时间序列特征编码方法改进及在金融数据中的应用
发布时间：2021-05-18 09:53
时间序列分析技术在科学、经济、气象、医学等诸多领域都有十分重要的应用。时间序列分析的主题众多,主要包括系统描述、动态系统预测以及模式匹配。时间序列的特征表示是时间序列分析的重要基础也是研究热点之一,各种场景下的时间序列是随着时间不断变化着的一串数值,这种变化随着时间的积累必然会表现出系统性的趋势,可以反映业务场景背后的规律。而这种规律往往因为太多的干扰或其他偶然因素以致于被隐藏在序列之中难以捕捉。若能将时间序列的特征进行合理的转换,有效的去除噪声,更清晰的表达出序列本身反映的系统变化趋势,那么对后续的分类、预测等分析以及决策将有着重要的指导意义。符号化特征表示是时间序列特征表示方式之一,它能够实现时间序列的维度降低、平滑噪声等,改善了后续分析的计算复杂度和可操作性,受到众多学者的青睐。在时间序列特征转换后,为了与后续分析结合,新序列之间的距离、相似性、以及预测方法将随之改变。本文以时间序列的符号化编码表示为基础,对传统符号化表示的方法作出有效改进,设计了一套表征时间序列系统趋势特征的简易编码,能够客观、直观的反映时间序列片段的系统变化规律,且这种“数值”编码方式为编码序列趋势预测提供了...
【文章来源】：南京财经大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景
1.2 研究意义
1.3 研究综述
1.3.1 时间序列特征表示研究综述
1.3.2 时间序列相似度量研究综述
1.3.3 研究综述小结
1.4 研究内容和框架
1.4.1 研究内容
1.4.2 章节安排
第二章 时间序列符号化编码表示
2.1 时间序列特征表达的简述
2.2 时间序列符号化编码表示
2.2.1 基本假设
2.2.2 算法流程
2.3 模型参数选择准则
2.3.1 参数选择常用准则
2.3.2 构建参数选择准则
2.4 本章小结
第三章 时间序列符号化编码相似性度量
3.1 可借鉴的相似度量方法
3.2 编码距离的性质
3.2.1 距离一般性质
3.2.2 编码距离期望下界原理
3.3 定义编码距离及性质证明
3.3.1 定义编码距离
3.3.2 编码距离性质证明
3.4 符号距离矩阵
3.5 本章小结
第四章 基于编码算法的金融时间序列模式匹配
4.1 基于目标模式的快速匹配
4.1.1 数据说明
4.1.2 序列符号化编码表示
4.1.3 目标序列相似匹配结果
4.1.4 基于不同度量方式下的结果评估
4.1.5 算法稳健性检验
4.2 变长模式的识别应用
4.2.1 数据说明
4.2.2 变长序列编码
4.2.3 变长序列匹配
4.2.4 输出结果可视化
4.3 本章小结
第五章 基于编码表示的金融序列趋势预测模型
5.1 构建编码序列ARIMA模型
5.1.1 建模思路
5.1.2 ARIMA模型简介
5.1.3 原始数据符号化编码
5.1.4 构建模型并预测趋势
5.1.5 预测趋势结果检验
5.2 特征编码前后模型的比较分析
5.2.1 比较思路
5.2.2 建模流程
5.2.3 结果比较
5.3 本章小结
第六章 结论与展望
6.1 结论
6.2 创新点及展望
6.2.1 文章创新点
6.2.2 不足与展望
参考文献
读研期间发表学术论文、参与项目及获奖情况
致谢
附录
【参考文献】：
期刊论文
[1]基于区间型数据的金融时间序列预测研究[J]. 杨威,韩艾,汪寿阳. 系统工程学报. 2016(06)
[2]基于二维奇异值分解的多元时间序列相似匹配方法[J]. 吴虎胜,张凤鸣,钟斌. 电子与信息学报. 2014(04)
[3]股指时间序列的分形分析及预测[J]. 张晶,王宏勇. 南京财经大学学报. 2013(05)
[4]基于曲率距离的时间序列相似性搜索方法[J]. 刘博宁,张建业,张鹏,王占磊. 电子与信息学报. 2012(09)
[5]基于角点弯曲度的时间序列相似性搜索算法[J]. 张雪丽,牛强. 计算机工程. 2011(15)
[6]时间序列相似性度量的面积距离方法的研究[J]. 周庆兰,陈然,周鹏. 软件导刊. 2011(06)
[7]基于遗传算法的RBF神经网络非线性时间序列预测[J]. 郭兰平,俞建宁,张建刚,漆玉娟,张旭东. 河北师范大学学报(自然科学版). 2011(03)
[8]基于ARIMA模型的黄金价格短期分析预测[J]. 许立平,罗明志. 财经科学. 2011(01)
[9]基于时间序列趋势转折点的分段线性表示[J]. 尚福华,孙达辰. 计算机应用研究. 2010(06)
