基于小波聚类方法的股票收益率序列时间模式挖掘.pdf

第23卷第11期(总第143期)系统工程Vol.23,No.11
2005年11月SystemsEngineeringNov.,2005

文章编号:100124098(2005)1120102206

基于小波聚类方法的股票收益率序列时间模式挖掘X

陈佐,谢赤,陈晖

(湖南大学工商管理学院,湖南长沙410082)

摘要:时间模式挖掘是指在重构的相空间中搜索能表征和预测的事件的区域。针对股票收益率序列重构相
空间,以累计收益和累计密度作为聚类指标,应用小波聚类算法对序列进行时间模式挖掘。实证结果表明,以
时间模式预测事件为指导的投资策略能获得高于持有策略的收益;时间模式挖掘能有效识别事件点,事件序
列与非事件序列存在显著差别。
关键词:小波聚类;时间模式;相空间重构;股票收益率;时间序列
中图分类号:TP182文献标识码:A

模糊关系模型分别与粗糙集和灰度理论相结合,对股票的
1引言高频交易数据进行了预测和分析[4,5],随后又通过模糊微
[9]
随着数据库技术的成熟与信息技术的普及,相关行业分预测模型建立了股票价格的实时预测器。Last则基于
的数据规模急剧膨胀。专家系统、人工智能和机器学习等信号处理技术通过信息增益方法建立属性关联网络对交
[10]
知识发现技术的发展,使得“从海量数据中提取或识别有易规则进行抽取。Povinelli提出了一个时间序列数据
效的、新颖的、潜在有用的并最终可理解的模式”成为可挖掘(TSDM)通用框架,用以识别和预测时间序列事件,
[11]
能[1]。近年来,在数据极为丰富的金融领域,数据挖掘的方并针对道琼斯指数中的30种股票进行了应用。然后将
法,如神经网络、进化算法、模糊逻辑、粗糙集、支持向量机收益率序列和交易量序列结合,将该方法扩展到了多个非
[12]
等,正在得到越来越广泛的研究与应用[2-6]。稳定时间序列。
股票市场作为最为活跃的金融市场之一一直为人所Povinelli使用遗传算法在多维的相空间中进行搜索,
关注。由于获取公开的股票市场交易数据的历史资料几乎寻找以中心点p和半径r来描述的全局最优类。遗传算法
不需要成本,因而大部分的研究工作都是基于技术层面的是以概率方式求解全局最优解的一种进化算法,不当的参
数选择有可能会导致局部最优化的结果同时以中心点和
分析。著名的有效市场假说(EMH)认为股票的市场价格,
已经充分反映了当前全部股票的市场信息,分析历史数据半径来描述类的方法使得其类的形状限制于超球面上;另
无法获得超额收益[7]。目前,关于市场有效性的问题的仍一方面,全局最优搜索忽略了所有的局部最优类,而某些
局部最优类有可能正好满足决策的条件。
存在很多争论。本文认为Bodie的观点较好的对其进行了
说明:“分析人员之间的竞争保证了股价以适当的水平反小波聚类(WaveCluster)方法是一种基于网格和密
映已知的信息”。也就是说,正是因为对市场的分析提高了度的多分辨率聚类算法,能有效的处理大数据集合和多维
市场的有效性,“在市场均衡中,有效的信息收集行为应是度数据,发现任意形状的类,成功地处理孤立点,对于输入
有成果的”[8]。的顺序不敏感,不需要指定诸如结果类的数目或邻域的半
[13]
股票数据挖掘的研究主要集中在4个方面:相似序列径等参数,并能处理多达20维的数据。
匹配、股票价格预测、交易规则抽取以及时间模式发现。本文在已有相关研究的基础之上,使用小波聚类方法
对股票收益率序列的时间模式进行挖掘。本文首先讨论了
Chung等人使用遗传算法来对时间序列进行分割,以便适
应性地匹配技术分析中常见的价格变化形态[3]。Wang将时间序列嵌入重构相空间的方法以及小波聚类算法的原

X收稿日期:2005208211
基金项目:国家社会科学基金资助项目(03BJY099);教育部博士点专项科研基金资助项目(20020532005);全国高校青年教师奖
励基金资助项目
作者简介:陈佐(19792),男,湖南长沙人,湖南大学工商管理学院博士研究生,研究方向:金融工程与金融管理。
第11期陈佐,谢赤等:基于小波聚类方法的股票收益率序列时间模式挖掘301

理和主要步骤。然后针对序列的不同特点,对聚类指标实称满足允许性条件(完全重构条件)[15]
行重新定义和扩展,选取累计收益和累计密度为聚类指标+∞
ûUd(X)û2ûXû-1dX<+∞(2)
应用于深圳成分股指数。最后采用以事件指导的投资策略∫-∞
2
进行评价,并对事件序列和非事件序列进行了检验。的平方可积函数W(t)(即W(t)∈L(R))为一基本小波或小
波母函数。令
2相空间重构1t-b
Wa,b(t)=W,a,b为实数,且a≠0
ûaûa
数据挖掘包含了两层含义,数据是操作的对象,挖掘
(3)
则是指处理的方法