金融时间序列相关论文
现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性，导致预测精度不高。针对此问题，提出一种基于二次分解......
时间序列分析在天文学、生物学、工程学、金融学等众多领域有着广泛的应用。其中,股票、期货以及外汇等金融市场产生的大量时序数......
随着深度学习的发展，神经网络模型已被广泛应用于期货等金融资产价格序列预测研究工作中。当前的研究以低频数据为主，针对非线性、非......
随着科技的发展、互联网的普及,以论坛、微博、新闻和其他社区交流网站为主要载体的社会化媒体正在快速丰富着人们的闲余生活,在这......
利用信息技术对我国商品指数价格进行预测是一项非常有意义的研究。预判商品指数的价格走势不但有利于企业利用大宗商品的价格信息......
金融市场是国家经济体系中至关重要组成部分,在某种意义上反应了一个国家的经济发展状况。对金融时间序列进行预测一直是众多投资......
据美国期货业协会（FIA）统计,自2015年以来,我国豆粕期货成交量已连续5年位居全球农产品期货第一位,是我国推出较为成功的农产品期货......
由于时间序列的非线性和时变性,以往的神经网络预测方法都无法获得理想的效果。基于自适应神经网络的时序数据n步预测算法,可以让......
在大数据环境下,数据结构及其内在模式与特征的复杂性日益增加,如何科学有效地从海量数据中萃取、过滤、筛选出有价值的信息以更好......
低频、可靠的预测买入或卖出的关键交易事件,是实现金融交易高回报、低风险的有效途径。金融序列的过去值对未来值有直接或者间接......
金融时间序列的确定性判断将直接影响到对其进行研究的理论框架的选择。本文提出了一种非线性时间序列确定性的检验方法。该方法首......
在经济全球化、金融一体化的今天,股票市场不断复杂化,呈现出诸多经典金融分析无力解释的背离现象,但与此同时,一些经典金融统计特......
金融时间序列一直以来以其非线性、非平稳、信噪比低等特性成为时间序列预测中的难题.本文提出基于变分模态分解的VMD-ELM模型,利......
本文对基于分解-组合的预测模型在金融时间序列上的应用进行了探讨,预测模型由经验模态分解(EMD)、最小二乘支持向量机(LSSVM)组成......
结合经验模态分解和样本熵分析方法,本文对上证综合指数、深圳成份指数和道琼斯指数的18 年日收盘时间序列进行了多尺度复杂性分析......
两步优化估计方法IFM是Copula—GARCH模型的重要参数估计方法，但是当研究的样本容量较小时，IFM估计方法会产生较大的估计误差。为了......
【摘 要】在“互联网+大数据”的背景下，搜索引擎为人类提供了多源的瞬时信息。在预测中，由于预测系统的复杂性，区间数作为刻画事物随......
数据挖掘是近年来人工智能与数据库领域研究的前沿课题.面对当今金融信息国际化和经济全球化的趋势,金融市场瞬息万变.利用数据挖......
金融市场是一个复杂系统,积累有大量的历史数据,并且,这些数据还在以更快的速度增长.在这些海量数据中隐含着有用的信息.数据挖掘......
数据挖掘技术源于商业的直接需求,因此它在各种商业领域都存在广泛的使用价值。通过在海量的股市历史数据中进行数据挖掘,得到较高......
时间序列是按时间先后顺序将某指标时间点上的数值排列而成的数列,时间序列分析是一种动态数据处理的统计方法,它根据历史数据来判......
讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性--统计自相似性和非平稳性.利用正交小波变换的方法,给......
文章提出将集合经验模式分解和小波变换进行复合,以对单一降噪方法进行改进,并给出了该模型在金融数据降噪中的实际算例。结果显示......
金融时间序列由于高噪声性以及序列间的相关性,导致传统模型的预测精度和泛化能力往往较低。为了克服这一问题,提出一种基于注意力......
近年来,基于信息熵的时间序列分析受到越来越多的关注,并广泛应用于生理、交通、金融等众多领域。本文研究对象为金融时间序列等实......
在诸多复杂动力学系统中,金融系统与我们的生活紧密相连。对金融系统的研究往往归结于对其所产生的金融时间序列的研究。近年来,一......
随着金融系统快速的网络化、数字化发展,金融交易机构每日处理的资本流动可达千万以上量级,其中隐匿的非法交易活动屡禁不止,如传......
金融市场上日内的异常波动可能与重大经济事件相关.因此通过分析高频市场数据的异常与市场内在事件属性及其联系,可以帮助市场参与......
国际油轮运价指数作为国际油轮运输市场的晴雨表,其波动直观的展现国际油轮运输市场的表现。对国际油轮运价指数进行深入的研究,分......
时间序列模式识别、异常检测在金融领域有着广泛应用,能够为金融决策提供重要参考信息.在大数据场景下的异常检测中,为满足对计算......
金融时间序列往往是由随机过程和确定性系统共同生成的。确定性成分与随机成分的产生机理不同，对它们进行研究的手段也不同。为......
金融市场长记忆性问题的研究一直是国内金融实证研究的热点。聚合方差法是金融时间序列长记忆性检验的主要方法之一，但是它对样本容......
GARCH模型被广泛运用于经济问题的研究当中，特别是在金融时间序列方面。对航天军工上市企业股票编制指数，分别对航天军工指数和上证......
本文通过线性分段将连续性的金融时间序列转化为离散性的字符序列.并基于DNA序列分析法,讨论了此类字符序列的标度特性,以及在金融......
该文把隐马尔科夫模型的组合预测的思想结合起来，提出了基于隐马尔科夫模型的组合预测方法（ＣＦＨＭＭ），它的主要特点是可以时变自适应地计算组合......
金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道.本文首先通过构建科学性......
本文基于GARCH-时变Copula-CoVaR模型,在三种置信水平下对我国房地产业和银行业之间的时变风险溢出度进行研究。实证结果表明:用置......
伴随着金融市场快速发展，金融时间序列的结构及变量间的相关模式愈加复杂，增加了相关性分析的难度和重要性。传统的时间序列及其相关......
降趋移动平均分析法(Detrending Moving Average，DMA)是一个十分重要的分析方法，它能测定非平稳时间序列的长程相关性，应用广泛。本课......
对于高频金融时间序列的研究已有二十多年的历史，高频金融数据的波动率估计从参数模型ARCH和SV模型发展到了非参数模型，以及长记忆性......
金融时间序列特征分析一直是金融领域中最受关注的热点问题之一,利用数据挖掘技术提取金融数据中蕴藏的有用信息,解决信息爆炸和知......
在现实中，资本市场呈现出非线性的性质，而非线性系统的一个重要特征就是具有长期记忆性。由于长期记忆性的存在将使得以布朗运动，随机......
波动持续性是广泛存在于金融时间序列的一类普遍现象,波动持续性建模方法是从动态角度研究风险变化的一种有效方法。而ARCH族模型......
