Measure of Dependence for Financial Time-Series
本文针对金融时间序列机器学习中准确准备数据和评估预测能力的难题,回顾并奠定了全面分析时间序列数据塑造及评估各种依赖性度量的基础,并提出了一种方法、框架及具体示例来选择和评估合适的依赖性度量。
2023-11-15 q-fin.ST
Techniques for multifractal spectrum estimation in financial time series
多重分形分析是一种重要的方法,使我们能够衡量各种数据的复杂性,通过标度性质。我们比较了最常用的技术用于多重分形指数估计从理论和实践的角度来看。特别地,我们讨论了基于Rényi熵估计的方法,特别是在存在重尾数据的情况下,它提供了一个强大的工具。为了使裸露的骨头上有一些肉,所有方法都在各种真实的金融数据集上进行了比较,包括日常和高频数据。
2016-10-22 q-fin.ST
Time-Series K-means in Causal Inference and Mechanism Clustering for Financial Data
本文提出将基于 DTW 的 TS-K-means 融入 ANM-MM 框架,以提升金融时间序列的因果推断与机制聚类性能,并通过模拟和真实数据验证其优势。
2025-06-10 q-fin.ST
Modelling of dependence in high-dimensional financial time series by cluster-derived canonical vines
我们扩展了现有的金融文献中的模型,通过引入一个集群派生的典型葡萄树(CDCV)Copula模型捕捉金融时间序列之间的高维依赖。该模型使用了一个简化的市场部门vine copula框架,类似于Heinen和Valdesogo(2008)以及Brechmann和Czado(2013)引入的框架,可以通过将资产时间序列置于市场部门指数层次结构上来应用。虽然上述作者已经证明这可以控制高维中vine copula的过度参数化,但他们的模型依赖于提供外部来源的市场和行业指数,由于对这些行业的数量和组成施加限制,限制了其更广泛的适用性。通过实施CDCV模型,我们证明了这种依赖外部指数是多余的,因为我们可以通过直接从资产时间序列的聚类中导出指数的层次结构来实现等同或改进的性能,从而从底层数据中抽象出建模过程。
2014-11-18 q-fin.ST
Dependency Structure and Scaling Properties of Financial Time Series Are Related
我们报告的交叉相关性,层次属性和多重分形的纽约证券交易所每日股票收益率之间的深刻相互作用的证据。不同的股票所显示的多重分形的程度被发现是正相关的,他们在层次结构中的交叉相关性的深度。我们提出了一个动力学模型,再现这一观察以及其他经验性质的数组。该模型的结构是异质风险的层次结构在相关矩阵的时间演化中起着至关重要的作用,提供了一个解释的机制之间的相互作用和多重分形金融市场,其中股票的多重分形的程度与它们在交叉相关结构中的层次定位。本文的实证研究为金融时间序列的单变量多尺度特性和多变量互相关特性的融合提供了一个新的视角。
2013-09-10 q-fin.ST
Multifractal analysis of financial markets
多重分形在复杂的自然和社会经济系统中随处可见。多重分形分析为理解不同领域中时间序列复杂的非线性本质提供了强有力的工具。受多重分形与流体动力学湍流的惊人相似性的启发,金融市场的多重分形分析已经蓬勃发展,形成了经济物理学的主要方向之一。本文综述了金融时间序列所采用或发明的多重分形分析方法和多重分形模型及其细微特性,这些方法和模型适用于其他学科的时间序列。本文对不同市场、不同时间段的金融时间序列中存在多重分形的累积证据进行了考察,并讨论了多重分形的来源。多重分形分析在量化市场无效率,支持风险管理和开发其他应用程序的有用性。最后讨论了多重分形分析中存在的问题和进一步的研究方向。
2018-05-12 q-fin.ST
Asset returns and volatility clustering in financial time series
对金融时间序列中的程式化事实进行了分析。我们发现,而不是在资产收益率分布的厚尾,在绝对收益率的自相关函数的缓慢衰减行为,实际上是直接相关的程度集群内的大波动的金融时间序列。我们还引入了一个指数来定量衡量这些时间序列中波动的聚集行为,并表明金融市场的大损失通常比大收益更严重。通过实例分析表明,与传统方法相比,该指数能够从金融时间序列中提取更多的信息。
