J]. 蚌埠学院学报 2020(02)
    • [23].基于小波分析和神经网络的金融时间序列预测[J]. 内蒙古科技与经济 2017(13)
    • [24].利用ARFIMA模型研究金融时间序列[J]. 海南师范大学学报(自然科学版) 2008(04)
    • [25].金融时间序列的多重分形类型的确定[J]. 菏泽学院学报 2009(05)
    • [26].变结构GARCH模型的协同持续性研究[J]. 统计与决策 2014(07)
    • [27].基于支持向量机的高频金融时间序列预测[J]. 应用数学与计算数学学报 2017(03)
    • [28].SDAE-LSTM模型在金融时间序列预测中的应用[J]. 计算机工程与应用 2019(01)
    • [29].基于多尺度阈值方法的金融时间序列去噪研究[J]. 金融经济 2013(12)
    • [30].金融时间序列组合预测模型与方法[J]. 中国市场 2019(09)

    标签:;  ;  ;  ;  ;  ;  ;  

    金融时间序列高阶矩波动性和多尺度复杂性研究
    下载Doc文档

    猜你喜欢