金融高频时间序列的MODWT波动分析.docVIP

金融高频时间序列的MODWT波动分析 　　摘要：与经典小波变换相比，利用最大交叠小波变换（MODWT）对非平稳时间序列进行分解时，由于没有下采样的过程，因此可以最大限度地减少数据信息的遗失。该文通过对股指期货主力合约一天中的采样数据进行研究。发现MODWT可以有效地对序列中的波动与趋势进行分解。此外文章中还发现，如果分解层数足够多，那么大部分的趋势信息则被波动信息所覆盖。因此总结出用小波对零均值数据进行滤波时，要适当选择分解的层数。 　　关键词：最大交叠小波变换；分解；消噪 　　中图分类号：TP391 文献标识码：A文章编号：1009-3044(2011)10-2454-02 　　Financial High Frequency Time Sequence MODWT Fluctuation Analysis 　　ZHAI Bo 　　(Department of Business, University of Shanghai Science and Technology, Shanghai 200090, China) 　　Abstract: Compared with the classical DWT, the maximum overlap wavelet transform is non-decimated, so when decompose time series, it can reserve the maximum data information. This paper researches the daily trading amount data of stock index future top contact and found that MODWT can effectively decompose the fluctuations and trends. There is another finding that if the level of decomposition is enough, the trend information can be covered by the fluctuations. So when wavelet is used as the filter for the zero-mean data, the level should be selected appropriately. 　　Key words: maximum overlap wavelet transform(MODWT); decomposition; denoising 　　时间序列分析作为数理统计学的一个分支，是研究随机过程的一个重要的工具，在社会科学、自然科学、管理与工程技术领域有着广泛的应用。伴随着计算机技术的发展，数据的获得与处理变得越来越容易。以金融高频时间序列为研究对象是我们日常生活中接触非常多的问题，也最难处理，尤其是一些数据带有非线性、非平稳性和长记忆性等非平稳性的特征。长期以来,小波由于其良好的时频特性，一直都是时间序列处理强有力的工具，在数学界更有“数学显微镜”的美称。与经典的离散正交小波变换(DWT)相比，MODWT没有下采样的过程，因此在每一个时间点上都有一个相应的小波函数的值与其对应，因此其突破了正交小波对数据的长度必须是2N的限制。对于高频数据，由于采样十分紧凑，因此MODWT也大大避免了因为下采样造成了数据信息的遗失。由于离散平稳小波基的冗余性，在处理相关问题上优于离散正交小波变换。 　　本文介绍了MODWT的基本性质，并从股指期货主力合约的日数据入手，介绍了小波去噪的原理。与此同时，总结出在用小波进行消噪过程中，不易将尺度放得过大，否则会滤除掉有用的信息。 　　1 预备知识 　　1.1 高频金融时间序列 　　高频时间序列数据是指在细小的时间间隔上抽取的观测值，在金融市场中，高频率采集的数据可以分为两类：高频数据和超高频数据。高频数据是指以小时、分钟或秒为采集频率的数据。而超高频数据则是指交易过程中实时采集的数据。高频数据和超高频数据两者之间的最大区别是:前者是等时间间隔的，后者的时间间隔是时变的。一般而言，金融市场上的信息是连续的影响证券市场价格运动过程的。数据的离散采集必然会造成信息不同程度的缺失。采集数据频率越高，信息丢失越少；反之，信息丢失越多。 　　1.2 MODWT（最大交叠小波变换） 　　MODWT的小波基为： 　　（1） 　　其中：j=-1,…,-J,K=1,…N，J=log2N，N是时间序列的长度，例如 　　由小波分析理论我们知道，通过小波基的伸缩和平移，原序列可以分解成各个尺度空间内的细节序列和近似序列的加和