基于频繁特征模式挖掘的期货市场单边运行深度的预测.doc

《基于频繁特征模式挖掘的期货市场单边运行深度的预测.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、.word格式,基于频繁特征模式挖掘的期货市场单边运行深度的预测　　[摘要]金融市场是一个受多种因素影响的、庞大的系统，具有非常复杂的运动规律，金融时间序列中必定蕴含了金融系统诸多的客观规律信息。本文将以商品期货作为基本的研究对象，引入数理统计的思想，将市场按照运行规律进行数据切分，形成单边模式序列与震荡点序列。在此基础上，结合领域知识以及金融时间序列数据的特征，通过改进的频繁特征模式挖掘算法，对单边运行深度的比例进行实时预测。　　[关键词]商品期货；数理统计；频繁特征模式挖掘　　doi：10.3969/j

2、.issn.1673-0194.2015.17.063　　[中图分类号]F746.16[文献标识码]A[文章编号]1673-0194（2015）17-0120-02　　1基于市场行为的时间序列切分及表示方法　　为了对原始时间序列数据进行维约简，传统的时间序列数据建模通常采用分段表示的方法，整体可划分为2类：基于时域的分段表示方法与基于变换域的分段表示方法。　　对于本文的基本研究对象――商品期货，为充分还原其主要的市场特征，即单边运,专业.专注..word格式,行模式及震荡情形，本文引入数理统计中线性回归的思

3、想，基于市场行为，对时间序列进行切分处理。　　在对时间序列数据进行切分时，针对每个子序列进行线性回归，当切分得到的子序列的回归判定系数R2大于设定的阈值r时，可将时间序列中的下一个数据点加入该子系列中继续计算，否则，可将当前数据点视为切分断点，从该数据点开始搜寻下一个子序列，直至整个序列搜索完毕或到达最新时间点。对于切分后得到的数据，长度达到3及以上的子序列，即可视为市场单边模式序列，采用线性回归结果进行描述；对于切分断点，相连即得到市场震荡点序列。　　以伦敦金属交易所（LME）交易品种之一的伦铜期货为主要

4、研究对象，将2001年1月2日至2015年5月12日的伦铜指数日交易数据的收盘价作为样本，进行数据的切分处理以及后续的规律挖掘，其中回归判定系数阈值r设定为0.7。　　具体可获得3632个交易日的交易数据，包括各交易日的开盘价、收盘价、最高价、最低价、成交量、持仓量等信息，如表1。　　按照上述算法描述，对3632个交易日收盘价序列进行数据切分，获得单边模式序列及震荡点序列。　　如图1所示为2015年3月13日至2015年4月17日40个交易日的收盘价序列的切分结果。,专业.专注..word格式,　　对于切分

5、后得到的线段序列，每个线段序列以2个属性进行描述：单边模式/震荡调整持续时间、单边模式/震荡调整趋势幅度。　　2关于单边运行深度预测的频繁特征模式挖掘　　本节在市场切分后，基于改进的频繁特征模式挖掘过程，对单边运行的深度进行预测。着重研究对切分得到的单边模式序列及震荡点序列的符号化表示，在此基础上基于互关联后继树模型的频繁特征模式挖掘算法，以及通过频繁特征模式匹配实现单边运行深度预测的过程。　　传统的时间序列频繁特征模式挖掘基本上可概括为两阶段：序列特征的描述及挖掘算法的设计。即首先利用移动时间窗口对时间序

6、列进行分段，并对各个子段进行聚类，利用形成的符号对序列特征进行描述。在此基础上，利用关联规则挖掘思想及算法，对上述符号化序列进行频繁特征模式发现。本文提出，对切分后得到的线段序列，结合市场实际运行特征，对线段在时间轴上的长度及线段的斜率分别进行符号化，利用得到的二维属性组进行频繁特征模式挖掘。,专业.专注..word格式,　　基于上节思想，将2001年1月2日至2015年2月5日的伦铜指数日交易数据作为样本，设定回归判定系数阈值为0.75，进行数据切分，获得了单边模式序列及震荡点序列。对上述1070组切分后

7、形成的线段序列，针对震荡点序列与单边模式序列，按照不同的策略，选取二维属性组（持续时间分类标记、运行深度分类标记），进行符号化表示：　　将震荡点序列的持续时间分类标记设为10，运行深度分类标记设为100；　　将单边模式序列持续时间分类标记按照超短期、短期、中期、长期分别设为1、2、3、4，运行深度按照是否超过相邻的上一单边模式序列的深度分别设为1、-1。　　在对上述样本数据切分后形成的1070组线段序列选取二维属性组（持续时间分类标记、运行深度分类标记），进行符号化表示的基础上，将2001年至2011年涵盖

8、的833组符号化的线段序列作为主要的训练数据，根据基于互关联后继树频繁特征模式挖掘过程，对其建立tSIRST（时间序列互关联后继树）模型，设定最小支持数阈值，并基于tSIRST模型进行频繁特征模式挖掘。表2所示为设定最小支持数为3，最小置信度为70%情况下，挖掘得到的频繁特征模式。　　根据频繁特征模式的挖掘结果，设定最小置信度阈值进行筛选，利用筛选后的频繁特征模式，对2012年至2015年市场实时跟踪得到的特征模