首页/论文/physics/0607282

arXiv physics/06072822006-07physics.data-anq-fin.ST

时间序列分析的最小熵密度法

Minimum Entropy Density Method for the Time Series Analysis

Jeong Won Lee, Joongwoo Brian Park, Hang-Hyun Jo, Jae-Suk Yang, Hie-Tae Moon

备注：: 11 pages, 7 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

熵密度是研究物理系统中复杂非线性过程的一个直观而有力的概念。我们发展了最小熵密度方法（MEDM）来检测一个给定的时间序列的结构规模，它被定义为规模的不确定性是最小的，因此模式被揭示最多。本文将MEDM方法应用于1983年2月至2006年4月标准普尔500指数的金融时间序列。在此基础上，分析了信息传递时间和有效市场假说对结构规模的影响。

英文摘要：

The entropy density is an intuitive and powerful concept to study the complicated nonlinear processes derived from physical systems. We develop the minimum entropy density method (MEDM) to detect the structure scale of a given time series, which is defined as the scale in which the uncertainty is minimized, hence the pattern is revealed most. The MEDM is applied to the financial time series of Standard and Poor's 500 index from February 1983 to April 2006. Then the temporal behavior of structure scale is obtained and analyzed in relation to the information delivery time and efficient market hypothesis.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

金融时间序列的复杂性：多重分形与多尺度熵分析

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。

2025-07-31physics.data-anq-fin.ST

多尺度熵分析：时间序列确定性检测的新方法

Multiscale Entropy Analysis: A New Method to Detect Determinism in a Time Series

在这封信中，我们表明，多尺度熵（MSE）分析可以检测时间序列中的决定性。

2006-04-05physics.data-an

论数据分析与变量选择：最小熵分析

On data analysis and variable selection: the minimum entropy analysis

在这项工作中，我们提出了一个最小熵分析方案的变量选择和初步的数据分析。变量的选择可以通过增加变量的偏好来实现。我们证明了这种偏好有一个独特的形式，这是由与变量相关联的模型的熵。评估熵提供了一个完整的变量排序方案。该方案不仅指示优选变量，而且还可以揭示系统的本质和性质。我们说明了所提出的方案来分析一组地质数据的三个碳酸盐岩单位在得克萨斯州和俄克拉荷马州，并比较判别函数分析。结果表明，该方案提供了一个快速和强大的分析，并在数据分析的使用是有前途的。

2006-09-29physics.data-anphysics.geo-ph

增量熵作为时间序列复杂性的度量

Increment entropy as a measure of complexity for time series

熵是一种常用的量化时间序列复杂性的指标。在这里，我们引入增量熵来度量时间序列的复杂性，其中每个增量被映射到一个两个字母的单词，一个字母对应于方向，另一个对应于大小。单词的香农熵被称为增量熵（IncrEn）。对合成数据的模拟和对癫痫EEG信号的测试已经证明了其检测突变的能力，而不管能量（例如尖峰或突发）或结构变化。IncrEn的计算不对时间序列做任何假设，它可以适用于任意真实世界的数据。

2015-02-26physics.data-an

最大熵、时间序列与统计推断

Maximum Entropy, Time Series and Statistical Inference

简要讨论了传统版本的最大熵方法，包括审查的一些批评，已在统计推断方面使用。出于这些问题，提出了一个修改后的版本的方法，并应用到一个简单的问题，证明其在推理中的使用。

2007-09-10physics.data-an

比较熵与随机性检验作为时间序列复杂性的度量

Comparing entropy with tests for randomness as a measure of complexity in time series

熵测度作为评价时间序列数据分析复杂性的一种度量标准，在生理学和医学领域中越来越受到重视。熵测量信息增益的速率，或时间序列（例如心跳）中的规律性程度。理想情况下，熵应该能够量化序列中任何潜在结构的复杂性，以及确定变化是否来自随机过程。不幸的是，目前的熵测量大多无法执行后一种区分。因此，高熵分数指示随机或混沌序列，而低分数指示高度规律性。这导致了这样的观察，即当前熵度量等价于评估序列的随机性，或者相反，评估时间序列的规律性程度。这提高了现有的随机性测试的可能性，例如游程测试或排列测试，在诊断某些条件时可能具有类似的实用性。本文比较了各种测试的随机性与现有的基于熵的测量，如样本熵，排列熵和多尺度熵。我们的实验结果表明，游程检验和排列检验的检验统计量往往与熵值高度相关，并可能能够提供有关时间序列复杂性的进一步信息。

