- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
标度曲线拟合与金融时间序列聚类
JournalofComputerApplications ISSN 10o1—9081 2014—1l一10
计算机应用,2014,34(11):3344—3347,3352 CODEN JYIIDU http://www.joca.an
文章编号:1001-9081(2014)11—3344—04 doi:10.11772/j.issn.1001—9081.2014.11.3344
标度 曲线拟合与金融时间序列聚类
袁 铭 。
(天津财经大学 理工学院,天津 300222)
( 通信作者电子邮箱 yuanmingtianjin@163.com)
摘 要:针对金融时间序列具有的多重分形特征,提 出基于标度曲线测度沪深300指标股之间的相似性并实现聚
类。该方法首先使用多标度退势波动分析 (MSDFA)拟合不同自相关阶数下收益率序列的标度 曲线,然后抽取其分布
或形态特征构造模式向量。聚类通过含权K-means算法实现,最优类别数根据分类适确性指标 (DBI)确定。结果显
示,基于标度曲线的聚类能够揭示出股市的行业聚集性和板块间的关联性,在此基础上构造的投资组合可以显著降
低风险,并且效果优于基于原始序列线性趋势特征的聚类。
关键词:时间序列聚类;多重分形;多标度退势波动分析;K均值聚类算法;均值.方差模型
中图分类号:TP391.4 文献标志码:A
Fittingofscalingcurveandfinancialtimeseriesclustering
YUAN Ming
(SchoolofTechnology,TianjinUniversityofFinanceandEconomics,Tianjin300222,China)
Abstract:Inordertotakethemulti·fractalpropertiesoffinancialtimeseriesinto consideration,aclusteringmethod
basedonmeasuringsimilaritiesamongCSI300 indexstocksthrough scalingcurvewasproposed.Thealgorithm firstlyfitted
scalingcurveatdifferentautoeorrelationorderthroughMulti-ScaleDetrendFluctuationAnalysis(MSDFA).Thenitabstracted
thedistribution orshapefeaturesofscaling curveforthe construction ofpattern vector.Clusteringwasimplemented by
weightedK-meansalgorithmandtheoptimalnumberofcategorieswasdeterminedbyDavis—BouldinIndex(DBI).Theresult
showstheclusteringbasedonscalingcurvecandiscoverindustryaggregationandstronglinkageofdifferentplateswithinthe
stockmarket.The porftolio builtfrom differentclusterscan reduce therisk greatly and theproposed methodoutperfomr s
clusteringmethodbasedonlineartrendfeaturesoforiginal series.
Keywords:timeseriesclustering;multi—fr
文档评论(0)