论文部分内容阅读
在金融行业中,时间序列可以说是特别重要的信息,所谓的时间序列是指一系列被观测数据按照时间顺序排列,观测值按照等距或者非等距的时间间隔采样。而作金融证券分析时,常常以过去的历史数据或者资料为依据,对未来的趋势或者涨跌提供预测性信息。比如股票或者期货中的开盘价、收盘价、最高价、最低价、交易额、交易量等。都可以作为时间序列对其进行分析。而对这些时间序列进行分析,对其进行加工再改造,产生了一系列新的指标,包括:KDJ,MACD,RSI等[1],用这些指标来预测证券未来的走势是目前比较常用的方法。而最近在国内正在产生一种新的数量化的研究方法。包括通过数学、物理、信号[2][31]、人工智能[3]、心理[7]等方法对时间序列进行多方面的研究,二是进行程序化交易系统的研究。本文重点是通过对时间序列的分解,降噪,相关特征量,时间序列之间的相关性进行研究(其中包括用Copula函数对二元时间序列的尾部的相关性进行研究,用多元GARCH模型等[4]),其次是对时间序列的记忆性通过分形方法进行分析,由于受到众多非线性因素的影响,金融时间序列往往呈现出复杂的形态和细节特征,通过移动Hurst指数对其变化趋势进行分析。以及对时间序列进行频谱分析,判断时间序列的周期。通过自回归移动平均模型(ARMA),整体性自回归移动平均模型(ARIMA)等对时间序列进行线性回归预测,通过神经网络和支持向量机等对时间序列进行非线性的回归预测。通过线性或者非线性分析对变量进行拟合,从而分析变量的依赖程度,对金融时间序列而言,回归分析用于分析序列的趋势性以及趋势的变动性。即通过数学、物理、计算机智能化对时间序列进行系统性的分析和研究,从而对时间序列的未来趋势做出预测。