随着数据时代的到来,数据的规模和复杂性也在不断增长。相较于一元时间序列,虽然多元时间序列的结构更加复杂建模分析更加困难,但多元时间序列能为决策者提供更多有意义的信息,因而多元时间序列的研究受到了越来越多的重视。判别和分析多元时间序列在时间和空间维度上的结构性变化是一个被广泛研究的课题,如多元时间序列数据的分割研究、宏观经济中的商业周期拐点识别研究以及金融市场中基于拐点判断的反向投资策略研究等都可以被归为这一研究范畴。本文基于前人在多元时间序列结构性变化研究的基础之上,得到了一些新的研究思路和结果,主要包括如下几个方面的工作:(1)目前,一元时间序列分割方法的理论体系已经相对成熟,但相比较而言,多元时间序列分割的建模和计算更加复杂,因而能满足分析要求的多元时间序列的分割方法较少。多元时间序列的分割算法通常是通过扩展已有的一元时间序列分割算法来得到。与传统方法不同的是,本文通过动态因子模型将多元时间序列变换为一元时间序列来适应己有的一元时间序列的分割算法从而达到分割多元时间序列的目的。首先,通过动态因子模型从多元时间序列中抽取出一元公共因子序列,然后将二值分割算法、片段邻域算法以及修剪精确线性时间算法等三种典型的搜索算法用于公共因子序列的分割,该序列的分割结果被作为多元时间序列的分割结果。实验结果验证了所提出方法在多元水文时间序列分割中的适用性和鲁棒性。(2)商业周期的综合指标在宏观经济的分析中扮演着重要的角色,它能帮助决策者评估经济形势进而制定相关的政策。基于此,本文提出了一种基于信息微粒和动态时间规整的构造商业周期的新方法,这种方法不仅能将最重要的商业周期同步指标实际国内生产总值(Gross Domestic Product,GDP)纳入考虑范围,同时又能避免混合频率数据的动态因子模型的复杂估计过程。首先,实际GDP的季度数据按照信息微粒的有效划分原则被划分成多个信息微粒。然后,基于实际GDP的划分,月度同步指标的数据被进行分割,在这个过程中,动态时间规整被用于计算分割得到的月度时间序列片段与季度GDP片段间的相似性,通过归一化相似性指标的倒数得到权重。最后,计算月度同步指标的加权平均值得到最终的商业周期的月度综合指标。实验结果表明构造的综合指标能很好地反映商业周期的动态变化并能较准确地识别商业周期拐点的位置。(3)作为一种典型的时间序列数据,期货价格数据具有波动性大、不易预测等特点。传统的时间序列线性模型,包括自冋归(AR)模型以及自回归移动平均模型(ARMA)难以对期货价格数据进行有效预测。鉴于此,本文基于拐点分析结合布林带技术指标以及关联分析建立了一套用于期货自动交易的交易策略。首先,基于期货价格数据构建相关的布林带指标,并应用模糊化方法提取布林带指标与未来价格变动指标间的具有良好语义解释的关联规则关系。然后,在历史可以重演的假设下,提取的关联规则被设计成交易策略在期货交易软件交易开拓者上进行期货的程序化交易。最终,交易结果显示提取的规则能较准确地预判期货行情发生反转处的拐点,从而指导交易者在期货市场进行适当的交易来获益。