在关于时间序列的相关性方面,前人作了诸多研究。由于时间序列存在多尺度、非线性和非平稳等特性,只研究两个时间序列的相关性可能会导致错误的结果,因此引入偏交叉相关性的概念,旨在消除其他因素或其他时间序列对研究的原始时间序列的影响,根据计算的偏交叉相关系数可以进行分类、预测和监测等研究。本文旨在研究关于非平稳时间序列的偏交叉相关性的方法。本文第一部分为去趋势互相关性的研究,由于时间序列具有多尺度、非线性和非平稳等性质,使用互相关性（DCCA）研究可能会导致错误的结果,因此在互相关性分析方法的基础上,加入偏相关的分析,去除其他因素对时间序列的影响,更为准确地得到时间序列之间的相关性。在不同股票数据集中进行试验,结果表明,该方法有效地反应出时间序列之间的相关性,提供的结果更为真实、准确。本文第二部分基于去趋势移动平均互相关分析方法的分析,提出去趋势移动平均线部分互相关分析的方法。该方法结合了互相关性分析和移动平均相关性分析的优点,通过向前、居中、向后的方法移动,划分窗口大小,并进行移动对整个时间序列进行分割。通过对模拟数据和真实股票数据的研究,该方法可以准确地揭示时间序列之间的相关性,有效去除了其他因素或其他时间序列对研究的时间序列之间的影响,且能大概率检测到股票市场的异常波动,比如2008年的美国金融危机,此次危机也影响了全球的股票市场,通过分析可以预测到经济的异常波动。本文第三部分主要介绍了一种新的研究偏交叉相关性的方法——DPXA,该方法用最小二乘法的思想,求出误差项的最优解,结合赫斯特系数,计算出时间序列之间的偏交叉相关性系数,结合空间维度（MDS）的方法,将原数据中的点映射到低维空间中进行分类,其中的映射距离则采用计算出的偏交叉相关性系数,同时与欧氏距离进行比较,结果表明,利用偏交叉相关性系数映射的结果更为准确地反映了真实股票的分类。本文第四部分主要介绍了算法交易中的常用策略,根据金融市场的规则,主要研究了TWAP和VWAP策略。从结果看出,TWAP策略仅仅是在时间上,对交易量进行平均,基于此不能很好地进行拆单,而VWAP策略则是根据日交易量在不同分钟内的占比进行研究,我们可以看到有起伏变化,基于此可以考虑到在高峰时期进行更多地交易不会引起市场的巨大波动。此外,我们对不同交易所进行策略分析,主要是上交所和深交所,基于VWAP策略,两个交易所的表现大致相同,但是细微之处仍有差别。本文49图幅,表1个,参考文献78篇。