2011-04-09 physics.soc-ph q-fin.ST
Financial bubbles analysis with a cross-sectional estimator
我们强调了一个非常简单的统计工具,用于分析金融泡沫,这已经在[1]中研究过了。我们提供了广泛的实证检验,这一统计工具,并调查分析其与股票相关性结构的联系。
2009-09-16 q-fin.ST
Financial Time Series: Stylized Facts for the Mexican Stock Exchange Index Compared to Developed Markets
我们提出了一些程式化的事实表现出的墨西哥证券交易所指数(IPC)的回报率的时间序列,并将其与发达国家(美国,英国和日本)和新兴市场(巴西和印度)的样本进行比较。研究时间为1997-2011年。程式化的事实主要与概率分布函数和自相关函数有关(例如,肥尾、非正态性、波动率聚类等)。我们发现,在墨西哥和巴西,但不是在其余的回报率的正偏度,建议投资机会。非线性的证据也被记录。
2014-12-09 q-fin.ST
Understanding the source of multifractality in financial markets
本文利用广义赫斯特指数方法研究了不同金融时间序列的多标度行为。我们表明,这种方法是强大的,在检测不同类型的多尺度。我们观察到一个令人困惑的现象,在多重分形的明显增加是衡量从洗牌收益,所有的时间相关性被破坏,而收益分布是保守的时间序列。这一效应是强有力的,并在包括股票市场指数、汇率和利率在内的若干实际金融数据中重现。为了了解这种效果的起源,我们调查不同的模拟时间序列通过马尔可夫切换多重分形(MSM)模型,自回归分数积分移动平均(ARFIMA)过程与稳定的创新,分数布朗运动和Levy航班。总体而言,我们的结论是,在金融时间序列中观察到的多重分形主要是一个后果的特征厚尾分布的回报和时间相关性有效果,以减少测量的多重分形。
2012-01-10 q-fin.ST
Irreversibility of financial time series: a graph-theoretical approach
最近,人们在偏离平衡运行的热力学系统中研究了时间序列不可逆性与熵产生之间的关系。在这项工作中,我们探讨这个概念的背景下,金融时间序列。我们利用可见性算法来量化1998-2012年期间演变的35个金融指数的时间不可逆性。我们表明,这个指标是补充标准的措施,波动性的基础上,并利用它来分类的财务压力时期,并相应地排名公司。然后,我们验证了这种方法,发现在主成分空间的财政年度的时间不可逆性功能的基础上的预测聚类在一起的金融压力稳定期。简要讨论了不可逆性、效率和可预测性之间的关系。
2016-01-08 physics.data-an q-fin.ST
Modeling non-stationarities in high-frequency financial time series
我们研究了属于意大利证券交易所(Borsa Italiana)富时MIB指数的逐点财务回报。我们可以确认先前检测到的非平稳性。然而,在以前的文献中报道的其他高频金融数据的标度属性仅近似有效。作为实证分析的结果,我们提出了一种基于非齐次正态复合泊松过程的描述非平稳收益的简单方法。我们对该模型进行了实证检验,结果表明,该模型可以近似地再现高频金融时间序列的几个程式化事实。此外,使用蒙特卡罗模拟,我们分析了这个模型类的顺序选择使用三个信息准则:赤池的信息准则(AIC),贝叶斯信息准则(BIC)和汉南-奎因信息准则(HQ)。为了比较,我们也进行了类似的蒙特卡罗实验的ACD(自回归条件持续时间)模型。我们的研究结果表明,信息准则的工作最好的小参数数的复合泊松型模型,而ACD模型的模型选择过程中,在某些情况下,并不工作。
2017-02-27 q-fin.ST
Multiple Time Series Ising Model for Financial Market Simulations
本文提出了一个模拟多个金融时间序列的伊辛模型。我们的模型引入了耦合到其他系统的自旋的相互作用。从我们的模型的模拟表明,时间序列表现出波动率聚集,经常观察到在现实的金融市场。此外,我们还发现,从我们的模型的波动率之间的非零交叉相关。因此,我们的模型可以模拟股票市场的股票波动是相互关联的。
2016-11-24 q-fin.CP q-fin.ST
Financial Series Prediction: Comparison Between Precision of Time Series Models and Machine Learning Methods
