基于分形与混沌理论相结合的金融时间序列短期预测制造技术
【技术实现步骤摘要】
基于分形与混沌理论相结合的金融时间序列短期预测
本专利技术涉及利用分形和混沌理论相结合的方法对金融时间序列进行短期预测的方法，属于金融数据挖掘领域。
技术介绍
随着金融全球化与自由化发展，金融行业的竞争越来越激烈，传统的金融分析方法在一定程度上已满足不了对于大量数据的依赖性和敏感度分析。近年来，针对金融数据动态、复杂、非线性的特点，人们将非线性理论引入金融市场，以期更加准确的从这些数据中揭示金融市场的运作规律。混沌和分形是非线性科学的主要理论，运用非线性理论能更好的分析动态复杂、非线性的大数据。目前，相关研究成果和文献已经证明金融市场具有明显的多重分形和混沌动力学特征。但是大部分的研究是对金融市场进行定性分析，或者是单独运用分形或者混沌的理论进行预测。本专利技术提出一种新的方法，将混沌理论中的相空间重构和分形理论中的分形差值预测模型结合起来，对金融时间序列进行短期预测分析。首先利用相空间重构原理进行样本的选取；然后再结合分形理论的拼贴定理和差值迭代算法对时间序列进行预测建模，在差值迭代算法中，将分形维数Hurst指数和垂直尺度因子相结合，使结果更加准确；最后利用分...
【技术保护点】
一种基于分形与混沌理论相结合的金融时间序列短期预测方法，针对周期性和自相似不明显的时间序列进行研究，其特征在于，所述短期预测方法包括如下步骤：步骤1、利用R/S分析法计算时间序列的Hurst指数和统计量
【技术特征摘要】
1.一种基于分形与混沌理论相结合的金融时间序列短期预测方法，针对周期性和自相似不明显的时间序列进行研究，其特征在于，所述短期预测方法包括如下步骤：步骤1、利用R/S分析法计算时间序列的Hurst指数和统计量，确定时间序列的周期，选取周期不明显的时间序列作为原始时间序列；步骤2、利用混沌理论对原始时间序列进行相空间重构，将一维时间序列转化为高维空间的多维矢量，在高维空间中利用相似性选取数据样本，根据采样时间点的先后顺序确定差值点并对样本数据组进行归一化处理；步骤3、利用Hurst指数确定每组样本数据的垂直尺度因子，根据垂直尺度因子确定仿射变换的变换系数（、、、），确定迭代函数系，根据每组样本的权重确定最终的迭代函数系；步骤4、外推一个时间点，对应的初值设为零，设置一个步长使对应值变换，重新进行迭代，绘制曲线，计算差值结果与历史数据的平均误差，误差最小对应的外推值就是预测值。2.根据权利要求1所述的基于分形与混沌理论相结合的金融时间序列短期预测方法，其特征在于，步骤1中，利用R/S分析法计算时间序列的Hurst指数和统计量，包括如下步骤：步骤11、对于时间序列根据公式得到Hurst指数，其中方差，极差，累计离差，为第个区间样本的均值；步骤12、根据公式得到统计量，画出与的曲线图，找到突变点对应的的值即为周期天数。3.根据权利要求1所述的基于分形与混沌理论相结合的金融时间序列短期预测方法，其特征在于，步骤2中，所述对时间序列进行相空间重构确定样本数据组包括如下步骤：步骤21、原时间序列长度为，用自相关函数法和算法计算出时间序列的延迟时间和嵌入维数；根据相空间重构理论，动力系统的吸引子被重建在一个未改变它的拓扑特征的具有延迟坐标的新的相空间中，根据嵌入定理，通过引入延迟时间，将时间序列重构成维相空间（对应的点集为），当确定时，与的关系为则经过相空间重构得到组长度为的重构序列；步骤22、由步骤21得到长度为重构后的时间序列，是重构后向量集包含的最少元素个数，因此将作为构造样本数据长度的基数，选取的样本数据长度是的整数倍，延迟时间不变；步骤23、对每组样本数据根据采样时间点的先后顺序确定差值点，每组样本数据以采样时间先后次序作为横坐标，每个采样点数据的大小作为纵坐标，这些点一起构成差值点；步骤24、根据式子对样本数据组进行归一化处理，将值缩小在是为了方便对后期的预测值进行全局搜索；其中和分别为差值点的横坐标和纵坐标，和分别为横坐标的最大值和...
【专利技术属性】
技术研发人员：李辉，王英杰，郭辉，赵玉涵，王军，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。