Part 1: Training Sets & ASG Transforms
在本文中,我讨论了一种方法来解决数据科学家在构建使用月度/季度宏观金融指标的价格预测算法时可用的小数据集所产生的问题。我通过在来自一系列国家的等效数据集上训练单独的分类器来实现这一点。使用这些分类器,一个三级Meta学习算法(MLA)的开发。我开发了一个转换,ASG,为宏观金融指标创建一个国家不可知的代理。使用这些建议的方法,我调查的程度,美国5年债券价格的预测算法,主要使用宏观金融指标,可以优于一个相同的算法,只使用统计数据来自以前的价格。这是一个本科项目,随后的研究并不详尽。
2020-05-27 q-fin.CP q-fin.ST
Lagrange regularisation approach to compare nested data sets and determine objectively financial bubbles' inceptions
受问题的启发,确定金融泡沫的开始时间$τ$,我们解决的时间序列的校准,其中的最新制度的利益是未知的。通过考虑到一个给定的模型的趋势过拟合数据,我们引入拉格朗日正则化的残差平方和,$χ^{2}_{np}(Φ)$,内源性地检测最佳拟合窗口大小:= $w^* \in [τ:\bar{t}_2]$,应用于校准的目的,为一个固定的伪当前时间$\bar{t}_2$。定义为$χ^{2}_{λ(Φ)}$的$χ^{2}_{np}(Φ)$的拉格朗日正则化的性能在具有变点的简单线性回归问题上举例说明,并与残差平方和(RSS):= $χ^{2}(Φ)$和RSS/(N-p):= $χ^{2}_{np}(Φ)$进行比较,其中$N$是样本量,p是自由度的数量。适用于具有明确过渡制度的金融泡沫综合模型和若干金融时间序列(美国S\&P500,巴西IBovespa和中国SSEC指数),发现$χ^{2}_λ(Φ)$的拉格朗日正则化提供了对主要泡沫(如以1987年黑色星期一结束的泡沫)的开始时间的定义明确的合理确定,2008年次贷危机和其他指数的轻微投机泡沫,没有任何进一步的外部信息。因此,它允许一个内生的泡沫开始时间的确定,一个问题,以前没有收到一个系统的客观解决方案。
2017-07-22 q-fin.ST
Analysis of delay correlation matrices
我们构造和分析对称化延迟相关矩阵的经验数据集的大气和金融数据,以获得信息的时间序列的不同实体之间的相关性随着时间的推移。通过将特征值分布的结果与独立同分布随机数据集的分析结果进行比较,获得了相关性的信息。对于大气的情况下,我们发现长期的多变量时间序列的不同实体之间的相关性。对于金融时间序列,我们发现在超过两天的时间延迟上,不同实体之间几乎没有相关性。金融数据的对称化延迟相关矩阵的大多数特征值关于零对称分布。金融数据的延迟相关结果与随机数据集的分析结果相似。然而,大气数据与随机情况有相当大的偏差。
2006-01-13 cond-mat.stat-mech nlin.CD q-fin.ST
A Topological Approach to Scaling in Financial Data
有大量的工作,建立在数学和物理学工具的基础上,证明了金融市场价格在不同尺度下表现出自相似性。在本文中,我们探讨了使用分析拓扑来刻画金融价格序列。小波变换和傅立叶变换分别将信号分解成小波集和功率谱集,而本文提出的方法将时间序列分解成其总变化的分量。这一性质自然适用于分形标度特性的分析。
2017-10-24 q-fin.ST q-fin.TR
Principal Component Analysis and Factor Analysis for Feature Selection in Credit Rating
信用评级是对公司信用风险的评估,它评估偿还债务的能力并预测债务人违约的可能性。影响信用评级的因素很多。因此,有必要选取实质性特征来探讨信用评级变化的主要原因。针对这一问题,本文采用主成分分析和因子分析作为特征选择算法,选取重要特征,将相似特征汇总在一起,得到金融、能源、医疗、消费者自由裁量四个行业的最小特征集。本文使用财务比率和资产负债表两个数据集,通过详细映射和粗略映射,将目标变量(信用评级)转换为分类变量。为了测试信用评级预测的准确性,使用随机森林分类器来测试和训练特征集。结果表明,财务比率特征集的准确率高于资产负债表特征集。此外,因子分析可以显著减少特征数量,获得几乎相同的准确性,可以大大减少分析数据所花费的时间;我们还利用因子分析分别总结了影响财务比率和资产负债表信用评级变化的7个主导因素和10个主导因素,可以更好地解释信用评级变化的原因。
2020-12-21 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
The art of fitting financial time series with Levy stable distributions