由于金融序列的不稳定性和噪声的存在,金融序列的精确预测一直是一个难题。虽然传统的时间序列模型如ARIMA和GARCH等已经被研究并证明是有效的,但它们的性能还远不能令人满意。机器学习作为近年来新兴的研究领域,在回归、分类等方面取得了令人难以置信的进步,在金融时间序列预测方面也有着广阔的应用前景。本文利用历史上真实的股票指数数据,通过实验比较了传统时间序列模型与主流机器学习模型(包括深度学习的一些最新模型)对金融时间序列的预测精度。结果表明,机器学习作为一种现代方法,在精度上远远超过传统模型。
2018-12-08 cs.LG q-fin.ST
Causal Discovery in Financial Markets: A Framework for Nonstationary Time-Series Data
Stevens Institute of Technology(史蒂文斯理工学院);Bloomberg(彭博)
本文提出CDNOTS方法,改进CD-NOD算法以处理非平稳时间序列中的滞后依赖,通过模拟实验优化超参数选择,并应用于金融领域识别因果关系,助力因子投资、组合分散和市场理解。
2026-09-17 q-fin.ST
Information measure for financial time series: quantifying short-term market heterogeneity
最近提出了一种基于随机序列与其移动平均相交得到的划分的可解释的信息度量。分割产生序列的不相交集合,然后根据它们的大小进行排序以形成概率分布函数,最后输入香农熵的表达式。在这项工作中,这样的熵测度实施的价格和波动的时间序列的六个金融市场。该分析是在1999年至2004年六年的数据中每分钟抽样的逐点数据上进行的,针对广泛的移动平均窗口和波动范围。研究表明,波动率序列的熵依赖于单个市场,而价格序列的熵实际上是一个市场不变的六个市场。最后,一个累积的信息措施-“市场异质性指数”-是从拟议的熵措施的积分。的市场异质性指数的价值进行了讨论,作为最佳的投资组合建设的可能的工具,并通过使用夏普比率,传统的风险多样性措施所获得的。
2018-02-19 q-fin.ST
The Local Fractal Properties of the Financial Time Series on the Polish Stock Exchange Market
我们研究的基础上的华沙证券交易所指数(WIG)的演变与最大的发展中金融市场在欧洲的金融时间序列的局部分形性质。计算WIG时间序列的局部赫斯特指数,我们发现WIG时间序列的局部分形特性的行为和金融市场上的崩溃外观之间的一个有趣的依赖关系。
2007-08-02 cs.CE physics.data-an q-fin.ST
Domain Specific Concept Drift Detectors for Predicting Financial Time Series
University of Naples(那不勒斯大学)
概念漂移检测器允许学习系统在非平稳数据流上保持良好的准确性。金融时间序列是非平稳数据流的一个实例,其概念漂移(市场阶段)对影响全球投资决策非常重要。本文研究了概念漂移检测器在应用于金融时间序列时的表现。一般结果是:a)概念漂移检测器通常比连续学习提高运行时间,b)它们的计算成本通常是甚至基本学习器的学习和预测步骤的一小部分,c)结合它们将操作的学习系统来研究概念漂移检测器是重要的,以及d)概念漂移检测器可以直接应用于原始金融数据的时间序列,而不仅仅应用于模型的精度。此外,该研究介绍了三个简单的概念漂移检测器,适合于金融时间序列,并表明,其中两个可以至少作为最先进的应用时,从最先进的金融时间序列有效。目前已提交模式识别
2021-09-01 cs.LG q-fin.ST
Financial time-series analysis: A brief overview
商品或资产的价格产生所谓的时间序列。不同类型的金融时间序列已经被记录和研究了几十年。如今,金融市场上的所有交易都被记录下来,从而产生了大量可用的数据,这些数据可以在互联网上免费获得,也可以通过商业途径获得。金融时间序列分析是理论家和实践者都非常感兴趣的一种分析方法。此外,金融时间序列中固有的随机不确定性以及处理它们所需的理论使得这个主题不仅对经济学家,而且对统计学家和物理学家都特别感兴趣。虽然这将是一个艰巨的任务,使一个详尽的审查专题,与此审查,我们试图给它的一些方面的味道。
2007-04-13 physics.soc-ph q-fin.ST
Hausdorff clustering of financial time series
