基于粒复杂网络的金融时间序列波动性研究

发布时间：2021-07-29 23:17

　　波动性是金融时间序列的本质特征之一,该特征对于人们从金融数据中获取有价值的信息至关重要。然而,由于金融时间序列具有高噪声和不稳定的特点,如何对其波动性进行识别仍然是一个具有挑战性的问题。本文从粒复杂网络的角度出发,提出了一种研究该问题的新方法。首先,将数值时间序列构造成信息粒,每个信息粒中的时间序列片段具有相似的波动特征;其次,利用信息粒之间的传递关系,构造粒复杂网络,从而直观地描述不同波动模式之间的传递过程;第三,提出了一种新的社团检测方法,用于对粒复杂网络进行社团划分,将相互间传递频繁的信息粒划分到同一个粒社团;最后,运用马尔可夫链模型分析了不同信息粒社团之间更高层次的转移过程,进一步描述了整个金融时间序列中波动性的大尺度转移情况。将该模型利用上证指数进行验证,有效地获取了金融数据的波动规律,并利用信息粒社团分析了不同的波动模式之间的传递转移过程。因此本文从粒复杂网络的角度出发,对金融时间序列的波动规律进行分析研究,能够有效解决金融时间序列高噪声和不稳定的问题,同时可以从不同的角度对金融时间序列的波动性进行分析。本文的贡献以及创新点主要包括以下几个方面:（1）将时间序列进行信息粒化... 

【文章来源】：山东师范大学山东省

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

社团结构

牛?醋钣欣?┑难≡瘛８盟惴ǖ某闪⑿枰???一个假设条件，即如果当前时刻所做的每一个选择都是最优的，则一定可以得到最优的结果。Newman算法的实现过程：首先将网络中的每一个节点都看作是一个单独的社团，然后根据模块度增量Q的值来判断下一步社团合并的方向，即选择产生最大Q值的两个社团进行合并，不断重复上述步骤，直至合并完成后只剩一个社团，算法结束。可以用树状图来表示该算法社团合并过程，如图2-2所示，模块度Q值的计算贯穿整个算法始终，选择产生最大Q值时所对应的社团结构作为最优的社团划分结果[52]。图2-2Newman算法树状图表示谱平分方法顾名思义就是对网络进行平分。谱平分方法利用拉普拉斯矩阵（LaplacianMatrix）计算次小特征值的特征向量（Fiedler向量），根据元素的正负对网络进行划分，得到两个社团。谱平分算法一次只能得到两个社团，只有多次调用该算法，对网络进行多次平分，才能得到多个社团结构[53]。因而，如果要划分多个社团，谱平分法的效率和准确率都会降低。并且如果网络本身具有比较明显的社团结构，利用谱平分法会得到较好的结果，反之，划分结果较差。Kernighan-Lin算法是一类对初始解敏感的启发式算法，该算法首先将网络中的节点

山东师范大学硕士学位论文13第三章基于粒复杂网络的金融时间序列模型及波动性分析金融时间序列波动性分析对研究金融市场的行为具有重要作用，然而金融数据具有不稳定、高噪声等的特点，如何对数据进行合理的表示以及特征提取决定了对波动性分析的效果。本模型首先利用模糊信息粒技术对原始金融时间序列进行预处理，每个信息粒表示相似波动模式的集合，既可避免高噪声的影响，又可为波动模式分析提供研究对象。继而，利用复杂网络对信息粒间的关系进行建模，通过构建粒复杂网络展现不同信息粒间的传递过程。然后，利用新的社团划分方法对粒复杂网络进行社团划分，从社团角度进行后续分析。最后，在社团划分的基础上，引入马尔可夫链理论，通过转移概率对波动模式的转移进行计算分析。本文的总体方案流程如图3-1所示：图3-1基于粒复杂网络的金融时间序列波动性分析流程图3.1构建粒复杂网络金融时间序列具有高噪声和不稳定的特点，也导致了金融时间序列复杂的波动特征。


本文编号：3310245