本文给出了一个用$α$ -稳定分布拟合金融数据的过程。在使用所有可用的方法来评估分布参数之后,可以定性地选择最佳估计并对该估计进行拟合优度检验,以便定量地评估其质量。事实证明,对于两个调查的数据集(MIB 30和DJIA从2000年至今),一个$α$稳定的拟合日志回报是相当不错的。
2006-08-23 physics.data-an physics.soc-ph 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
A changepoint approach for the identification of financial extreme regimes
尾部推断通常通过在超过固定阈值的观测值上拟合适当的极限分布来执行。然而,这种阈值的选择是至关重要的,可以影响推理结果。极值混合模型已被定义为使用完整的数据集来估计阈值,并给出准确的尾部估计。这样的模型假设尾部行为对于所有观测都是恒定的。然而,金融收益的极端行为往往会随着时间的推移而发生很大的变化,这种变化是由市场的突然冲击引起的。在这里,我们扩展了极值混合模型类,正式考虑到分布极端变点,允许存在政权依赖的参数建模的尾部分布。该扩展正式使用完整的数据集来估计阈值和极端变点位置,为这两个量提供不确定性度量。极值分析中感兴趣的函数的估计是通过MCMC算法进行的。我们的方法进行评估,通过一系列的模拟,应用到真实的数据集和评估对竞争的方法。有证据表明,在金融应用中,纳入不同的极端制度优于静态和动态的竞争方法。
2019-02-25 q-fin.ST stat.ME
A mathematical proof of the existence of trends in financial time series
通过证明金融时间序列中趋势的存在,我们正在解决量化金融中的一个长期争论,这要归功于卡地亚和Y。Perrin,用非标准分析的语言表达(有限集上的积分,F。& M. Diener(Eds):Nonstandard Analysis in Practice,Springer,1995,pp. 195- 204)。这些趋势可能与一些改变的随机游走范式和有效市场假说共存,但似乎很难与著名的布莱克-斯科尔斯模型相协调。他们估计通过最近的技术源于控制和信号理论。对各种金融量的预测进行了几个相当有说服力的计算机模拟。最后,我们讨论概率论的作用。
2009-01-14 cs.CE math.CA math.PR
Embracing advanced AI/ML to help investors achieve success: Vanguard Reinforcement Learning for Financial Goal Planning
Vanguard(先锋领航)
在咨询和财务规划的世界里,很少有一个正确的答案。虽然传统算法在解决线性问题方面取得了成功,但它的成功往往取决于从数据集中选择正确的特征,这对于细致入微的财务规划场景来说可能是一个挑战。强化学习是一种机器学习方法,可以用于复杂的数据集,在这些数据集中几乎不可能选择正确的特征。在本文中,我们将探讨如何使用机器学习进行财务预测,预测经济指标,并创建储蓄策略。基于目标的财务规划的Vanguard ML算法基于深度强化学习,可识别多个目标和收入来源的最佳储蓄率,以帮助客户实现财务成功。Vanguard学习算法经过训练,可以识别过于复杂而无法用公式和规则捕捉的市场指标和行为,相反,它可以将投资者的财务成功轨迹及其投资结果建模为马尔可夫决策过程。我们相信,强化学习可以用来为顾问和最终投资者创造价值,创造效率,更个性化的计划和数据,以实现定制的解决方案。
2021-10-18 cs.AI cs.CL cs.LG
Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks
在处理涉及各种市场风险因素的金融时间序列时,一个主要的关注点是异常现象的存在。这些导致了用于量化和管理风险的模型的错误校准,导致潜在的错误风险度量。本文提出了一种改进金融时间序列异常检测的方法,克服了大多数固有的困难。通过主成分分析对时间序列进行数据压缩和重构,提取有价值的特征。然后,我们使用前馈神经网络定义一个异常分数。当一个时间序列的异常分数超过给定的截止值时,它被认为是被污染的。这个截止值不是一个手动设置的参数,而是在定制的损失函数的最小化过程中作为神经网络参数进行校准。与几种著名的异常检测算法相比,所提出的方法的效率在合成数据集和真实数据集上都得到了数值证明,PCA NN方法具有高而稳定的性能。我们发现,当使用所提出的异常检测模型与基本的插补方法来纠正异常时,风险值估计误差会减少。
2022-10-25 math.ST q-fin.ST stat.ME
Universal Correlations and Power-Law Tails in Financial Covariance Matrices
