时间序列的细化二元熵和递归性研究

发布时间：2020-03-23 13:51

【摘要】：随着统计学相关理论的广泛应用,时间序列分析已经成为跨学科研究的热点.其中,时间序列的复杂性和递归性也逐渐成为探索真实世界演进变化的重要手段.通过对时间序列复杂性和递归性分析,人们能有效地掌握复杂系统的规律性,进而展开预测等应用.本文对时间序列的复杂性和递归性进行了理论和应用两个层面的研究.理论方面,本文提出两种新的研究模型,其一是在两个一元熵q熵和δ熵的基础上,提高模型参数的敏感度,提出二元熵模型,进而对复杂度相似的时间序列进一步区分其复杂性.其二是不同于现有的几种递归定量分析模型,从奇异值的角度提出新的递归定量分析模型PSVP,来研究时间序列的周期性和递归性.应用方面,本文针对这两种新提出的模型,分别使用金融时间序列、交通流时间序列和生理时间序列进行实验,对上述时间序列的复杂性和递归性进行分析研究.分析时间序列复杂性的参数有很多.本文主要借助熵的相关理论来对非平稳时间序列的复杂性进行度量.目前熵相关的理论模型已非常丰富,如BG熵,置换熵,样本熵等.本文将建立在著名的q熵和δ熵的基础上,提出一种新的二元熵模型来对非平稳时间序列进行复杂性测量.新的二元熵在测量非平稳时间序列的复杂性时有更广的应用范围.在新提出的二元熵的基础上,本文分别针对二元熵模型中两个参数进行分析,进一步建立了多尺度分析的模型.之后选取全球7个金融市场的股指收益率作为真实时间序列,利用提出的二元熵模型,对各金融市场的收益率序列进行复杂性分析,并以二元熵为依据,对7个金融市场进行分类.结果表明国内股票市场的复杂度高于欧美较为成熟的金融市场,结论与实际相符,这也证明了新提出的二元熵能够对非平稳时间序列的复杂性进行有效的测量.时间序列的递归性是指时间序列中某些序列状态重复出现的特性.时间序列的递归性的准确判断,将有助于直接判别时间序列的可预测性,进而极大提高时间序列预测的准确性.同时,部分时间序列的递归性在一定程度上也能反应出时间序列本身的周期性和规律性,这在复杂系统运行模式的识别方面有着广阔的应用前景.本文通过构建新的递归定量分析指标PSVP,对时间序列的递归性进行了研究.我们首先对新指标进行了模拟数据的测试,通过高斯白噪声和逻辑映射的实验,我们发现新指标PSVP能够显著地对时间序列的递归性进行度量.真实数据实验也表明,PSVP模型在生理数据和交通流数据上能准确度量其递归性,有效辨别心脏病的心跳特征以及周末和工作日交通流的递归性,并且度量区分度优于传统的递归定量分析模型.
【图文】：

北京交通大学硕士学位论文逦细化二元熵模型及其在金融市场上的应用逡逑２．４结果与讨论逡逑本章首先对美国和中国的３个股指进行计算研宄：上海证券交易所综合指数，逡逑标准普尔５００指数和纳斯达克指数．在经过原始时间序列的剔除和筛选处理后，利逡逑用公式（２４），计算得到这３个股指的细化二元熵熵值．首先给出３股指的熵值在逡逑参数９和Ｊ分别取不同值时的三维关系图，及其相对于参数９的二维关系图．逡逑ＳＳＥ邋Ｃｏｍｐｏｓｉｔｅ逦Ｓ＆Ｐ逦５００逡逑

