時間序列挖掘方法及在投資組合中的應用.pdf

1、投資組合分析一直是金融領域的研究熱點.隨著經濟全球化的進程，全球資本市場的進一步融合，資本流動速度加快，風險加劇，如何進行有效的投資組合，回避市場風險一直是個體股民和券商關心的問題。同時金融數據呈幾何級數增長，面對日益龐大的數據，傳統(tǒng)的分析方法已經很難解決。如何對大量的金融資產進行快速分析將直接影響到投資組合的效率。數據挖掘方法由于具有強大的數據處理、信息挖掘能力，開始廣泛地應用在金融領域的相關研究中。 投資組合是指選擇多種股票

2、或其他資產進行組合，然后優(yōu)化組合以探求在給定的收益率水平下的風險最小化。理論表明，通過選取差異性較大的股票進行組合，可以減少資產的非系統(tǒng)風險。選取合適的股票品種，可以通過對每日收盤價時間序列進行聚類，即對具有不同的價格波動特性的股票進行無監(jiān)督的分類，選取相異波動特征的股票進行組合。但是金融時間序列不同于一般數據，龐大的數據不僅波動復雜，而且還伴隨著高噪聲。常用的一些聚類方法并不適用于股票數據的處理，如何改進聚類方法，使得其可以從海量的股

3、票數據中選取股票進行投資組合分析正是本研究的核心所在。 針對以上的問題，本文提出了子序列度量和馬爾可夫轉移矩陣作為相似性度量的方法，從序列的形狀和狀態(tài)變化統(tǒng)計特征兩個角度進行分析，得到不同資產價格波動序列間的距離計算公式。大量實驗驗證了該方法的合理性。根據聚類的結果，進一步選擇不同類的股票進行投資組合。本文的主要創(chuàng)新和工作如下： 1.提出基于子序列度量的相似性度量方法，并應用于時間序列聚類，并且考慮到了序列量綱的差異。