通过比较金融协方差矩阵与随机矩阵预测的个体特征值分布和水平间距来检测普遍性的签名。设计了一个斩波程序,以产生一个统计合奏的资产价格协方差从一个单一的金融数据集的实例。最小特征值和个体间距的局部结果在重新洗牌时间窗口和资产时非常稳定。它们分别与普适Tracy-Widom分布和Wigner surprise符合得很好。这表明了很强的鲁棒性,特别是在光谱的低洼部分,最相关的投资组合选择。相反,单个协方差矩阵的全局谱密度以及所有展开的最近邻间距分布的平均值偏离标准高斯随机矩阵预测。数据是在公平的协议与最近推出的广义随机矩阵模型,相关性显示幂律衰减。
2009-06-29 cond-mat.stat-mech physics.data-an q-fin.ST
Measuring Volatility Clustering in Stock Markets
提出了一种新的方法来量化复杂时间序列中的聚类行为,并将其应用于金融市场的高频数据。我们发现,无论使用哪种数据集,所有数据都表现出波动率聚集的特性,而使用GARCH模型滤除波动率聚集效应的数据集显著降低了波动率聚集。结果表明,该方法能够有效地度量金融市场的波动率聚集效应。
2007-09-15 physics.data-an q-fin.ST
Recurrence measures and transitions in stock market dynamics
金融市场被理解为复杂的动态系统,其动态分析主要使用非平稳和简短的数据集,通常来自股票市场。对于这样的数据集,一个可靠的分析方法是基于递归图和递归网络,从研究期间的数据集构建。在这项研究中,我们使用基于递归的方法对全球26个市场的潜在动态的复杂性进行了全面分析。我们还研究了2008年全球金融危机期间,通过沿时间序列的滑动窗口分析从这些措施中揭示的过渡性质的趋势,并将其与最近的大流行相关封锁期间的变化进行比较。我们表明,来自复发模式的措施,可以用来捕捉股票市场动态的过渡的性质。我们的研究表明,2008年前后的变化是随机驱动的转变,这与大流行期间的转变不同。
2022-08-06 physics.soc-ph 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
Scaling properties and universality of first-passage time probabilities in financial markets
金融市场提供了一个理想的框架,为研究交叉或首次穿越时间事件的非高斯相关动态,主要是因为大数据集。本文考虑了六个期货市场的逐点数据,得出了胖尾首达时间概率。收益率与标准差的比例关系将所有被检验市场的概率以及不同时间范围的概率压缩成单一曲线,这表明首次通过统计是独立于市场的(至少对于高频数据而言)。另一方面,一个非常密切相关的量,生存概率,显示出,远离分布的中心和尾部,双曲线$t^{-1/2}$衰减典型的马尔可夫动力学,尽管存在记忆的市场。威布尔分布和学生分布的修改是很好的候选人的唯象描述的第一次通过时间在某些制度下的属性。所示的缩放策略可能对风险控制和算法交易有用。
2011-09-29 math-ph math.MP physics.data-an
Hitting Time Distributions in Financial Markets
我们分析了股票价格收益率在不同时间窗口的命中时间分布,其特征在于市场中存在不同程度的噪声。这项研究是根据美国市场的两组数据进行的。第一个是由1987-1998年12年期间的1071只股票的每日价格组成的,第二个是由1995-1998年4年期间的100只股票的高频数据组成的。我们比较了我们的实证分析所获得的概率分布与股票市场的演变从不同的模型。具体地说,通过集中在命中时间的统计特性,以达到一个障碍或给定的阈值,我们比较的概率密度函数(PDF)的三个模型,即几何布朗运动,Gestern模型和赫斯顿模型从真实的市场数据。我们也将介绍一个推广的赫斯顿模型的一些结果。
2006-08-19 physics.data-an physics.soc-ph q-fin.ST
Characterizing Multi-Scale Self-Similar Behavior and Non-Statistical Properties of Financial Time Series
本文利用小波变换研究了不同经济部门的大公司股票价格的多尺度、自相似行为及其偏差。股票市场收益率具有多重分形特征,部分公司在小尺度和大尺度上表现出偏离。事实上,小波属于Daubechies'(Db)的基础,使人们能够隔离不同程度的局部多项式趋势,在隔离不同尺度的波动起着关键作用。这项工作的主要动机之一是研究$k^{-3}$行为的出现\cite{hes5}的波动开始与高频波动。为了研究这些金融时间序列的统计特征,我们分别利用Db 4和Db 6基组在不同尺度上分离出局部线性和二次趋势。波动揭示了肥尾非高斯行为,不稳定的周期性调制,在更精细的尺度,从特征$k^{-3}$幂律行为出现在足够大的尺度。我们进一步确定稳定的周期性行为,通过连续Morlet小波。