图２－３参数５邋＝邋１时上证综指、标普５００指数和纳斯达克指数的细化二元熵与逡逑参数ｙ之间的二维关系．逡逑图２－１给出了邋３个股指时间序列的细化二元熵值与两个参数ｇ和５之间的三维逡逑关系．图２－２为３个股指时间序列的细化二元熵值与参数ｇ的二维关系．从图２－１逡逑和图２－２中并不能对３个股指时间序列的复杂性进行有效的区分，三者的图像彼此逡逑非常近似．细化二元熵的熵值都随着参数９的变大而减小，图２－２中各条曲线之间逡逑非常接近，重合度较高，这就说明此时参数５对熵值的影响较小，，这也意味着金融逡逑市场的股指序列的复杂度较大．值得注意的是，虽然３个股指时间序列的熵值图像逡逑都彼此相似，但是熵值还是存在着一定差异，此时复杂性差异并无法通过熵值显著逡逑进行判断．其中上证综指时间序列对应的最大的二元熵的熵值为１．７１２１，纳斯达克逡逑指数对应的序列的最大的二元熵值为１．３４５７，标准普尔指数对应的时间序列的最逡逑大的二元熵的熵值为１．５６５２．从熵值的大小来看
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F224

【相似文献】

相关期刊论文 前10条

1 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

2 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

3 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31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 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

6 王嵬;;王嵬作品[J];当代油画;2017年07期

7 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

8 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

9 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

10 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 张可;李媛;柴毅;黄磊;;基于分段趋势的符号化时间序列聚类表示[A];第37届中国控制会议论文集（D）[C];2018年

3 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集（二十九）——专题57：电磁地球物理学研究及其应用[C];2017年

4 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

5 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集（上）[C];1989年

6 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年

7 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年

8 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

9 王冬;章家义;陈宗;;配电网时间序列数据的云计算集群快速压缩模型[A];2017年江西省电机工程学会年会论文集[C];2018年

10 徐俊武;卢现祥;;公共支出、政府治理、部门效应与共享式增长——基于中国时间序列数据的分析[A];第十一届中国制度经济学年会论文汇编（上）[C];2011年

相关重要报纸文章 前10条

1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年

2 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年

4 ;《时间序列与金融数据分析》[N];中国信息报;2004年

5 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年

8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年

9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年

10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014年

相关博士学位论文 前10条

1 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

2 魏永强;煤矿瓦斯监测数据插值与预测研究[D];中国矿业大学(北京);2015年

3 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

4 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

5 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

6 宋伟;面向时间序列分类任务的SAX方法研究[D];郑州大学;2018年

7 潘玉青;基于NDVI时间序列的黄河中下游典型史前都邑性遗址的作物物候观察[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

8 郝鹏宇;基于多时相遥感数据的农作物分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

9 乔海浪;基于NDVI时间序列重构的经济型人工林时空分布信息提取研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

10 王妮妮;基于智能计算技术的时间序列分割及预测研究[D];大连理工大学;2013年

相关硕士学位论文 前10条

1 韩新玉;网络结构特征与时间序列相互表征应用[D];哈尔滨工业大学;2017年

2 侯晓伟;高精度GPS用于地壳形变研究分析[D];长安大学;2018年

3 张旭东;基于最小哈希方法的多元时间序列近似关联规则挖掘[D];哈尔滨工业大学;2017年

4 郑毅;时间序列数据的胶囊式LSTM特征提取算法研究[D];华中师范大学;2018年

5 江粉桃;非线性方法的时间序列组合模型在农产品价格预测中的应用研究[D];兰州交通大学;2018年

6 孟凡山;基于随机特征采样的时间序列分类算法的研究与实现[D];哈尔滨工业大学;2018年

7 魏延杰;基于深度学习的复杂时间序列分析[D];哈尔滨工业大学;2018年

8 余任;基于模糊时间序列及灰色理论的金融时间序列预测研究[D];昆明理工大学;2018年

9 禹雷;基于多级联合策略的多平台MT-InSAR形变时间序列联合分析[D];华东师范大学;2018年

10 尹薇;时间序列清洗关键技术的研究[D];哈尔滨工业大学;2018年

本文编号：2596814