數(shù)據(jù)挖掘中金融時間序列的粗糙聚類分析.pdf

1、傳統(tǒng)統(tǒng)計分析與現(xiàn)代金融計量經(jīng)濟(jì)方法研究時間序列的主要思路是建立基于嚴(yán)格數(shù)學(xué)推導(dǎo)下的統(tǒng)計模型并對其進(jìn)行參數(shù)估計與數(shù)據(jù)檢驗，目前已建立起一套較為成熟的理論體系。但該方法既依賴于苛刻的假設(shè)條件，又要求所有數(shù)據(jù)都符合一個固定的數(shù)學(xué)模型，顯得過于牽強。數(shù)據(jù)挖掘研究時間序列的思路則不同，它由數(shù)據(jù)直接驅(qū)動建立模型，克服了上述的缺陷。 時間序列數(shù)據(jù)挖掘已是當(dāng)前的研究熱點之一，人們也取得不少的研究成果，但對于時間序列相似性度量這一關(guān)鍵難題一直未能

2、得到較好的解決，而很多時序挖掘方法都是建立在相似性的基礎(chǔ)上，顯然時間序列相似性度量直接影響著這些時序挖掘方法的結(jié)果，為此本文首先就該關(guān)鍵的基礎(chǔ)性問題展開研究，進(jìn)一步討論了該度量方法在序列挖掘中的應(yīng)用。由于數(shù)據(jù)挖掘方法眾多，本文不可能一一涉及，所以只針對聚類分析進(jìn)行深入的探討。聚類分析不僅是數(shù)據(jù)挖掘的重要組成部分，同時也是多元統(tǒng)計分析的重要方法，在實際中有廣泛的運用。本文繞開了已有較多成熟方法的硬聚類，而深入地研究了一種軟聚類——粗糙聚類

3、的方法及其在時間序列挖掘中的應(yīng)用，同時從側(cè)面反映了本文度量序列相似性方法的實用性。全文的主要工作及創(chuàng)新可歸納為以下幾點。 首先，結(jié)合小波分析的思想方法，提出一種基于小波多尺度變換的時間序列相似性度量方法，并通過金融時間序列的實例研究，說明該方法全面考慮了影響序列相似性度量的各種因素，很好地克服了已往方法無法兼顧序列整體形狀輪廓與細(xì)節(jié)差異的缺陷。 其次，在相似性度量方法的基礎(chǔ)上，研究了序列粗糙聚類方法，通過金融實證研究表明