資源描述：
《基于符號時間序列分析的金融波動分析與預測》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、基于符號時間序列分析的金融波動分析與預測AnalysisandForecastofFinancialvolatilityBasedonSymbolicTimeSeriesAnalysis學科專業(yè)：管理科學與工程研究生：王雨蒙指導教師：徐梅副教授天津大學管理學院二零一二年十一月獨創(chuàng)性聲明本人聲明所呈交的學位論文是本人在導師指導下進行的研究工作和取得的研究成果，除了文中特別加以標注和致謝之處外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得天津大學或其他教育機構的學位或證書而使用過的材料。與我一同工作的同志對
2、本研究所做的任何貢獻均已在論文中作了明確的說明并表示了謝意。學位論文作者簽名：簽字日期：年月日學位論文版權使用授權書本學位論文作者完全了解天津大學有關保留、使用學位論文的規(guī)定。特授權天津大學可以將學位論文的全部或部分內(nèi)容編入有關數(shù)據(jù)庫進行檢索，并采用影印、縮印或掃描等復制手段保存、匯編以供查閱和借閱。同意學校向國家有關部門或機構送交論文的復印件和磁盤。（保密的學位論文在解密后適用本授權說明）學位論文作者簽名：導師簽名：簽字日期：年月日簽字日期：年月日摘要高頻金融數(shù)據(jù)包含更多的市場信息，由于其在市場微觀結構的實證研究方面
3、的重要性而受到廣泛關注。對高頻金融波動的研究對股票估值、衍生產(chǎn)品定價、資產(chǎn)組合配置、風險管理、貨幣政策的制定等至關重要，傳統(tǒng)分析方法針對具體的波動數(shù)據(jù)，建立波動模型，本文則從不同的角度出發(fā)，分析與預測高頻金融波動的整體模式。本文首先將符號時間序列分析方法與K-NearestNeighbors(K-NN)算法相結合，提出了一種基于符號時間序列直方圖的高頻金融波動整體分布的預測方法。第一步將觀測所得的時間序列變換為符號時間序列，利用符號序列直方圖直觀表示符號序列的分布，引入符號直方圖時間序列的概念，采用K-NN算法得到下一
4、個周期符號序列直方圖的預測。在K-NN算法中，針對符號序列直方圖的特點，2提出以歐幾里得范數(shù)，χ統(tǒng)計量和相對熵作為選擇鄰居時的符號直方圖序列相似度的度量方法，并利用系統(tǒng)自身的幾何特性確定符號直方圖序列的嵌入維數(shù)。其次，利用可以有效提取日內(nèi)信息的“已實現(xiàn)”波動來度量高頻金融時間序列的波動，首次使用具有魯棒性的排列熵方法分析“已實現(xiàn)”波動序列的順序模式、序列之間的廣義同步，利用全概率理論，在已知歷史“已實現(xiàn)”波動順序模式的情況下，預測下一個交易日的“已實現(xiàn)”波動處于不同水平的概率。針對本文所提的方法，均以上證綜指或深證成指
5、5分時的高頻數(shù)據(jù)檢驗了方法的可行性與有效性。結果表明直方圖時間序列的預測所得結果整體誤差均在可以接受的范圍內(nèi)，預測所得的分布與真實分布均值相同，但是方差較?。欢谂帕徐胤椒ǚ治鰰r，發(fā)現(xiàn)這兩個指數(shù)的“已實現(xiàn)”波動序列之間基本不存在廣義同步，確定了它們的主要順序模式，并基于主要順序模式對“已實現(xiàn)”波動水平進行預測，結果顯示主要順序模式的條件順序模式仍然占主要地位。關鍵詞：符號時間序列直方圖，K-NN預測，“已實現(xiàn)”波動，排列熵，廣義同步ABSTRACTFinancialhigh-frequencydataincludem
6、oremarketinformationanditisanimportantpartintheempiricalresearchofmarketmicrostructure,thisrecognitionhasspurredanextensiveandvibrantresearchintoit.Thestudyofhigh-frequencyfinancialvolatilityisanimportanttaskinfinancialmarkets,especiallyinrelationtoassetallocati
7、on,riskmanagement,securityvaluation,thepricingofderivativesandmonetarypolicy-making.Thetraditionalmethodsalmostfocusonthespecificdataandtrytoconstructprecisemodels,however,thisarticleanalyzesandforecaststheentirepatternsofhigh-frequencyfinancialdatafromadifferen
8、tangle.First，AnewmethodofcombiningsymbolictimeseriesanalysisandK-NearestNeighbors(K-NN)algorithmisputforwardtoforecasthighfrequencyfinancialvolatilitybasedonsymbolict