本文介绍了一种基于Hausdorff距离的聚类方法,并对道琼斯工业平均指数(DJIA)的金融时间序列进行了检验。
2005-04-01 cond-mat.stat-mech physics.soc-ph q-fin.ST
Wavelet Correlation Coefficient of 'strongly correlated' financial time series
在本文中,我们使用小波的概念,表明两个金融数据之间的相关系数不是恒定的,而是随着尺度从高相关值到强反相关值的变化。在经济物理学中,相关系数是演化金融数据的层次树和最小生成树的重要输入。
2003-10-24 cond-mat.stat-mech q-fin.ST
Statistical properties of information flow in financial time series
这篇论文已被作者撤回。
2009-05-15 physics.data-an physics.soc-ph q-fin.ST
Permutation approach, high frequency trading and variety of micro patterns in financial time series
提出了一种在微观尺度上研究金融时间序列的方法--排列法。该方法被用来观察近年来高频交易如何影响金融时间序列中可能看到的微观模式。我们以“滴答滴答”汇率为例。可以看出,各种模式随着时间的推移而演变;目标市场没有主导模式的规模随着时间的推移随着更高频率交易的出现而稳步下降。
2014-07-20 cond-mat.stat-mech q-fin.ST
Gaussian process imputation of multiple financial series
Center for Mathematical Modeling(数学建模中心)
在金融信号处理中,金融指标、股票价格和汇率等多个时间序列由于对市场潜在状态的依赖性而具有很强的耦合性,因此需要对它们进行联合分析。我们专注于学习金融时间序列之间的关系,通过一个多输出高斯过程(MOGP)与表达协方差函数建模。了解金融序列之间的市场依赖关系对于金融观测的估算和预测至关重要。该模型在两个真实的金融数据集上进行了实验验证,并分析了它们在不同渠道之间的相关性。我们比较我们的模型与其他MOGP和独立的高斯过程的真实金融数据。
2020-02-11 cs.LG eess.SP q-fin.ST
Properties of low variability periods in financial time series
分析了时间序列中低变周期的性质。利用该理论方法研究了低变周期的多尺度性与时间序列的多亲和性之间的关系。结果表明,这种技术上简单的方法比传统的多仿射分析能够揭示更多的时间序列细节。我们已经将这种标度分析应用于金融时间序列:一些每日货币和股票指数时间序列。结果表明,不同的模型参数的良好的标度行为。对美元-欧元汇率高频数据的分析证实了理论预期。
2004-06-17 cond-mat.stat-mech q-fin.ST
Markov Chains application to the financial-economic time series prediction
本文将复马尔可夫链技术应用于金融时间序列的预测。复杂或高阶马尔可夫链与简单一阶马尔可夫链的主要区别是后效或记忆的存在。该技术提出了具有时间离散化间隔的层次结构的预测以及将不同频率水平的预测结果拼接到单个预测输出时间序列的拼接过程。时间离散化的层次结构给出了一种可能性,使用给定的时间序列的分形特性,使预测的不同频率的系列。给出了对世界股票市场指数的预测结果。
2011-11-22 physics.data-an q-fin.ST
Financial Time Series Prediction Using Deep Learning
在这项工作中,我们提出了一种数据驱动的端到端深度学习方法,用于时间序列预测,并应用于金融时间序列。一个深度学习方案被用来预测纽约证券交易所或纳斯达克的股票和ETF的时间趋势。我们的方法是基于一个神经网络(NN),该网络应用于原始金融数据输入,并经过训练以预测股票和ETF的时间趋势。为了处理基于佣金的交易,我们得到了一个投资策略,利用NN的概率输出,并优化平均回报。所提出的计划,以提供统计上显着的准确预测金融市场的趋势,和投资策略被证明是有利可图的,在这个具有挑战性的设置。性能与当代基准相比,在两年的回溯测试中表现良好。
2017-11-11 eess.SP q-fin.ST
Clustering Financial Time Series: How Long is Enough?
