金融时间序列K线形态的Motif模式挖掘研究

金融时间序列中存在的K线形态一直以来都是不同领域众多学者研究的热点问题。本文基于基序理论的思想对提取序列中的K线形态进行研究,得到特征序列。并结合短期趋势聚类的方法检测出K线形态的Motif模式,最后通过对上证A股收盘价数据进行实证分析,结果表明这种对应的Motif模式对用来建立股价反转预警制度是可行及有效的。     

基于时间序列模型和情感分析的情感趋势预测

为解决传统情感分析方法无法对公众未来情感走势变化有效预测的问题,提出一种将时间序列模型与情感分析相结合的情感趋势预测方法.采用深度学习模型对股市论坛实时评论信息进行情感分类,统计固定时间单位的情感值,构建情感值时间序列,提出ARIMA-GARCH时间序列模型,对情感值时间序列进行建模分析,预测投资者的情感走势.实验结果表明,该方法对于情感趋势的预测结果合理,误差较小.同时,发现投资者情感趋势与股市涨跌幅走势相似,为投资决策提供了参考.     

二维CWT方法在时间序列分析中的应用研究

利用二维连续小波变换(CWT),结合时间序列分析的特点,对时间序列数据进行分析.从对多频率信号、突变信号以及噪声数据的容错性三个方面的分析来对利用二维连续小波变换方法在时间序列分析中的应用进行了研究,主要分析方式以趋势分析为主,最后通过对实验结果的分析得到良好的效果.     

基于改进Self-Attention的股价趋势预测

近年来中国经济发展迅速,相应的,中国的金融市场也迅速发展,受到国内外投资者的关注,因此研究中国金融市场上股票价格趋势对学者、投资者和监管者具有重要的意义。随着量化交易等理念的兴起,越来越多的学者将深度神经网络(DNN)应用于金融领域。虽然近几年DNN在图像、语音以及文本等方面已经取得了极大的成功,但其在金融时间序列预测方面遇到了很多挑战,因为其数据本质上是高度动态性,且具有高噪声。作为DNN在时序数据处理的典型代表LSTM,由于该方法没有考虑不同时间点、不同来源数据的重要性程度,效果仍不理想。不同于在传统LSTM模型上引入Attention机制,通过改进Self-Attention模型,分别对日线数据和分时线数据进行编码并融合,学习资金流变化对股票趋势变化的影响。实验结果表明,所提方法将对趋势判断的准确率提高到63.04%,并在两个月的回测实验中获得了6.562%的收益,证明了该模型在股价趋势预测上具有一定的有效性和实用性。     

基于EEMD与DFA的Hurst指数估计

去趋势波动分析(DFA)是一种研究时间序列长相关幂律特性的简单而有效的方法,其中关键的去趋势步骤就是获取序列在不同时间尺度上的局部波动函数.提出采用整体平均经验模态分解(EEMD)确定局部趋势项,去趋势操作通过移除基于EEMD的局部趋势项完成,从而给出了一种基于EEMD的DFA方法,并将其用于时间序列的Hurst指数估计.采用分形高斯噪声(FGN)和真实网络流量数据的仿真结果表明,该方法具有较好的估计效果,相比于基于EMD的DFA估计法,具有更高的估计精度.     

二维CWT方法在时间序列分析中的应用研究

利用二维连续小波变换(CWT),结合时间序列分析的特点,对时间序列数据进行分析。从对多频率信号、突变信号以及噪声数据的容错性三个方面的分析来对利用二维连续小波变换方法在时间序列分析中的应用进行了研究,主要分析方式以趋势分析为主,最后通过对实验结果的分析得到良好的效果。     

基于自相似的金融时间序列波动聚集性研究

自相似与波动聚集性是金融时间序列的两个重要特征,文章将这两个特征结合,提出了一种基于自相似的波动聚集模型。基于该模型提出了一种基于拟合优度与趋势变动的联机时间序列分割算法,算法能够根据波动的自相似特征将序列分割为多个子序列,从而用于研究在不同时段金融时间序列波动的自相似性。对实际数据的实验结果表明,文章所提出的模型和分割算法是有效的。     

基于遗传算法和模糊决策树的时间序列预测模型

股票价格预测总是投资者和技术分析者感兴趣的一个主题.然而,决定买卖股票的最好时间仍然是困难的,因为有很多因素可能影响股票价格.通过改进模糊决策树建立了一个新型金融时间序列数据预测模型.该预测模型融合数据聚类技术,模糊决策树及遗传算法来构建基于历史数据和技术指标的一个决策系统.提出的GAFDT模型在与各种股票的其它方法相比较时有平均预测准确率为0.82的最好绩效.     

二维CVVT方法在时间序列分析中的应用研究

利用二维连续小波变换（CWT），结合时间序列分析的特点，对时间序列数据进行分析。从对多频率信号、突变信号以及噪声数据的容错性三个方面的分析来对利用二维连续小波变换方法在时间序列分析中的应用进行了研究，主要分析方式以趋势分析为主，最后通过对实验结果的分析得到良好的效果。     

基于周期性建模的时间序列预测方法及电价预测研究

时间序列数据广泛存在于人类的生产生活中, 通常具有复杂的非线性动态和一定的周期性. 与传统的时间序列分析方法相比, 基于深度学习的方法更能捕捉数据的深层特性, 对具有复杂非线性的时间序列有较好的建模效果. 为了在神经网络中显式地建模时间序列数据的周期性和趋势性, 本文在循环神经网络的基础上引入了周期损失和趋势损失, 建立了基于周期性建模和多任务学习的时间序列预测模型. 将模型应用到欧洲能源交易所法国市场的能源市场价格预测中, 结果表明周期损失和趋势损失能够提高神经网络的泛化能力, 并提高预测时间序列趋势的精度.