隨著金融行業(yè)IT技術(shù)日新月異的發(fā)展,企業(yè)積累了海量的金融數(shù)據(jù)。如何從金融時(shí)間序列的內(nèi)在結(jié)構(gòu)和趨勢挖掘有價(jià)值的信息,是既有挑戰(zhàn)也有現(xiàn)實(shí)意義的工作。面對(duì)規(guī)模巨大的金融數(shù)據(jù),除了可以使用經(jīng)典的時(shí)間序列分析技術(shù),還可以使用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的方法。數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘擅長的就是從數(shù)據(jù)中挖掘模式和預(yù)測趨勢。用機(jī)器學(xué)習(xí)技術(shù)對(duì)數(shù)據(jù)進(jìn)行多層次、多角度分析,使得管理者基于過去的企業(yè)狀況對(duì)未來趨勢進(jìn)行預(yù)判,進(jìn)而提供科學(xué)合理的決策。基于相關(guān)性對(duì)股票進(jìn)行聚類,不僅是捕捉市場信息、制定投資策略的關(guān)鍵,而且有助于理解市場的運(yùn)作機(jī)制。本文以金融數(shù)據(jù)中最常見的股票數(shù)據(jù)為載體,通過聚類算法探索股票數(shù)據(jù)蘊(yùn)藏的有價(jià)值的信息。本文對(duì)股票聚類的相似度和聚類評(píng)價(jià)指標(biāo)進(jìn)行了研究,主要的研究內(nèi)容分為以下兩方面。首先,在股票聚類的相似性度量方面,提出了基于Copula函數(shù)的線性融合相關(guān)系數(shù)Linear_SLU和非線性融合相關(guān)系數(shù)NonLinear_SLU。相關(guān)系數(shù)是常用的股票時(shí)間序列相似性度量,但是經(jīng)典的相關(guān)系數(shù)無論是Pearson相關(guān)系數(shù)還是秩相關(guān)系數(shù)都有局限性。為了充分利用不同相關(guān)系... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題的背景和研究意義
    1.2 金融時(shí)間序列相似性度量的研究現(xiàn)狀
        1.2.1 基于形狀的金融時(shí)間序列相似度
        1.2.2 基于特征的金融時(shí)間序列相似度
        1.2.3 基于模型的金融時(shí)間序列相似度
        1.2.4 金融時(shí)間序列的相關(guān)性
    1.3 聚類評(píng)價(jià)的研究現(xiàn)狀
    1.4 本文的研究內(nèi)容
    1.5 本文的組織結(jié)構(gòu)
第2章 相關(guān)知識(shí)
    2.1 Copula函數(shù)簡介
        2.1.1 Copula函數(shù)
        2.1.2 阿基米德Copula函數(shù)
    2.2 股票時(shí)間序列的相似性度量
        2.2.1 基本度量方法
        2.2.2 基于Copula函數(shù)的相關(guān)性
    2.3 聚類算法
        2.3.1 聚類的基本概念
        2.3.2 Affinity Propagation聚類算法
        2.3.3 譜聚類算法
        2.3.4 凝聚層次聚類算法
    2.4 聚類評(píng)價(jià)
        2.4.1 外部評(píng)價(jià)指標(biāo)
        2.4.2 內(nèi)部評(píng)價(jià)指標(biāo)
    2.5 本章總結(jié)
第3章 基于Copula函數(shù)的融合相關(guān)系數(shù)
    3.1 引言
    3.2 基于Copula函數(shù)的融合相關(guān)系數(shù)
        3.2.1 Linear_SLU融合相關(guān)系數(shù)
        3.2.2 NonLinear_SLU融合相關(guān)系數(shù)
        3.2.3 融合相關(guān)系數(shù)的特點(diǎn)
        3.2.4 基于Copula函數(shù)的融合相關(guān)系數(shù)的計(jì)算
            3.2.4.1 EM算法估計(jì)M-copula函數(shù)的參數(shù)
            3.2.4.2 Linear_SLU融合相關(guān)系數(shù)的計(jì)算
            3.2.4.3 NonLinear_SLU融合相關(guān)系數(shù)的計(jì)算
    3.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        3.3.2 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)設(shè)置
        3.3.3 股票聚類的定性分析
        3.3.4 股票聚類的指標(biāo)分析
    3.4 本章總結(jié)
第4章 基于有效前沿的股票聚類評(píng)價(jià)
    4.1 引言
    4.2 基于有效前沿的股票聚類評(píng)價(jià)指標(biāo)BEF
        4.2.1 投資組合和有效前沿曲線
        4.2.2 簇代表選擇算法
        4.2.3 BEF值的數(shù)學(xué)定義
    4.3 BEF值的性質(zhì)探究
        4.3.1 BEF值隨聚類數(shù)目的變化趨勢
        4.3.2 不同相關(guān)系數(shù)下BEF值的穩(wěn)定性
        4.3.3 股票聚類的最佳數(shù)目
    4.4 本章總結(jié)
第5章 總結(jié)和展望
    5.1 本文總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果
附錄Ⅰ
附錄Ⅱ


【參考文獻(xiàn)】：
期刊論文
[1]一種基于DTW的新型股市時(shí)間序列相似性度量方法[J]. 馮鈞,陳煥霖,唐志賢,吳德.  數(shù)據(jù)采集與處理. 2015(01)
[2]評(píng)價(jià)股票聚類的Ward權(quán)熵指標(biāo)[J]. 王寧,榮喜民,何麗.  統(tǒng)計(jì)與信息論壇. 2015(01)
[3]基于近鄰傳播算法的最佳聚類數(shù)確定方法比較研究[J]. 周世兵,徐振源,唐旭清.  計(jì)算機(jī)科學(xué). 2011(02)

博士論文
[1]聚類分析中的最佳聚類數(shù)確定方法研究及應(yīng)用[D]. 周世兵.江南大學(xué) 2011



本文編號(hào)：3633858