原油价格时间序列自回归子模式传输特征分析

发布时间：2020-10-22 02:52

　　 为了更好地分析原油现货价格的波动规律,文章以大庆原油日现货价时间序列为研究对象,把计量经济模型与复杂网络方法结合起来,定量地定义自回归模式,运用时间滑动窗的思想设置合理的窗体长度和步长,将时间序列划分为多个子模块,建立了多个自回归子模式.将自回归子模式设置为节点,各子模式之间的传输设置为边,建立自回归子模式传输复杂网络,利用复杂网络的特征与性质,研究大庆原油现货价格时间序列传输特性.文章发现少数自回归子模式和传输模式驱动大庆原油现货价时间序列的振荡,在传输过程中出现对波动的聚类效应,并且某些非主要自回归子模式在原油时间序列中具有高中介能力等.这项研究不仅为分析原油价格时间序列提出了独特的视角,而且为投资者提供了重要信息.
【部分图文】：

１２２??系统科学与数学??综合指标，它不仅考虑相邻节点的数量，而且考虑相邻节点之间的权重即连接的边数．本文??中相邻节点的权重是用复杂网络中的度来表示的，即以相邻节点间的连接边数的多少来衡??貴的，相邻节点间如果有一次传输则有一条边，传输次数越多，则边越多，度越大，在文中图３??中的边越粗．加权出度越大，在图３中显示的节点越大．节点的加权出度定义为??ｔｏ？Ｕ?ｔ?—?＾２?ｗｉｊｆ??ｊｅＮｉ??其中，场．为节点ｉ的邻居节点的数＿量，是节点ｉ到节点ｊ的权重．??如图４?（ａ）所示，本研究中的复杂网络节点的加权出度符合幂律分布，并且，如图４?（ｂ）??所示，前２４％的节点包含了?８０．２％的传输能力．这意味着少数几种类型的肖回归子模式在传??导过程中起着重要作用，说明大庆原油现货价时间序列的波动形态在统计上具有著的非??随机性，少数一些１４回归子模式驱动着大庆原油现货价时间序列的振荡．??０．２５??鞣??０．１??５０?Ｊ００?１５０??加权出度??图４节点加权出度的分布??（Ｆｉｇｕｒｅ?４?Ｄｉｓｔｒｉｂｕｔｉｏｎｓ?ａｔ?ｔｌｉｅ?ｗｅｉｇｈｔｅｄ?〇ｕｔ－ｔ｝ｅｇｒＱＢ?ｏｆ?ｎｏｄｅ）??３．２传输模式（边）??上面从节点的角度分析了传输过程中的主要ｆｔ回归于模式．本文也分析了任意两个自??回归子模式之间的传输模式，即构建的复杂网络的边．在本研究的复杂网络传输中，共有１Ｍ??种类型的ｆｔ回归子模式，即节点．因此，理论上，在两个任意的Ａ回归子模式之间可以存在??１５＃?＝?２３７１６?＃类型的传输模式，但在本研究的复杂网络传输过程中仅有８５：９个有向加权??边，这意味着在传输过程中存在８５９种

１期?Ｓ甜等：原油价格吋祖序列自：同归子模式传输特征分析?１２３??型的传输对象的传输占比更高．主要Ａ回归子模式（数董排名前７的自回归子模式）的传??输比率如图５所示．以ｆｌ．（〇．９６，〇．＂Ｍ〇．〇９，〇．１２］子模式的传输为例，该子模式一共传输给了??１２个传输对象，传输流量如图６所示，图中流量的大小代表着传输的频次，传输频次越高，??图中流景越大．在传输时，ａ（０．９６，０．９９］６（０．０９，０．１２］子模式４０．２％传输给了自身，１８．７％传输??给了?ａ（０．９４〇．＂Ｍ〇．〇６５〇．〇Ｑ］子模式，Ｉ８．７％?传输给了?ａ（０．册，〇．卯Ｍ〇．ｌ２，〇．ｌ５］子模式，这?３??个子模式共占据了《（〇．９４〇．９９］６（０．０９，０．１２］子模式传输中的７７．６％．可以看出主要ｆｔ回归子??模式的传输对象类型较少，１在传输过程中相对稳定．因此，在对大庆原油现货价时问序??列进行分析时，若目前波动形态为ａ（〇．９６，０．９９］＆（０．０９，０．１２］则后一个波动形态有很大概率为??＃（０．聽，０．９９］６（０．０９，０．１２］，?？（０．聽，０．９９］６（０．．１２，０．１５］或?ａ（０．９６，０．９．９］６（０．０．６５?０，０９］，对投资者具有参??考意义．??图５?：主要传输子模式的传输对象占比（加权出度本小于１Ｑ０）??（Ｆｉｇｕｒｅ?５?Ｔｈｅ?ｔｒａｎｓｍｉｓｓｉｏｎ?ｐｒｏｂａｂｉｌｉｔｉｅｓ?ｏｆ?ｔｈｅ?ｍａｊｏｒ?ｆｌｕｃｔｕａｎｔ?ｓｕｂ－ｐａｔｔｅｒｎｓ?ｗｉｔｈ??ａ?ｗｅｉｇｈｔｅｄ?ｏｕｔ－ｄｅｇｒｅｅ?ｏｆ?ｎｏ?ｌｅｓｓ?ｔｈａｎ?１００）??ａ（Ｑ．９６，?Ｑ．９９］ｂ（Ｑ．Ｑ９