研究人员使用30天到几年的每日回报作为源数据,根据相关性对金融时间序列进行聚类。本文建立了一个统计框架来研究这种做法的有效性。我们首先表明,聚类相关的随机变量从他们的观察值是统计上一致的。然后,我们也给了一个第一个经验的答案,很多争论的问题:多长时间的时间序列?如果太短,发现的集群可能是虚假的;如果太长,动态可能会被平滑。
2016-04-14 q-fin.ST stat.ML
From turbulence to financial time series
我们开发了一个框架,特别适合于金融时报序列中观察到的自相关属性,借用从物理图片的动荡。图(1)中曲线的重叠证明了我们的方法应用于高频外汇数据的成功,因为我们能够提供所描绘数量的相对大小的分析推导。这些量包括偏离高斯概率密度函数和各种两点和三点自相关函数。
1998-02-26 cond-mat.stat-mech q-fin.ST
Quantile Correlations: Uncovering temporal dependencies in financial time series
本文利用分位数相关函数对金融时间序列的时间相关性进行了实证研究。这项研究使用了纽约证券交易所标准普尔500指数成份股的盘中数据。在建立了一个经验的概述,我们比较了分位数为基础的相关函数的随机过程从甘精胰岛素家族,并发现显着的差异。这促使我们提出基于分位数的相关函数作为一个强大的工具来评估随机过程和经验数据之间的协议。
2015-07-17 q-fin.GN q-fin.ST
Data Normalization for Bilinear Structures in High-Frequency Financial Time-series
金融时间序列分析和预测在过去几十年中得到了广泛的研究,但仍然是一个非常具有挑战性的研究课题。由于金融市场具有内在的噪声性和随机性,大多数金融时间序列的利息是非平稳的,并且往往从不同的模态中获得。这一特性带来了巨大的挑战,并可能显著影响后续分析/预测步骤的性能。最近,时间注意力增强双线性层(TABL)在解决金融预测问题方面表现出了很好的性能。在本文中,考虑到TABL网络中双线性投影的性质,我们提出了双线性归一化(BiN),这是一个简单而有效的归一化层,可以并入TABL网络,以解决输入序列中的非平稳性和多模态带来的潜在问题。我们的实验使用了一个大规模的限制订单簿(LOB)超过400万的订单事件组成的BiN-TABL优于TABL网络使用其他国家的最先进的归一化方案的大幅度。
2020-07-13 cs.CE q-fin.ST
Superstatistics with cut-off tails for financial time series
研究金融时间序列是否遵循厚尾分布。此外,经验概率分布有时在其尾部显示截断形状。为了描述这个程式化的事实,我们将截断效应纳入超级统计。证明了所提出的随机模型能够描述真实金融时间序列的统计特性。另外,我们给出了一个关于超统计量的期权定价公式。
2018-09-13 math.ST physics.data-an q-fin.ST
Financial Time Series Data Processing for Machine Learning
Lusis(卢西斯公司)
本文主要研究面向机器学习的金融时间序列数据处理。它介绍了最常见的缩放方法,然后比较了由此产生的平稳性和趋势预测有用信息的保存。它提出了一个实证测试的基础上学习简单的数据关系与简单的模型的能力。它还谈到了特定于时间序列的数据分割方法,避免了不必要的过拟合,并提出了各种标签的分类和回归。
2019-07-03 cs.LG q-fin.ST stat.ML
Scaling and multiscaling in financial series: a simple model
我们提出了一个简单的随机波动率模型,这是易于分析,很容易模拟,并捕捉到一些相关的程式化事实的金融资产,包括标度属性。特别是,该模型显示了一个交叉的对数收益率分布从幂律尾(小时间)高斯行为(大时间),缓慢衰减的波动性自相关和多尺度的时刻。尽管参数很少,但该模型能够以惊人的准确度拟合金融指数时间序列的几个关键特征,如道琼斯工业平均指数。
2012-04-18 math.PR q-fin.ST
Financial Time Series Analysis and Forecasting with HHT Feature Generation and Machine Learning