2015-12-02physics.data-anstat.ME

更多相关论文收起更多论文

从传递熵的p值统计推断异步时间序列在不同时间尺度上的超前-滞后

Statistical inference of lead-lag at various timescales between asynchronous time series from p-values of transfer entropy

符号传递熵是检测时间序列之间超前-滞后关系的一种强有力的非参数工具。由于传递熵分布的封闭表达式对于有限大小的样本是未知的，统计测试通常使用引导程序来执行，其缓慢性阻止了长时间序列之间的大超前滞后网络的推断。另一方面，两个时间序列之间的传递熵的渐近分布是已知的。在这项工作中，我们得到的渐近分布的测试一个时间序列具有较大的转移熵比另一个目标时间序列。然后，我们测量收敛速度的两个测试在小样本量限制通过基准。然后，我们引入时移时间序列之间的传递熵，它允许测量信息传递最大和消失的时间尺度。最后，我们将这些方法应用于数百只股票的逐点价格变化，产生非平凡的统计验证网络。

2022-06-21math.STphysics.data-anq-fin.ST

基于Rényi复杂度-熵曲线的时间序列特征

Characterization of Time Series Via Rényi Complexity-Entropy Curves

区分混沌和随机时间序列的最有用的工具之一是所谓的复杂熵因果平面。该图涉及两个复杂性度量：香农熵和统计复杂性。最近，这一想法已被推广，考虑Tsallis单参数推广的香农熵，产生复杂性熵曲线。这些曲线已被证明可以提高与数值和实验性质的随机和混沌过程有关的不同时间序列之间的区分力。在这里，我们进一步探讨这些复杂性熵曲线的背景下，雷尼熵，这是另一个单参数推广的香农熵。通过将Rényi熵与统计复杂度的适当推广相结合，我们将参数曲线（Rényi复杂度-熵曲线）与给定的时间序列相关联。我们探索这种方法在一系列的数值和实验应用，证明了这种新技术的有用性的时间序列分析。我们表明，雷尼复杂性熵曲线，使混沌，随机和周期性的时间序列之间的差异。特别是，随机性质的时间序列与在其初始点附近显示正曲率的曲线相关联，而与混沌现象相关的曲线具有负曲率;最后，周期性时间序列由垂直直线表示。

2018-01-17cond-mat.stat-mechphysics.data-anstat.AP

基于最小熵的分词方法

Minimum Entropy Aproach to Word Segmentation Problems

给定由有限数量的字符组成的序列，我们尝试将其作为“文本”进行“阅读”。这涉及到将序列分割成“单词”。为了尽可能强地揭示序列的非随机性，本文应用极大似然方法，找到了一个可以用来完成这一任务的量--分割熵。与最大熵原理应用于获得良好解的常见情况相反，我们选择{ \em最小化}分割熵以获得良好的分割。这封信中提出的概念可用于研究非编码DNA序列，例如，用于真核生物基因组中调控元件的预测。

2000-08-29cond-mat.stat-mechphysics.bio-phphysics.data-an

小波熵与分数阶布朗运动时间序列

Wavelet entropy and fractional Brownian motion time series

本文研究了分数阶布朗运动（fBm）时间序列的Hurst参数与归一化小波全熵之间的函数联系。这两个量词主要用于识别分数布朗运动过程（Fractals 12（2004）223）。这项工作的目的是了解从他们那里获得的信息的差异，如果有的话。

2005-01-19physics.ao-phphysics.data-an

基于复杂度-熵曲线的时间序列特征化

Characterizing Time Series via Complexity-Entropy Curves

在处理复杂系统时，寻找时间序列中的模式是一项非常常见的任务。这通常是通过采用复杂性的措施，如熵和分形维数。然而，这样的措施通常只捕捉系统动态的一个方面。在这里，我们提出了一个家庭的复杂性措施的基础上推广的复杂性熵因果平面的时间序列。通过用单参数熵（Tsallis $q$ -熵）代替Shannon熵，并考虑统计复杂度（$q$ -复杂度）的适当推广，我们建立了一条用于时间序列特征化/分类的参数曲线（$q$ -复杂度-熵曲线）.基于简单的精确结果和随机过程的数值模拟，我们表明，这些曲线可以区分不同的长程，短程和振荡的相关行为。此外，我们验证了模拟混沌和随机时间序列可以区分这些曲线是开放还是封闭的基础上。我们进一步测试这种技术在实验方案相关的混沌激光强度，股票价格，太阳黑子和地磁动力学，证实其实用性。最后，我们证明了这些曲线增强了健康受试者和心脏病患者的长程相关性和心跳间隔时间序列的自动分类。

