金融领域时间序列挖掘技术研究

《金融领域时间序列挖掘技术研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、金融领域时间序列挖掘技术研究　　　　　一、引　言　　　　在金融领域，时间序列是一种重要的数据类型，对时间序列的分析是金融数据分析的一个重要内容。作为数理统计学的一个分支，时间序列分析自1960年代起就已经得到了广泛的研究。传统的金融时间序列分析方法主要包括基本分析、技术分析以及各种数理统计学方法等。随着近年来数据规模的不断增长以及分析任务的日益复杂，数据挖掘技术开始被运用到金融时间序列的分析中。　　所谓数据挖掘是指从大规模的数据中抽取隐含、未知、有潜在使用价值的规则的过程。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

2、据库技术、统计学、机器学习以及人工智能等。广义地说，所有从海量数据中发现新的规律的方法都可以统称为数据挖掘技术。　　本文在对传统的金融时间序列分析方法进行简单回顾的基础上，对当前主要的金融时间序列挖掘技术进行综述，并指出相关方法的优缺点和需要进一步研究的问题，为该领域的进一步研究提供基础。　　　　二、金融时间序列传统分析方法　　　　基本分析与技术分析是最常见的分析方法，主要用于证券与期货市场中的时间序列分析。基本分析主要通过对影响证券市场供求关系的基本因素进行分析，从而判断股票价格的走势。技术分析则通过对历史数据进行一些简单的计算，得到相

3、关的技术指标和图表，从而判断序列未来的变化趋势。　　另一类主要的金融时间序列分析方法是数理统计方法，这类方法主要包括各种统计特征的检验分析、相关分析、线性／非线性回归分析、自回归移动平均(ARMA)分析以及分形分析等，此外，各种多元分析方法也被广泛用于金融时间序列分析，如判别分析、主成分分析以及因子分析等。限于篇幅，本文不再详细讨论这些方法。　　　　三、时间序列挖掘方法　　　　近年来数据挖掘技术在时间序列分析领域开始得到广泛的研究与应用，已有大量的　　在时间序列挖掘领域，序列异常的概念，即当扫描序列时，如果某个数据点明显不同于其前面的序列

4、，这样的点就被认为是异常数据。由于序列异常在概念上存在一定的缺陷，因此该方法容易遗漏真正的异常数据。使用柱状图方法来发现异常数据，如果将某个数据从序列中移去，单独用一个桶存放，能够减少整体柱状图的误差，则该数据被认为是异常。一种两阶段支持向量回归的算法，用于检测金融时间序列中的异常数据，以避免异常数据对预测精度产生影响。　　　　四、混合挖掘方法　　　　近年来金融时间序列分析领域出现一种新的趋势，即将各种时间序列挖掘技术与传统分析方法和模型相结合，我们将这些方法称为混合挖掘方法。与第三节中的时间序列挖掘方法不同，这类方法大多针对于金融领域某

5、个特定的分析任务，或者基于金融时间序列的某些特征，因此更具有针对性，　　当前的时间序列聚类方法分为基于原始数据、基于特征量以及基于模型的聚类三类。其中后两类均属于混合挖掘方法。一种基于ARMA模型的时间序列相似性度量和聚类算法，该方法使用ARMA模型对序列进行建模，并且将模型的系数转换为线性预测编码倒谱系数(LPCC)。在此基础上，对LPCC使用欧氏距离判断两个序列的相似程度并进行聚类。对同一个序列使用多个ARMA模型建模，以便更准确地捕获数据的各项特征。结合期望最大方法，鉴于ARMA模型在金融时间序列分析中已经得到广泛应用，上述方法在金

6、融领域有着重要的意义。　　一种新的时间序列趋势变动分析方法，该方法将传统的时间序列趋势分析与文本挖掘技术相结合，分析证券市场中的各种新闻信息与股票数据趋势变动之间的关系，从而通过分析相关的新闻来预测股票数据的变动方向。与此类似，研究了外汇市场中的相关新闻对汇率波动的影响，从而根据这些新闻进行汇率的短期预测。　　此外，大多数基于逐段线性描述的时间序列分割方法都使用了线性回归模型的相关特性。一个常用于描述金融资产波动性的技术分析指标——布历加信道与逐段线性描述方法相结合，用于对金融时间序列进行联机分割，在此基础上进行相似性查找以及资产价格变动

7、的趋势预测。　　　　五、对上述方法的评述　　　　基本分析与技术分析方法主要用于证券与期货市场中的时间序列分析，这两种分析方法虽然计算简单并且易于使用，但是无法用于进一步分析数据中隐藏的其他规律和各种复杂的统计特征。　　数理统计方法是目前金融时间序列分析中最重要的方法。但是随着数据量的不断增加(如金融领域中的高频和超高频数据)，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。　　虽然近年来出现了大量的时间序

8、列挖掘方法，然而将这些方法直接用于分析金融时间序列仍然存在一些不足。其中一个主要的原因在于不同领域的时间序列往往具有不同的特征。例如金融领域的时间序列一般不具有典型的周期性，而这一特征在商业或