金融时间序列关键事件的渐近统计算法研究.pdfVIP

金融时间序列关键事件的渐近统计算法研究 摘 要 低频、可靠的预测买入或卖出的关键交易事件，是实现金融交易高回报、低风险的有 效途径。金融序列的过去值对未来值有直接或者间接的影响，这导致了关键交易事件具有 上下文依赖性，交易关键点在相对应的上下文子序列中才有意义。本文首先从价格相对强 弱指数RSI和交易量相对强弱指数RSI 中提取不同特征组成辅助序列R 。根据辅助序列R ， 定义了圆弧底形态RB和圆弧顶形态RT上下文子序列和其中的关键交易点，并设计相应分 割算法自动分割获得RB和RT上下文子序列和相应的交易关键点。 金融市场的波动性和噪音导致交易关键点是随机的，我们需要对其随机性进行研究才 能做出可靠预测。基于测度理论，本文提出了一个事件映射模型来正式定义这种随机性， Q 并将序列中的交易点通过映射函数在一个低维和规范化的度量空间 中进行表示，将交易 关键点的预测问题转化为度量空间Q 中关键事件的预测问题。根据测度理论，当映射函数 Q 是单调的时候，关键事件发生的概率可以通过 中嵌套的随机事件的概率来近似。 由于关键交易事件的稀疏性，本文设计基于LSTM 的神经网络模型来学习这个事件映 射函数，在训练过程中，把获得的上下文子序列分割成不同的数据块，和对应的交易关键 点组成新的训练集，来解决稀疏性带来的不平衡问题。基于测度论的单调收敛定理，预测 过程采用多个随机样本点来估计关键事件，可以认为是介于超采样和数据增强之间的一种 方法，最后再根据预测结果的统计收敛属性做出交易决策。本文称这种方法为渐近统计学 习算法ASL 。本文在算法ASL 的基础上还提出了改良版本，基于上下界的渐近统计学习算 法UL-ASL 。算法UL-ASL 引入了上下界逼近的概念，分别从价格的上边界和下边界逼近该 点，同时收敛时，确定交易关键点。这样做使得决策过程更加准确，鲁棒性更强。 通过实验表明，在选取的相关股票，标普 500 指数以及加密货币等六个真实数据集上， 算法ASL 和算法UL-ASL 对比十二个现有交易算法，可以从大量随机事件中预测出稀少的 关键交易事件。分别考察回报率（RoR ），夏普率（SR ）和最大回撤率（MDD ）三个指标， 在不同的市场行情下，算法ASL 和算法UL-ASL 性能均优于其他算法。 I 金融时间序列关键事件的渐近统计算法研究 关键词：关键交易事件；随机事件预测；金融时间序列；渐近统计学习；收敛性分析 II Research on Asymptotic Statistical Algorithms of Key Events in Financial Time Series Abstract It is an effective way to achieve high returns and low risk in financial transactions by key trading events for buying or selling with low frequency and reliable prediction. The past value of the financial sequence has a direct or indirect effect on the future value, which leads to the context dependency of the key transaction events that the trading pivot makes sense only in the corresponding context subsequence. In this paper, different features are extracted from