改进小波阈值去噪方法在外汇市场中应用.docVIP

改进的小波阈值去噪方法在外汇市场中的应用 　　 摘要:金融时间序列本质上具有非平稳性、非线性、信噪比低的特点,因此在对其进行分析前,有必要消去一些随机噪声。传统的软、硬阈值去噪方法分别存在偏差和方差过大的缺点。本文在硬、软阈值方法基础上,改进了阈值函数的选取,引入硬、软阈值折中函数和改进的指数型阈值函数的小波去噪方法。并利用Matlab对四种去噪方法进行了对比,结果表明硬软阈值折中方法去噪效果要优于其他方法,并将该去噪方法应用在外汇市场中,给外汇走势的分析者提供了数据处理工具。 　　 关键词:小波理论;阈值去噪;Matlab仿真;信噪比 　　 　　 一、引言 　　 基于小波阈值去噪方法的核心是小波系数的估计,阈值函数体现了几种系数的不同处理策略以及不同的估计方法。然而,在硬阈值的处理过程中,得到的估计小波系数值连续性差,可能引起重构信号的震荡;而用软阈值法处理后,估计小波系数值虽然连续性好,易于处理,但由于当小波系数较大时,估计值与原来的小波系数值有固定的偏差,这将直接影响重构信号与真实信号的逼近程度,给重构信号带来不可避免的误差。本文在传统阈值函数去噪方法的基础上,引入硬、软阈值折中函数和改进的指数型阈值函数小波去噪方法,利用Matlab仿真将其与传统的阈值去噪方法进行比较,结果表明硬软阈值折中方法去噪效果要优于其他的阈值去噪方法,同时利用这种方法进行实证分析,将其应用在外汇时间序列数据去噪处理中,得到较好点的去噪效果。 　　 二、小波阈值去噪模型的建立 　　 对金融时间序列来说,很难给噪声下一个准确的定义,那些随机性强、无法从中找出有价值的规律的信号都可以视为噪声信号。因此,为了防止去掉有价值的信号,我们一般只将那些频繁,幅度不大的波动作为噪声,而它们一般表现为高斯白噪声形式。因此含噪信号模型可表示为:Xt=Dt+σεt,其中,εt～N(0,1),即服从标准正态分布,σ为噪声的标准差。对带噪信号Xt=Dt+σεt作离散小波变换后,得到的小波系数Wj,k由两部分组成,一部分是真实信号Dt对应的小波系数,记为dj,k,另一部分是噪声et对应的小波系数,记为ej,k。小波阈值去噪方法在最小均方误差(MSE)意义上是有效的,并且已???取得了广泛的应用,此方法的基本思想是: 　　 (1)对带噪信号Xt作小波变换,得到一组小波系数Wj,k; 　　 (2)通过对Wj,k进行阈值处理,得到估计小波系数 ,使得 尽量小; 　　 (3)利用 进行小波重构,得到估计信号,即为去噪后的信号。 　　 小波去噪的效果取决于以下两点:1)去噪后的信号应该和原信号有同等的光滑性;2)信号经处理后的均方根误差(RMSE)越小,信噪比(SND/dB)越大,效果越好,它们的定义形式分别为: 　　其中x(j)为原始信号在取样点j 的 　　幅值, 为消噪后的信号在位置j的幅值,N为信号长度。因此,如何选择阈值和如何利用阈值来量化小波系数,将直接影响到小波去噪结果。 　　 三、小波系数的阈值处理过程 　　 3.1阈值的选取 　　 由前述阈值法去噪的原理可知阈值是区分信号和噪声的分水岭。阈值太高,会引起信号失真,太低则又去噪不完全。一般的,阈值的确定主要基于这样几项准则: 　　 (1)无偏风险估计准则(RIGRSURE)即一种基于Stein的无偏似然估计原理的自适应阈值选择方法。对每个阈值,求出对应的风险值,风险最小的即为所选。 　　 (2)固定阈值准则(SQTWOLOG)设n为小波系数向量长度,则对应的阈值为:。 　　 (3)混合准则(HEURSURE)它是RIGRSURE和SQTWOLOG准则的混合,其阈值方法为:首先判断两个变量Eta和Crit的大小,若EtaCrit,则选取固定阈值,否则选取RIGRSURE和SQTWOLOG准则的较小者作为本准则的阈值。 　　 (4)极小极大准则(MINIMAXI)也是一种固定阈值选择形式。由于去噪信号可假设为未知回归函数的估计量,则极小极大估计量是实现在最坏条件下最小均方误差最小量。其阈值是针对标准差为1的高斯白噪声而言,因此实际阈值应取为,其中σ为噪声的标准差。 　　 对于汇率市场的高频信号数据,本文采用了极小极大准则(MINIMAXI)进行阈值处理。 　　 3.2常用的阈值处理函数 　　 阈值确定后,利用阈值函数对阈值进行处理。传统处理阈值的阈值函数可以分为以下两种,一为硬阈值函数;二为软阈值函数。其估计小波系数的表达式分别为:硬阈值法保留较大的小波 　　系数将较小的小波系数置零,即 ;而软阈值法将较小的小波系数置零,对较大的小波系数向零进行了收缩, 　　即 。软、硬阈值方法虽然在实际中得到了广泛的应用,也取得了较好的效果,但这些方法本身还存在一些缺陷,在硬阈值处理过