[10]时间序列分析关键问题研究[J]. 徐兴梅,陈桂芬. 农业网络信息. 2010(01)
硕士论文
[1]基于模糊时间序列和群智能算法的股票价格波动预测研究[D]. 张世雄.浙江财经大学 2016
[2]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007
[3]基于模糊技术的时间序列分析[D]. 梁浩.东北师范大学 2006
[4]基于灰色模型和ARIMA模型的上证指数研究[D]. 刘文抒.河海大学 2005
本文编号：3193586
【文章来源】：南京财经大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景
1.2 研究意义
1.3 研究综述
1.3.1 时间序列特征表示研究综述
1.3.2 时间序列相似度量研究综述
1.3.3 研究综述小结
1.4 研究内容和框架
1.4.1 研究内容
1.4.2 章节安排
第二章 时间序列符号化编码表示
2.1 时间序列特征表达的简述
2.2 时间序列符号化编码表示
2.2.1 基本假设
2.2.2 算法流程
2.3 模型参数选择准则
2.3.1 参数选择常用准则
2.3.2 构建参数选择准则
2.4 本章小结
第三章 时间序列符号化编码相似性度量
3.1 可借鉴的相似度量方法
3.2 编码距离的性质
3.2.1 距离一般性质
3.2.2 编码距离期望下界原理
3.3 定义编码距离及性质证明
3.3.1 定义编码距离
3.3.2 编码距离性质证明
3.4 符号距离矩阵
3.5 本章小结
第四章 基于编码算法的金融时间序列模式匹配
4.1 基于目标模式的快速匹配
4.1.1 数据说明
4.1.2 序列符号化编码表示
4.1.3 目标序列相似匹配结果
4.1.4 基于不同度量方式下的结果评估
4.1.5 算法稳健性检验
4.2 变长模式的识别应用
4.2.1 数据说明
4.2.2 变长序列编码
4.2.3 变长序列匹配
4.2.4 输出结果可视化
4.3 本章小结
第五章 基于编码表示的金融序列趋势预测模型
5.1 构建编码序列ARIMA模型
5.1.1 建模思路
5.1.2 ARIMA模型简介
5.1.3 原始数据符号化编码
5.1.4 构建模型并预测趋势
5.1.5 预测趋势结果检验
5.2 特征编码前后模型的比较分析
5.2.1 比较思路
5.2.2 建模流程
5.2.3 结果比较
5.3 本章小结
第六章 结论与展望
6.1 结论
6.2 创新点及展望
6.2.1 文章创新点
6.2.2 不足与展望
参考文献
读研期间发表学术论文、参与项目及获奖情况
致谢
附录
【参考文献】：
期刊论文
[1]基于区间型数据的金融时间序列预测研究[J]. 杨威,韩艾,汪寿阳. 系统工程学报. 2016(06)
[2]基于二维奇异值分解的多元时间序列相似匹配方法[J]. 吴虎胜,张凤鸣,钟斌. 电子与信息学报. 2014(04)
[3]股指时间序列的分形分析及预测[J]. 张晶,王宏勇. 南京财经大学学报. 2013(05)
[4]基于曲率距离的时间序列相似性搜索方法[J]. 刘博宁,张建业,张鹏,王占磊. 电子与信息学报. 2012(09)
[5]基于角点弯曲度的时间序列相似性搜索算法[J]. 张雪丽,牛强. 计算机工程. 2011(15)
[6]时间序列相似性度量的面积距离方法的研究[J]. 周庆兰,陈然,周鹏. 软件导刊. 2011(06)
[7]基于遗传算法的RBF神经网络非线性时间序列预测[J]. 郭兰平,俞建宁,张建刚,漆玉娟,张旭东. 河北师范大学学报(自然科学版). 2011(03)
[8]基于ARIMA模型的黄金价格短期分析预测[J]. 许立平,罗明志. 财经科学. 2011(01)
[9]基于时间序列趋势转折点的分段线性表示[J]. 尚福华,孙达辰. 计算机应用研究. 2010(06)
[10]时间序列分析关键问题研究[J]. 徐兴梅,陈桂芬. 农业网络信息. 2010(01)
硕士论文
[1]基于模糊时间序列和群智能算法的股票价格波动预测研究[D]. 张世雄.浙江财经大学 2016
[2]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007
[3]基于模糊技术的时间序列分析[D]. 梁浩.东北师范大学 2006
[4]基于灰色模型和ARIMA模型的上证指数研究[D]. 刘文抒.河海大学 2005
本文编号：3193586
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3193586.html
