量化交易中数据分析技术的研究与实现

发布时间：2020-06-11 08:58

【摘要】：由于量化投资的兴起,对股票价格时间序列的分析显得日趋重要。金融量化中,通过对相似股票价格时间序列的搜索和金融模型匹配可以有效预测未来股票的发展趋势。为了解决现有搜索和模型匹配算法时间复杂度过高,准确率较低的问题,本文通过一种基于动态规整距离的相似股票识别方法、一种基于关键点提取的混合金融模型匹配算法等研究,提高相似序列搜索和金融模型匹配的效率和准确性,并设计实现了一套面向量化交易的数据分析平台。论文的主要研究内容如下。(1)提出了一种基于动态规整距离的相似股票识别算法。首先,我们的方法基于极值点等降维方法提取序列的趋势特征。其次,我们使用该特征作为条件来搜索具有相同特征的序列以形成候选集。然后,针对候选集中的每个序列,我们过滤出重要点并将其添加到特征点列表中以更好地保持原始序列的形状特征。最后,基于动态时间规整距离得出相似的时间序列。在真实股票数据集上的实验结果表明,该方法可以提高相似股票搜索效率和准确率。(2)提出一种基于关键点提取的混合金融模型匹配算法。首先,我们对股票序列进行降维,并在降维结果的基础上,根据金融模型对价值、时间的要求提取股票价格时间序列中的金融模型关键特征点,以减少股票价格序列中噪声和趋势小幅度波动的影响。然后,我们构建混合金融模型,并基于该模型和金融模型关键特征点对时间序列进行过滤,以便我们可以快速准确地从股价时间序列中定位到满足此金融模型的子序列。在真实价格数据集上的实验表明,与传统方法相比,该方法能够提高匹配的准确性,降低匹配过程花费的时间。(3)设计并实现一套面向量化交易的数据分析平台。系统划分为用户交互模块、计算引擎模块、数据抽取模块和数据清洗模块四个模块,分别负责接受用户请求并执行相关业务逻辑、实现相似股票搜索和金融模型匹配功能、维护数据库数据并提供读写接口和进行数据检查提高其数据可用性。
【图文】：

序列,效果,降维,均值

＊逦￡逦＇＋逦（２－２）逡逑从图２－２中可以看到ＰＡＡ降维的方法及过程，。数据先被分成了邋ＴＶ段等长子序逡逑列，分别计算每段子序列的均值，，这些均值组成时间序列就是原时间序列ＰＡＡ逡逑的降维结果。数据从《维向量降到７Ｖ维，当＃＝？时变换后的降维结果和原始序逡逑列相同。逡逑８逡逑

时间序列,时间序,降维,时间序列

：ｖ／邋＼逡逑图２－２邋ＰＡＡ算法应用示例图逡逑图２－２中，Ｚ为原有时间序，Ｘ为ＰＡＡ降维之后的时间序列。ＰＡＡ算法的逡逑优势为①计算简单速度快②支持有权重的度量方法③支持非距离度量方法④表逡逑述简单。但是由于其采用分段长度固定，导致其表述不准确。在股票价格时间序逡逑列场景下，时间序列是是不平稳的，在短时间内可能存在较大波动，且ＰＡＡ方逡逑法并不精确，所以并不适用［１６］。逡逑２．４．１．３适应性分段常数近似法（ＡＰＣＡ）逡逑ＡＰＣＡ邋（Ａｄａｐｔｉｖｅ邋Ｐｉｅｃｅｗｉｓｅ邋Ｃｏｎｓｔａｎｔ邋Ａｐｐｒｏｘｉｍａｔｉｏｎ）是由邋Ｋｅｏｇｈ邋提出的针对逡逑ＰＡＡ的一种改进分段方法ｔ１７］，是适应于各部分长度任意的适应性分段常数近似逡逑法。ＡＰＣＡ通过对时间序列变化进行分析自动对序列进行分段，相比ＰＡＡ算法逡逑更加精确贴合原时间序列的趋势。ＡＰＣＡ表示法中每个数据点由该段的平均值和逡逑该段的长度组成。对于ＡＰＣＡ表示法下的时间序列逡逑｛〈ＣＶ，邋Ａ邋＞，＜ＣＶ２，Ｃ７－２逦＞｝，ＣＶ，．为第邋／邋部分的平均值，Ｃ７：＋邋为第邋／邋部分的长逡逑度
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O211.61;F830.9

【相似文献】