基于数据挖掘的金融时间序列预测分析与分析

《基于数据挖掘的金融时间序列预测分析与分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于数据挖掘的金融时间序列预测分析与研究第1章绪论1．1本文的研究背景(1)数据挖掘技术的发展数据采集、存储与管理技术的进步与企业界迫切需求的结合，使得在过去的二十年中数据库技术得到了广泛的应用。现今众多商业数据库的容量已经达到了海量的水平，很多数据库中己经存储了上万亿字节的数据。如何在这些海量数据中发现隐藏的知识和规律，已经成为计算机界尤其是数据库领域研究者的一个重要研究方向，我们称之为数据挖掘。数据挖掘也称为数据库中的知识发现(KnowledgeDiscoveryinDatabase，KDD)，即从大规模的数据中抽取非平凡的、隐含的、未

2、知的、有潜在使用价值的信息的过程。作为一门交叉学科，数据挖掘集成了许多学科中成熟的工具和技术，包括数据库技术、统计学、机器学习、模式识别、人工智能等。然而与传统的知识发现技术不同，数据挖掘技术一般与数据库的相关技术紧密结合，更加侧重于对海量数据的多种模式的自动发现，因此具有更广泛的应用前景。(2)金融市场的进一步发展20世纪60年代，银行业的全球化初见端倪，自80年代起在全球经济一体化的趋势的推动下，银行业的全球化的进程更是飞速发展。根据权威部门统计，到20世纪90年代中期，银行业的跨国资产总量比80年代初增长了4．5倍，如果以占经济合作与

3、发展组织(OEC)成员国国内生产总值(GDP)总和的比例来衡量，银行跨国资产占成员国国内生产总值的35％。根据国际货币基金组织的预测，由于全球信息技术和其他高新技术的飞速发展，经济和金融一体化进程将进一步加快。随着金融业的一体化趋势，国际间资本流动的速度和流量都大大超出了人们预想的范围，尤其是所带来经济利益使各国受益匪浅，但同时金融风险也空前增加，因而如何预测、计算和控制金融风险，最大程度获益，不仅成为金融界，而已也成为各国政府面临的重要任务。’我国已于2000年加入WTO，并签署了逐步开放我国金融市场的协议。由于第1章绪论历史和其他原因，

4、我国金融体系一直相对独立、金融市场没有开放，金融产品和衍生产品单一、金融制度不完善、金融创新水平低下，导致对金融风险认识、预测和控制的能力不高。而与此同时，我们将要面对的市场竞争对手却是久经沙场、历经金融风险的市场高手，他们不仅具有长期的市场经验，也具有先进的金融计量手段和现代化的信息处理工具，更具有我们不能与之相比的经济实力；另外随着我国金融市场的开放，我们还将直接面对那些以获取最大利润的、潜在的、，表现为超大规模国际游资的“金融大鳄”袭击。因此学习和运用科学的金融计量手段，掌握金融市场规律，预测并控制金融风险对我们来说更为重要和迫切11

5、．2本文的研究现实意义金融管理研究的一个显著特点是数据分析量大、不确定因素多，基于传统统计技术建立的模型假设条件多，实际上应用难以奏效；当今金融正处在一个信息化和数量化的时代，每天有不计其数的数据产生。在这种情况下，如何刻画中国金融市场的本质特性与特征量以回答金融市场不断演化的复杂性机理；如何对金融行业进行风险识别、评估和度量；如何从“海量"金融实际数据中挖掘出高附加值的信息资源为金融机构以及监管部门提供科学的管理决策支持技术已成为我国金融管理研究领域所迫切需要解决的问题。数理统计分析方法是目前全融时间序列分析中最重要的方法。但是随着数据量

6、的不断增加，这些方法在分析能力方面存在一定的缺陷。各种统计分析方法的一个主要问题在于，其无法有效地处理具有较大规模的数据集。此外数据理统计分析方法也不适合用于从大量的数据中主动地发现各种潜在的规则，因此数据挖掘技术在金融领域的广泛应用是必然的趋势。现代金融学的学术研究可以分为两个部分：理论研究和经验研究。理论研究在一些必要的假设基础上建立现实金融系统的简化数学模型，并据此解释现实金融世界的运行状态，推演出系统的变化趋势。经验研究则着重利用统计学和经济计量学对金融历史数据进行研究和分析，建立与数据贴切的经验模型，从而检验理论的实际性或对金融变

7、量的未来变化进行预测。为了使理论模型更符合实际，对现实世界更有帮助性，模型的假设必须以经验研究的结果为基础。只有充分认基于数据挖掘的金融时间序列预测分析与研究识和理解经验数据结果并验证了理论之后，从业者才能用之于分析金融市场和制定有效的投资策略。1．3本文的工作安排和写作思路第1章：本章主要介绍了金融时间序列数据挖掘技术研究背景和现实意义，以及本文的研究重点工作和写作思路。第2章：本章介绍了数据挖掘技术的相关理论和方法，以及在各个领域的相关应用：数据挖掘技术结合金融时间序列的研究，以及在这一领域相关方法、主要问题等。第3章：本章介绍了金融时

8、间序列预处理技术，具体包括原始数据标准化，空缺数据处理，噪声剔除，数据集成，并重点介绍了小波理论在时序数据降噪中的应用。第4章首先介绍了金融时间序列的计量经济学ARMA模型和AR