基于LLSA小波的高頻金融時間序列突變點檢測研究.pdf

1、股票價格的變化是由信息的到達所引起的,如何準確及時的掌握新信息的到達,對于揭示股票價格的內在形成機制具有重要的意義,在對股票價格時間序列的分析中,除了長期趨勢和季節(jié)變動趨勢外,還有一種變動也是由外部事件引起并會對時間序列走勢產生持續(xù)影響,即突變點,包括跳躍點(jumps)、陡坡(steep slopes)等,它往往包含重要信息卻被誤認為噪聲進而被忽視。高頻金融時間序列的突變點往往包含重要信息,準確檢測和分析突變點的發(fā)生對投資決策具有重要

2、意義。統計數據挖掘方法(或模型)需要一種去噪算法來清洗數據,從而獲得可靠和顯著的結果。大多數數據清洗方法只專注于某些已知類型的不規(guī)則行為。對于高頻金融數據而言,不規(guī)則性是多方面的,那就是隨著不同的時間和不同的測量尺度的變化。因此,找到一個有效的去噪算法是進行高頻金融數據挖掘的關鍵。
　　以往的研究都是在某一尺度上對全體數據使用相同的濾波規(guī)則,這存在一個不足:若要保證提取趨勢不包含過多噪聲則無法包含某些突變現象,相反地,若想檢測出突

3、變現象則要付出納入不必要的干擾噪聲的代價。因而本文認為使用小波分析方法研究數據突變點并重構的關鍵在于是否能準確捕捉突變的同時還保證所提取趨勢的相對平滑,也就是說,保證準確檢測出突變部分的同時不引入額外的噪聲。本文使用一種基于最大重疊離散小波變換(MODWT)的改進型小波分析方法——局部線性尺度近似法(簡稱LLSA),同時結合線性和非線性濾波器的特點,對高頻金融數據進行突變點檢測并重構,研究該方法檢測出的突變現象能否對應重大特殊事件,以及