2010-12-31 physics.data-an q-fin.ST
Quantum generative modeling for financial time series with temporal correlations
Universiteit Leiden(莱顿大学);Instituut-Lorentz, Universiteit Leiden(洛伦兹研究所,莱顿大学);LIACS, Universiteit Leiden(莱顿大学计算科学研究所);IMT School of Advanced Studies, Lucca(卢卡高等研究院)
本文研究量子生成对抗网络在生成金融时间序列中的应用,探讨量子关联如何提升时间序列的生成质量与相关性匹配。
2025-07-29 cond-mat.dis-nn physics.data-an q-fin.CP
Taxonomy of Stock Market Indices
我们研究金融非冗余和非同步记录的时间序列集。这些集合由位于世界五大洲的一些股票市场指数组成。通过适当选择回报的时间范围和使用参考货币,我们发现一个有意义的分类。这种分类法的检测证明,可解释的信息可以存储在一组非同步记录的时间序列。
2000-08-11 cond-mat.stat-mech q-fin.ST
Combining supervised and unsupervised learning methods to predict financial market movements
Hamilton Institute, Maynooth University(梅努斯大学汉密尔顿研究所);Maynooth University(梅努斯大学);DLT Capital(DLT资本)
本文针对 Bitcoin、Pepecoin 和 Nasdaq 的分钟数据,结合线性模型、GMM、RF 与 KNN 提取特征并预测未来一小时走势,证明 GMM 滤波可提升泛化和平均收益。
2024-08-19 cs.LG q-fin.ST
Volatility, Persistence, and Survival in Financial Markets
我们使用非平衡统计力学的一般技术和方法,研究时间依赖的股票价格(包括个人和复合)的时间波动作为一种随机现象。特别是,我们分析股票价格波动作为一个非马尔可夫随机过程,使用的第一次通过统计概念的持久性和生存。我们报告的实证测量结果的归一化$q$阶相关函数$f_q(t)$,生存概率$S(t)$,和持久性概率$P(t)$几个股票市场动态集。我们分析每分钟和更高频率的股票市场记录(即,采样时间$δt$为几天)。我们发现,波动的股票价格是多重分形和$δt$的选择没有影响的定性多重分形行为所显示的$1/q$依赖的广义赫斯特指数$H_q$与幂律演化的相关函数$f_q(t)\sim t^{H_q}$。股票价格在时间$t$之前保持高于平均值的概率$S(t)$对总测量时间$t_m$和采样时间非常敏感。股票在$t$区间内不返回到初始值的概率$P(t)$具有普适幂律行为$P(t)\sim t^{-θ}$,持续指数$θ$接近0.5,与预测$θ=1-H_2$一致。经验金融股票也提出了一个有趣的功能,发现在湍流,扩展自相似性。
2005-11-15 cond-mat.stat-mech physics.data-an physics.soc-ph
On interrelations of recurrences and connectivity trends between stock indices
金融数据已经被广泛研究的相关性使用皮尔逊的交叉相关系数ρ作为出发点。我们采用一个基于递归图的估计器-递归概率相关性(CPR)-来分析分布在世界各地的九个股票指数之间的联系。我们建议对CPR方法稍作修改,以获得更可靠的结果。我们检查了沿时间序列移动的大约19个月窗口的CPR趋势,并将其与ρ进行比较。将CPR分为三个连接级别:强,中等和弱,我们提取了每个箱中连接数量随时间的趋势。我们还通过移动时间序列来对齐它们的峰值,来观察CPR在网络泡沫期间的行为。CPR主要揭示了市场在强连通性时期的不稳定性,而不是单调地朝着增加全球连通性的方向发展。这与ρ相反,ρ给出了一幅不断增加的相关性的图像。CPR还表明,时移市场在2000年的网络泡沫前后具有高度的连通性。我们强调的重要性,显着性检验的解释措施,适用于现场数据。CPR对显著性检验更稳健。它具有对噪声鲁棒的附加优点,并且对于短时间序列长度和低采样频率是可靠的。此外,它比ρ对变化更敏感,因为它捕捉了底层系统的基本动态之间的相关性。
2011-03-27 nlin.CD physics.data-an q-fin.ST