提出了一种基于互补集合经验模式分解(CEEMD)和希尔伯特-黄变换(HHT)的非平稳金融时间序列分析方法。这种噪声辅助的方法将任何时间序列分解成许多固有模式函数,以及相应的瞬时幅度和瞬时频率。模式的不同组合允许我们使用不同时间尺度的分量来重建时间序列。然后,我们应用希尔伯特谱分析来定义和计算相关的瞬时能量频谱,以说明嵌入在原始时间序列中的各种时间尺度的属性。使用HHT,我们生成一组新特征,并将它们集成到机器学习模型中,例如回归树集成、支持向量机(SVM)和长短期记忆(LSTM)神经网络。使用经验金融数据,我们比较了几个HHT增强的机器学习模型的预测性能。
2021-05-23 q-fin.CP q-fin.ST
Feature Engineering Methods on Multivariate Time-Series Data for Financial Data Science Competitions
Imperial College London(伦敦帝国学院)
本文研究面向金融数据科学竞赛的多元时间序列特征工程方法,在美国市场价格数据上应用多种特征工程技术,并以Numerai-Signals目标检验模型预测能力,同时寻求股票/期货市场数据集以扩展基准研究。
2023-04-18 cs.LG q-fin.ST
A proposal of a methodological framework with experimental guidelines to investigate clustering stability on financial time series
在本文中,我们提出了一个实证框架的从业者的角度来看,稳定性的动机。我们的目标是通过提供数据扰动来评估聚类有效性并产生市场见解,我们提出了资产聚类行为的多视图。扰动框架在一个广泛的信用违约互换时间序列数据库中得到说明,该数据库可在www.datagrapple.com上在线获得。
2015-09-17 cs.CE q-fin.ST
Scaling transformation and probability distributions for financial time series
自巴舍利耶以来,金融资产的价格被认为是由随机变量的(离散或连续)时间序列描述的,即随机过程。这种过程的尖锐标度指数或单分形行为已经在一些工作中报道。本文通过建立非线性群论方法与数学物理中发展起来的多重分形方法之间的新联系,研究了价格过程的标度变换问题。使用两组金融时间序列,我们表明,标度变换是一个非线性的群体作用的时刻的价格增量。它的线性部分具有谱分解,证明了价格增量的多重分形行为。
1999-05-12 cond-mat.stat-mech q-fin.ST
Option Pricing from Wavelet-Filtered Financial Series
我们对高频金融时间序列进行小波分解,将其分解为大时间尺度分量和小时间尺度分量。以FTSE 100指数为例,并使用Haar基进行研究,结果表明,对于期权溢价评估而言,由大多数($\simeq$ 99.6%)小波系数定义的小尺度分量可以被忽略。低通小波滤波提供的巨大压缩信息的相关性与以下事实有关:原始金融时间序列的非高斯统计结构基本上保留了超过一个交易日的到期时间。
2012-12-17 physics.data-an q-fin.PR q-fin.ST
Best linear forecast of volatility in financial time series
金融时间序列波动率的自相关函数可以用多个指数的叠加拟合。这样的情况下承认一个明确的分析解决方案的问题,建立最好的线性预测的平稳随机过程。我们描述和应用所提出的分析方法预测波动。考虑了杠杆效应和波动聚集性。预测器函数的参数是针对道琼斯30工业平均指数数值地确定的。连接所提出的方法,流行的可扩展性模型进行了讨论。
2004-01-20 cond-mat.stat-mech q-fin.ST
A multiscale view on inverse statistics and gain/loss asymmetry in financial time series
研究人员研究了金融时间序列的第一次通过时间,并观察到股票指数移动一段给定距离所需的最小时间间隔通常在负面价格变动时比正面价格变动时短。指数成分股和个股的情况并非如此。我们使用离散小波变换来说明,这是一个长的,而不是短的时间尺度的现象-如果足够的低频内容的价格过程被删除,不对称消失。我们还提出了一个新的模型,它解释了长期的,相关的个股下跌运动的不对称性。
2008-11-19 q-fin.ST stat.AP
A study on the leverage effect on financial series using a TAR model: a Bayesian approach
