日内金融高频数据的异常点检测研究.pdfVIP

2005年全国自动化新技术学术交流会会议论文集 日内金融高频数据的异常点检测 张维1‘2，刘博1，张小涛1 (1．天津大学金融工程，天津300072 2．天津财经学院，天津300222) 摘要：金融市场上有大量的波动，这些波动可能与经济事件相关．本文采用了基于WTMM{(wavelet transfermodulus maxima的multifractal形式来检测在高频时间序列下的异常点的存在和定位。 我们得到虽然日内高频金融数据和低频数据之间存在着很多统计特征的不同，但是小波的方法可以用 于金融高频数据中的异常点的检测的结论。 关键词：日内高频；异常点；波动；金融数据 中图分类号：TP206 文j赣标识码：A 0 引言 andJue 金融市场上大量的波动可能是因为事件造成的。HongweiQi Wang2004【11给出了异 5Jl 常点的定义。为了更好的预测和估计市场，建立更加合理的模型，研究市场上的异常点有实际意义l 6J． J 现存有很多检测异常点的方法。Victoria Austin(2004)121A给了一个关于 Hodge＆Jim 异常点检测的方法的总结分析．在他们的研究中指出异常点来自于机理错误，系统行为改变，欺诈行 为，人为误差，测量误差，或者由于简单的自然偏差。但是他们总结的方法没有指出能否区别传统 意义上的噪声或者是偏差，还是由于数据内部本身的异常现象特征。 James 的研究如何用小波变换来分析金融市场上数据的一些统计特征比如Zbigniew 131，他们通过对SP指数的研究，描述了用小波变换研究金融数据的特点。而且ZbigniewR．Struzik， Arno 他们的并没有提及是否这种分析方法适合高频数据的异常点检测，因为高频数据与低频数据在统计 I 11l。 上有很多的不一样的特征IloI 国内一些学者也是按照常规方法作的，他们基于股票市场的数据，给出了金融时间序列的特征 的分析，并且也指出了以后工作中可能用到分形尺度来分析金融时间序列。有一些学者通过小波来 分析市场的长期和短期有效性1131．虽然都给出一些小波分析金融数据的方法，但是对于日内数据的 研究以及日内的数据的异常点的检测，小波方法是否有效，并没有涉及到，研究的重点往往集中在 关于日内数据与低频数据的差别上114I． 事件。如果我们可以通过这种小波的方法来检测高频时间序列中的异常点的话，对于金融市场数据 的研究将很有意义。 1 检测方法 由于高频数据和低频数据之间有很大的特点的差别，这些统计差别是不能直接采用低频数据的 方法用于分析高频数据。在这里先阐述我们检验异常点的方法。 定义某点处的实时函数f的连续WT为as： 引，1㈠，a)=}f．‘j，(，)妒(芋… (1) 这里f(Q)是异常点处的谱；xO是位置参数a(0)是尺度参数． f在某个位置为： 乙[／](‰，口)口口M粕’，a专0+ (2) 427 2005年全国自动化新技术学术交流会会议论文集 收敛矩m满足： j-。工“y(x)出=o，V。，0≤m～ ㈨ 基于multifractal formalism(MF)的配分函数定义为： Z