论文部分内容阅读
金融数据挖掘是信息社会中一个极具挑战性的研究方向,金融数据的随机特性使得隐藏在数据中的内存规则难以被发现。指出了经典相关分析的缺陷,进一步讨论了高阶相关系数的性质,证明了高阶相关不仅能描述隐藏的非线性相关信息,而且正好刻画了线性相关与独立之间的空白,因此,完全可以利用高阶相关性的计算简单性对金融数据中的时变非线性相关特性进行实时跟踪,克服了Brock W.等人于1987年和1992年提出的Granger-Causality独立性检验方法中需要正态假设和非实时性缺点,最后,将上述结果应用于股票价格与成交量之