基于时间序列相似性的股价趋势预测研究

随着计算机技术应用范围逐步扩大，时间序列数据频繁出现于交通、商业、科学、金融等各个领域，时间序列数据分析处理技术被越来越多人重视。传统时间序列分析预测方法往往将时间序列数据匹配到某些数学模型中，然后再对其整体进行分析和预测，但是现实中许多数据不能够满足模型参数要求。针对于此，基于时间序列相似性的类比合成预测方法以其非参数回归特性成为该领域研究焦点。 本文在对时间序列相似性度量方法和类比合成方法的研究基础上，提出了一种不等长时间序列相似性度量方法，并设计出了适用性较强的时间序列趋势预测方案，以真实股票价格数据为基础进行了实证分析，主要工作及创新点如下： 第一，对时间序列相似性度量方法做深入研究，并对时间序列中经常出现的振幅平移、振幅伸缩、线性漂移和时间轴伸缩等形变做详细讨论，认为优秀的时间序列相似性度量方法应该对上述形变不敏感。 第二，对时间序列预测的类比合成方法进行深入研究，并对非参数回归模型做相关讨论，类比合成方法作为一种典型的非参数回归方法，具有良好的应用前景。 第三，提出改进型余弦公式的不等长时间序列相似性度量（RCBSUL）算法，该算法在原始余弦公式的基础上通过对序列进行等长化处理、归一化处理，最终实现不等长时间序列的相似性度量，该方法对振幅平移、振幅伸缩、线性漂移和时间轴伸缩不敏感。 第四，将时间序列预测的类比合成方法和RCBSUL算法相结合，设计出一种时间序列趋势预测方案，并以真实股票价格指数为基础实验数据，对股票价格走势进行预测。实验结果表明，该方案能够准确预测股价走势方向，但对于未来值的确切预测还不能令人满意，需要做进一步的研究和改进。 第五，结合RCBSUL算法和相似搜索技术，设计出一种决策支持方案，该方案并没有对股票价格走势做预测计算，而是通过搜索并提供经典图形给使用者来支持其预测判断，从而帮助使用者减轻负担。