基于時間序列特征的聚類分析在融資融券與A股交易中的研究.pdf

1、時間序列的聚類分析的研究對象常見于面板數(shù)據(jù)，對時間序列進行聚類分析則不同，是基于無監(jiān)督性學習的分類算法機制，在研究不同序列之間的相關性問題上能夠挖掘更深層次和更高維度的信息，這種思路在各類基于分形學與模式識別的量化交易中均有所體現(xiàn)。時間序列相似性的傳統(tǒng)判定方法多通過計算測試序列與目標序列相對應時刻的點與點之間的歐氏距離來進行判定，進而完成聚類的目的。但是傳統(tǒng)方法對于不同采樣頻率帶來的缺失點以及異常的離群點的處理上，有較大的缺陷，算法執(zhí)行

2、起來會造成較大的偏差，聚類效果難以讓人滿意。
　　本文給出了一種新型的判斷時間序列相似性的方法——特征因子判別法，通過對時間序列的統(tǒng)計特征、線性及非線性特征多個方面進行特征提取，將一維的與時刻一一對應的時間序列數(shù)據(jù)映射到高維空間，并據(jù)此構(gòu)建與之相對應的特征向量，再通過主成分分析的方法，借以消除特征因子之間可能存在的多重共線性問題，最后使用K-means無監(jiān)督性學習算法對數(shù)據(jù)樣本進行分類，達到數(shù)據(jù)層面的類別劃分的效果，在此基礎上，移

3、動時間窗口重復以上操作，得到新的簇，與上次聚類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的交易數(shù)據(jù)與融資融券標的股票股價走勢關系為例，通過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，進行無監(jiān)督性學習分類，達到聚類分析的效果，從理論上看，聚類分析得到的相似性組合應當，與市場指數(shù)走勢保持著較強正相關性的同時，還具備較強的趨勢性走勢，進而可以嘗

4、試通過量化擇時來對趨勢性對象進行研究。與傳統(tǒng)方法相比，減小了不同長度時間序列數(shù)據(jù)缺失點與異常離群點的影響，提高了聚類分析的準確性和時間序列識別的相似度問題。
　　在此基礎上，探究其在實際市場中的應用，將聚類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指數(shù)走勢之間的關系并探究兩者的價差，從頻域角度對傳統(tǒng)的EMA指標進行解讀，借助信號處理的觀點，對其進行修正，構(gòu)建二階低通濾波器盡可能地過濾高頻噪音信號保留低頻信號作為低延遲均