多元时间序列聚类算法及其选股策略应用研究

发布时间：2024-12-10 01:48

　　时间序列数据在生产与生活中普遍存在,已有不少学者对时间序列挖掘技术进行研究。随着研究深入,一元时间序列挖掘技术逐渐成熟,其在金融证券领域也得到广泛应用。例如,利用时间序列分析证券市场的特征,进行交易建议等。金融时间序列分析成为金融研究中的重要方向。多元时间序列数据同时利用多个指标描述对象,其表达的信息,隐藏的知识远远多于一元时间序列。但是由于其高维性和复杂性,目前对于多元时间序列的研究相对不足,在金融应用方面也缺少基于多元数据的分析。本文针对多元时间序列聚类技术从不同角度出发,提出两种新的多元时间序列聚类模型:(1)引入属性权值和模糊隶属度矩阵提出一种属性加权的多元时间序列聚类方法。该方法根据不同维度数据的离散程度赋予相应维度不同权重,并通过距离信息将原始多元时间序列转换为模糊隶属度矩阵。最终,通过模糊均值聚类得到聚类结果。仿真实验证实该方法能够有效提升多元时间序列的聚类质量,适用于指定类簇的多元时间序列聚类。(2)提出一种无参数聚类方法,从复杂网络角度将基于社区发现的一元时间序列聚类拓展到多元时间序列数据中。新方法通过综合考虑多元时间序列数据在各个维度上的多个最近邻居数从而避免聚类过程...

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究综述
        1.2.1 表示性聚类方法
        1.2.2 结合相似性度量的聚类方法
        1.2.3 改进流程的聚类方法
        1.2.4 时间序列聚类在证券领域的应用
        1.2.5 现有研究的不足
    1.3 主要内容与论文结构
        1.3.1 主要研究内容
        1.3.2 论文结构
        1.3.3 技术路线
第2章 相关理论基础
    2.1 多元时间序列的概念
    2.2 多元时间序列的特性
    2.3 聚类算法
        2.3.1 模糊C均值聚类
        2.3.2 基于密度峰值的聚类
第3章 属性加权的多元时间序列聚类方法
    3.1 基于形状的时间序列相似性度量
    3.2 加权聚类方法
        3.2.1 属性权值计算
        3.2.2 模糊隶属度矩阵的构建
        3.2.3 聚类流程
        3.2.4 时间复杂度
    3.3 .实验结果与分析
        3.3.1 有效性验证
        3.3.2 对比实验
        3.3.3 时间消耗
    3.4 本章小结
第4章 基于社区发现的多元时间序列聚类方法
    4.1 理论方法
        4.1.1 K近邻分类方法
        4.1.2 SDTW距离度量方法
    4.2 无参数聚类方法
        4.2.1 邻居矩阵
        4.2.2 复杂网络构建
        4.2.3 聚类流程
        4.2.4 时间复杂度分析
    4.3 实验结果与分析
        4.3.1 参数对比实验
        4.3.2 聚类结果
        4.3.3 时间消耗
    4.4 本章小结
第5章 基于多元时间聚类的类簇分析及选股策略
    5.1 马科维兹模型
        5.1.1 马科维兹投资组合模型的基本假设
        5.1.2 马科维兹均值方差模型
    5.2 股票数据选取
        5.2.1 股票交易数据的属性
        5.2.2 样本选择
    5.3 基于聚类的股票分析流程
    5.4 多元股票数据的社区构建
    5.5 聚类结果分析
        5.5.1 类簇行业股票统计分析
        5.5.2 类簇股票收盘价波动可视化分析
    5.6 基于聚类的选股策略
        5.6.1 夏普最大选股策略
        5.6.2 风险分散选股策略
    5.7 本章小结
第6章 结论与展望
    6.1 研究结论
    6.2 研究展望
参考文献
致谢
附录
攻读硕士学位期间科研成果



本文编号：4015410