研究表明,在一定的数学条件下,门限自回归模型(TAR)可以根据其条件方差函数来表征杠杆效应。进一步得到了TAR模型弱平稳时三阶矩和四阶矩的解析表达式。
2020-02-14 math.ST q-fin.ST stat.TH
Conditional Probability as a Measure of Volatility Clustering in Financial Time Series
在过去的几十年里,金融时间序列的特征和建模已经花费了相当大的努力。一些程式化的事实已经被确定,波动集群或持续性的趋势已经成为中心特征。在本文中,我们提出了一个适当定义的条件概率作为一个新的衡量波动聚类。我们测试这一措施,将其应用到不同的股票市场数据,我们发现一个丰富的时间结构的波动率波动描述得很好的标度关系。缩放中使用的比例因子提供了波动率聚类的直接度量;这种度量可用于开发期权定价、风险管理和经济预测的技术。此外,我们提出了一个随机波动率模型,可以显示许多显着的特征所表现出的经验金融时间序列的波动,包括我们推导出的条件概率的行为。
2006-01-05 physics.soc-ph q-fin.ST
Simulating financial time series using attention
Columbia University(哥伦比亚大学);Zurich University of Applied Sciences(苏黎世应用科学大学)
金融时间序列模拟是一个中心议题,因为它扩展了有限的真实数据的培训和评估的交易策略。由于真实金融数据的复杂统计特性,这也是具有挑战性的。我们介绍了两种生成对抗网络(GANs),它们利用具有注意力的卷积网络和变压器,用于金融时间序列仿真。GANs以数据驱动的方式学习统计特性,注意力机制有助于复制长期依赖关系。在标准普尔500指数和期权数据上对所提出的GANs进行了测试,根据程式化事实进行了评分,并与纯卷积GAN(即QuantGAN)进行了比较。基于注意力的GANs不仅再现了程式化的事实,而且平滑了收益的自相关性。
2022-07-01 cs.LG q-fin.CP q-fin.ST
Modeling Financial Time Series using LSTM with Trainable Initial Hidden States
Samsung Research Samsung Electronics Co., Ltd.(三星电子有限公司三星研究院)
在时间序列中提取先前未知的模式和信息是许多实际应用的核心。在这项研究中,我们介绍了一种使用深度学习模型建模金融时间序列的新方法。我们使用一个长短期记忆(LSTM)网络,配备了可训练的初始隐藏状态。通过学习重构时间序列,该模型可以用其参数表示高维时间序列数据。对韩国股票市场数据的实验表明,该模型能够捕捉到大量股票价格在其潜空间中的相对相似性。此外,该模型还可以从潜在空间预测未来股票的走势。该方法可以识别多个时间序列之间的关系,并可应用于金融领域,如投资组合优化。
2020-07-14 cs.LG q-fin.PM q-fin.ST
Evaluating data augmentation for financial time series classification
University of Manchester(曼彻斯特大学);AllianceBernstein(联博集团);Aarhus University(奥胡斯大学)
结合深度神经网络的数据增强方法已广泛用于计算机视觉分类任务,取得了巨大成功;然而,它们在时间序列分类中的应用仍处于早期阶段。在金融预测领域更是如此,因为数据往往很小,有噪声和不稳定。在本文中,我们使用两种最先进的深度学习模型评估了几种应用于股票数据集的增强方法。结果表明,几个增强方法显着提高财务业绩时,结合使用的交易策略。对于一个相对较小的数据集($\approx30K$样本),增强方法实现了$400\%$的风险调整后的回报性能的改善;对于一个较大的股票数据集($\approx300K$样本),结果显示了$40\%$的改善。
2020-10-28 cs.LG q-fin.ST
An Ordinal Pattern Approach to Detect and to Model Leverage Effects and Dependence Structures Between Financial Time Series
我们介绍了两种类型的顺序模式之间的依赖时间序列。阳性(分别为负的)顺序模式依赖性可以被看作是正的(分别是)的非参数的并且特别是非线性的对应物。负)相关。我们在一项探索性研究中发现,这两种类型的依赖性都出现在现实世界的金融数据中。
2015-01-29 math.PR math.ST q-fin.ST
