金融时间序列隐含模式挖掘方法及其应用研究

目前已有金融计量经济方法主要通过统计模型从全局的角度来研究时间序 列，这种方法一方面依赖苛刻的假设条件，另一方面它要求所有数据都符合一个 固定的数学模型，显得过于牵强。因而它们在许多实际应用中往往是失败的。针 对这些不足，本文从一个新的角度，即从寻找序列中局部模式入手来获取金融序 列中隐含特征信息。尽管时序挖掘正是当前研究热点，人们已取得不少成果，但 是关于如何从金融时间序列中获取有价值的隐含模式的理论、方法和应用的研究 都还相当缺乏，为此本文就其中的若干关键问题以及金融中的实际应用展开了研 究，并提出了若干新的思想和方法。具体包括： (1) 分析了金融时间序列隐含模式挖掘的可行性，指出尽管技术分析还缺乏 有力的理论依据而受到很多人的怀疑，并且与有效市场相悖，但技术分析仍然受 到很多人的追捧，不能简单地认为他们是“别无选择”。并且市场是否有效还存在 诸多争议，人们还难以否定历史数据对未来市场的可预测性。指出通过挖掘隐含 局部模式来进行预测是一种新的思想和尝试； (2) 根据金融时间序列的特点，本文选取小波方法进行去噪预处理。探讨了 有关小波非线性阈值法去噪过程中，小波函数、阈值确定方法和小波分解层次等 若干关键参数的选取问题； (3) 时间序列相似性度量是时间序列挖掘中的一个基本问题，已有的相似度 量方法都没有将相似度量的主观偏好性考虑进去，鉴于金融市场的复杂性，充分 利用市场中有经验投资者对相似性的独特见解更有可能将其经验提升为规则。因 而提出了一种反映主观偏好性的三分量加权相似度量模型，它从水平、幅度、相 关性三方面来考虑序列的相似性。为了求解偏好参数，通过可视化操作将其转化 为一非线性优化问题，并采用遗传算法进行求解； (4) 从序列中挖掘出隐含模式的一个直接应用，就是希望其能提供对未来的 预测信息。本文提出了时间序列事件征兆模式挖掘的有关概念和相应的方法 TSEOPM。实验结果表明，无论对确定性时间序列还是随机性较强的时间序列， TSEOPM都能非常有效地找出事件的征兆模式，因此将其用于预测能获得比较好 的效果； (5) 不同序列间的关联模式也是一类隐含在序列中的很有趣的特征信息。本 文提出了基于共同作用机制的原理挖掘关联模式的方法。它包括线性化分段、聚 类并符号化以及关联模式挖掘等过程，本文对它们都进行了详细阐述。并且为考 察其有效性，给出了两个模拟实验。 (6) 最后，探讨了隐含序列模式挖掘在金融领域的实际应用问题。其中将事 博士学位论文 件征兆模式挖掘用于深沪A股市场的分析，发现我国股市利用本文征兆模式具有 较强的可预测性，因而市场并没有如一些文献所认为的己经达到弱式有效，肯定 了技术分析的可行性。此外，将关联模式挖掘用于不同股票间的分析，发现了一 些表面无关的股票，内部其实存在局部关联特征。最后就本文研究方法在技术交 易决策系统中的应用进行了举例，给出了一技术交易决策系统的原型，其最大优 点在于能部分满足投资者自助式、个性化的需求。 本文工作受国家自然科学基金项目(编号70371028)资助 关键词:金融;数据挖掘;时间序列;征兆模式;关联模式;有效市场;相似性 一V一