输中社团的分析可以了解传输过程中的波动聚类效应．本文将所研究的??复杂网络节点按它们之问的传输概率进行划分，若一些子模式之间有很高的传输概率，那么??将这些子模式划分为＾个子网络，即一个社团．在一个社团中，社团内部的节点的边密度较??高，而不同社团之间的边密度较低．??在０?＝?．５０：时，本文中的传输复杂网络划分为５个社团（如图３所．示从图＿?７中可以看??出，各社团节点数量与各社团加权出度之和之间存在弱相关关系．因此，具有较强传输能力??的社团，Ａ回归子模式类型也较多．??图７各社团中的子模式数董占比和累积加权出度占比??（Ｆｉｇｕｒｅ?７?Ｎｕｍｂｅｒ?ｏｆ?ｓｕｂ－ｐａｔｔｅｒｎｓ?ａｎｄ?ｓｕｍ?ｏｆ?ｔｈｅ?ｗｅｉｇｈｔ?ｏｕｔ－ｄｅｇｒｅｅ?ｏｆ?ｅａｃｈ?ｃｏｍｍｕｎｉｔｙ?（％））??本文中的复杂网络传输中有３个主要社团，即社团１，?２和３，其传输能力占整个网络的??８６．７％．主要社团的出现暗示着大庆原油Ｈ现货价时间序列波动中的稳定信号，可以为投资??者提供一段时间内大庆原油价格时间序列在某一主要社团周围波动的重要倍息．图８是大??庆原油Ｈ现货价时间序列社团随时间变化的分布图，可以看出对应时间的传输子模式位于??哪一个社团．例如，２００８年７月初，大庆原油现货价格在攀升到最高峰后，持续下跌，这种趋??势一直持续到２００８年年底，这段Ｋ间主要巾社团１中的子模式控制，ｆｔ回归子模式相对稳??定．２０１５年至２０１７年之间，大庆原油价格现货价格呈现不断震荡波动状态，但是自回归子模??式是相对稳定的，尤其是社团１?Ｓ示出对波动的明Ｓ聚类效应，虽然社团４和社团５共包含??２２．７％的向回归子模式类型，但累积加
【相似文献】

相关期刊论文 前10条

1 张笑东;夏筱筠;蒲宝明;公绪超;王帅;;基于非稳态时间序列的生理控制模型研究[J];系统工程理论与实践;2020年02期

2 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期

3 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期

4 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

5 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

6 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

7 王海燕,李文,陈文彦;时间序列间统计依赖性测量的一种改进方法[J];南京理工大学学报(自然科学版);2002年03期

8 阎光辉,孙颖;混沌系统时间序列的二维重构[J];辽宁大学学报(自然科学版);1997年02期

9 管韶宁;;时间序列经济预测方法及其在外贸中的应用[J];广州对外贸易学院学报;1987年04期

10 戚仁华;一类ARMA模型的逐步识别算法[J];四川大学学报(自然科学版);1988年04期

相关博士学位论文 前10条

1 刘海洋;复杂环境下时间序列预测方法研究[D];北京交通大学;2019年

2 石巍巍;大规模多源时间序列预处理与隐藏空间映射分析研究[D];上海交通大学;2018年

3 颜昌;心血管时间序列的图形分析和应用[D];山东大学;2019年

4 黄田;面向超大规模时间序列的异常检测[D];上海交通大学;2015年

5 张琪;时间序列流数据异常检测问题的研究[D];山东大学;2019年

6 张方;局部相似分析的统计研究及其在生物时间序列中的应用[D];山东大学;2019年

7 鲁韵帆;随机交互金融模型的构建及金融时间序列的统计分析[D];北京交通大学;2018年

8 郭珩;复杂网络在非线性时间序列分析中的应用[D];华东师范大学;2018年

9 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

10 李汉东;多变量时间序列波动持续性研究[D];天津大学;2000年

相关硕士学位论文 前10条

1 吴振宇;复杂时间序列的信息熵及其应用[D];北京交通大学;2019年

2 刘彩云;基于时间序列挖掘技术的南水北调工程安全监测数据异常检测[D];华北水利水电大学;2019年

3 武帅;面向时间序列的增量模糊聚类算法研究[D];河南理工大学;2018年

4 叶锐;基于迁移学习和多任务学习的时间序列预测算法[D];南京航空航天大学;2019年

5 郑迪威;基于空间索引的不确定时间序列相似性查找方法研究[D];南京航空航天大学;2019年

6 左良利;基于DTW的不确定时间序列分类方法研究[D];南京航空航天大学;2019年

7 尹奥;时间序列异常子序列检测算法研究[D];哈尔滨工业大学;2019年

8 王玙;关系数据库支持的不确定时间序列存储与优化方法研究[D];南京航空航天大学;2019年

9 高焕博;基于多元时序数据的系统状态感知设计与实现[D];大连理工大学;2019年

10 李曼晴;时间序列的多尺度表示方法研究[D];西安电子科技大学;2019年

本文编号：2850992