Towards Financially Inclusive Credit Products Through Financial Time Series Clustering
University of the Witwatersrand(威特沃特斯兰德大学)
提出一种新颖的时间序列聚类算法,通过分析消费者交易数据理解其金融行为,帮助金融机构在不依赖传统信用评分的情况下提供普惠信贷、储蓄和保险产品。
2024-02-16 cs.CY cs.LG q-fin.ST
Contrastive Learning of Asset Embeddings from Financial Time Series
School of Computer Science, University College Dublin(都柏林大学学院计算机科学学院)
本文提出一种基于假设检验统计采样的对比学习框架,利用资产在子窗口的收益相似性生成正负样本,从金融时间序列中学习资产嵌入,在行业分类与投资组合优化任务上显著优于基线。
2024-07-26 cs.LG q-fin.ST
Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots
互相关分析是理解时间序列相互动态性的有力工具。本文提出了一种新的方法来预测两个金融时间序列的动态同步的未来状态。为此,我们使用交叉递归图分析作为一种非线性方法,用于量化两个时间序列的时间域中的多维耦合,并用于确定它们的同步状态。我们采用深度学习框架,根据从动态子采样交叉递归图中提取的特征,在方法上解决同步状态的预测问题。我们提供了大量的实验,几个股票,主要成分的标准普尔100指数,实证验证我们的方法。我们发现,预测两个时间序列的同步状态的任务一般是相当困难的,但对于某些对股票可达到非常令人满意的性能。
2022-11-02 q-fin.ST stat.ML
Mesoscopic Community Structure of Financial Markets Revealed by Price and Sign Fluctuations
从金融市场到大脑,复杂系统的中观组织是单个单元(在上述情况下是股票或神经元)的微观动力学与整个系统的宏观动力学之间的中间体。组织是由单位的“社区”决定的,这些单位的动态,由活动的时间序列表示,与系统的其他部分相比,内部的相关性更强。最近的研究表明,各种金融和神经时间序列的二进制投影表现出非平凡的动力学特征,类似于原始数据。这意味着一个重要的信息片段被编码到这种增量的二进制投影(即符号)中。在这里,我们探讨了多个时间序列的二进制签名是否可以复制相同的复杂的社区组织的金融市场,作为原来的加权时间序列。我们采用了一种专门设计用于从时间序列数据的交叉相关矩阵中检测社区的方法。我们的分析表明,更简单的二进制表示导致一个社区结构,这是几乎相同的使用全加权表示。这些结果证实了金融时间序列的二元预测包含了重要的结构信息。
2015-04-02 physics.data-an q-fin.ST
DELPHYNE: A Pre-Trained Model for General and Financial Time Series
Carnegie Mellon University(卡内基梅隆大学);Bloomberg(彭博)
针对现有时间序列预训练模型因金融数据不足和跨域负迁移而难以超越简单金融基准的问题,本文提出 Delphyne,仅需少量微调即可在公开数据集和多种金融任务上取得竞争优势。
2025-05-12 cs.AI cs.LG q-fin.ST
Complexity of Financial Time Series: Multifractal and Multiscale Entropy Analyses
本研究运用MF-DFA和RCMSE方法对比分析比特币、外汇、黄金和天然气的价格时间序列复杂性,发现比特币复杂度最高,或与其对数收益率的强非线性相关,为市场风险与可预测性研究提供参考。
2025-07-31 physics.data-an q-fin.ST
Forecasting non-stationary financial time series through genetic algorithm
我们利用最近开发的遗传算法,结合离散小波,进行成功的预测金融时间序列的趋势,其中包括纳斯达克综合指数。离散小波隔离这些非平稳时间序列中的局部小尺度变化,之后发现遗传算法的预测相当准确。傅立叶域中的幂律行为揭示了一个潜在的自仿射动力学行为,以及捕获的算法,在一个解析方程的形式。值得注意的是,同样的等式很好地反映了孟买证券交易所综合指数的趋势。
2005-07-18 nlin.CD physics.data-an q-fin.ST