基于時(shí)間序列特征的聚類(lèi)分析在融資融券與A股交易中的研究.pdf

1、時(shí)間序列的聚類(lèi)分析的研究對(duì)象常見(jiàn)于面板數(shù)據(jù)，對(duì)時(shí)間序列進(jìn)行聚類(lèi)分析則不同，是基于無(wú)監(jiān)督性學(xué)習(xí)的分類(lèi)算法機(jī)制，在研究不同序列之間的相關(guān)性問(wèn)題上能夠挖掘更深層次和更高維度的信息，這種思路在各類(lèi)基于分形學(xué)與模式識(shí)別的量化交易中均有所體現(xiàn)。時(shí)間序列相似性的傳統(tǒng)判定方法多通過(guò)計(jì)算測(cè)試序列與目標(biāo)序列相對(duì)應(yīng)時(shí)刻的點(diǎn)與點(diǎn)之間的歐氏距離來(lái)進(jìn)行判定，進(jìn)而完成聚類(lèi)的目的。但是傳統(tǒng)方法對(duì)于不同采樣頻率帶來(lái)的缺失點(diǎn)以及異常的離群點(diǎn)的處理上，有較大的缺陷，算法執(zhí)行

2、起來(lái)會(huì)造成較大的偏差，聚類(lèi)效果難以讓人滿(mǎn)意。
　　本文給出了一種新型的判斷時(shí)間序列相似性的方法——特征因子判別法，通過(guò)對(duì)時(shí)間序列的統(tǒng)計(jì)特征、線性及非線性特征多個(gè)方面進(jìn)行特征提取，將一維的與時(shí)刻一一對(duì)應(yīng)的時(shí)間序列數(shù)據(jù)映射到高維空間，并據(jù)此構(gòu)建與之相對(duì)應(yīng)的特征向量，再通過(guò)主成分分析的方法，借以消除特征因子之間可能存在的多重共線性問(wèn)題，最后使用K-means無(wú)監(jiān)督性學(xué)習(xí)算法對(duì)數(shù)據(jù)樣本進(jìn)行分類(lèi)，達(dá)到數(shù)據(jù)層面的類(lèi)別劃分的效果，在此基礎(chǔ)上，移

3、動(dòng)時(shí)間窗口重復(fù)以上操作，得到新的簇，與上次聚類(lèi)得到的簇之間兩兩求交，交集占比最大的即我們所希望找到的相似性證券。本文以融資融券推出以來(lái)的交易數(shù)據(jù)與融資融券標(biāo)的股票股價(jià)走勢(shì)關(guān)系為例，通過(guò)提取其特征因子組成特征向量，劃分樣本內(nèi)外集合，將樣本內(nèi)的特征矩陣作為K-means算法的輸入樣本，進(jìn)行無(wú)監(jiān)督性學(xué)習(xí)分類(lèi)，達(dá)到聚類(lèi)分析的效果，從理論上看，聚類(lèi)分析得到的相似性組合應(yīng)當(dāng)，與市場(chǎng)指數(shù)走勢(shì)保持著較強(qiáng)正相關(guān)性的同時(shí)，還具備較強(qiáng)的趨勢(shì)性走勢(shì)，進(jìn)而可以嘗

4、試通過(guò)量化擇時(shí)來(lái)對(duì)趨勢(shì)性對(duì)象進(jìn)行研究。與傳統(tǒng)方法相比，減小了不同長(zhǎng)度時(shí)間序列數(shù)據(jù)缺失點(diǎn)與異常離群點(diǎn)的影響，提高了聚類(lèi)分析的準(zhǔn)確性和時(shí)間序列識(shí)別的相似度問(wèn)題。
　　在此基礎(chǔ)上，探究其在實(shí)際市場(chǎng)中的應(yīng)用，將聚類(lèi)分析得到的相似性證券構(gòu)建投資組合，探究其在樣本外與市場(chǎng)指數(shù)走勢(shì)之間的關(guān)系并探究?jī)烧叩膬r(jià)差，從頻域角度對(duì)傳統(tǒng)的EMA指標(biāo)進(jìn)行解讀，借助信號(hào)處理的觀點(diǎn)，對(duì)其進(jìn)行修正，構(gòu)建二階低通濾波器盡可能地過(guò)濾高頻噪音信號(hào)保留低頻信號(hào)作為低延遲均