2017-05-13cond-mat.stat-mechphysics.data-an

具有后向传递熵的信号响应模型时间序列的涨落定理

A fluctuation theorem for time-series of signal-response models with the backward transfer entropy

随机动力系统中轨迹的不可逆性与贝叶斯网络中因果表示的结构有关。我们考虑信号-响应模型的时间离散化所产生的随机映射，我们发现了一个积分涨落定理，该定理将后向传递熵作为条件熵产生的一个下界.我们将其应用到线性信号响应模型提供分析解决方案，并受体-配体系统的非线性模型。我们表明，观测时间τ必须进行微调，以有效地检测时间序列中的不可逆性。

2018-03-14cond-mat.stat-mechphysics.data-an

利用最大熵方法提高时间序列的可预测性

Improving predictability of time series using maximum entropy methods

我们讨论了如何最大熵方法可能适用于重建马尔可夫过程的经验时间序列，并比较这种方法通常的频率采样。它示出，至少在低维，存在一个子集的随机矩阵的空间的MaxEnt方法是更有效的比采样，在这个意义上，较短的历史样本必须被认为是达到相同的精度。考虑短样本是特别感兴趣的平滑非平稳过程建模时，然后它提供了，在某些条件下，一个强大的预测工具。该方法被示出为一个离散的经验系列的汇率。

2014-11-28nlin.CDphysics.data-anq-fin.RM

差异熵

Entropy of Difference

在这里，我们提出了一种新的工具来估计时间序列的复杂性：差异熵（ED）。该方法仅基于时间序列中相邻值之间的差异的符号。这使得可以像先前提出的参数（诸如排列熵（PE）或修改的排列熵（mPE））那样有效地描述信号，但是（1）减小了估计参数值所需的样本的大小，以及（2）使得能够使用Kullback-Leibler发散来估计时间序列数据和随机信号之间的距离。

2014-11-04nlin.CDphysics.data-an

Boltzmann熵的统计计算及统计样本下最优probability density function的估计

Statistical computation of Boltzmann entropy and estimation of the optimal probability density function from statistical sample

在这项工作中，我们研究统计样本的玻尔兹曼熵的统计计算。为此，我们使用直方图和核函数来估计统计样本的概率密度函数。我们发现，由于粗粒化，熵是直方图的箱宽度或核估计的带宽的单调递增函数，这似乎很难选择最佳的箱宽度/带宽来计算熵。幸运的是，我们注意到，对于直方图和核估计，熵的一阶导数都存在最小值，并且一阶导数的最小点渐进地指向最优的bin宽度或带宽。我们已经通过大量的数值实验验证了这些发现。因此，我们建议使用熵的一阶导数的最小值作为密度估计的最佳箱宽或带宽的选择器。而且，由熵的一阶导数的最小值所选择的最优带宽是纯基于数据的，与未知的底层概率密度分布无关，这明显优于现有的估计量。我们的结果不仅限于一维，但也可以扩展到多变量的情况下。然而，应该强调的是，我们没有为这些发现提供强有力的数学证明，我们把这些问题留给那些对它们感兴趣的人。

2014-10-17physics.comp-phphysics.data-anstat.ME

基于Rényi转移熵的时间序列因果推断

Causal inference in time series in terms of Rényi transfer entropy

从观测数据中发现因果相关性是非线性时间序列分析的最大挑战之一。在本文中，我们讨论了这个问题的帮助下，信息理论的概念称为雷尼信息测度。特别是，我们解决了二元时间序列之间的方向性信息流的Rényi转移熵。我们表明，通过适当地选择雷尼$α$参数，我们可以控制信息，只在选定的部分之间的基础分布。这反过来又为量化时间序列中的因果相互依存关系提供了特别有力的工具，其中对“黑天鹅”事件（如尖峰或突然跳跃）的了解至关重要。在这方面，我们首先证明了对于高斯变量，格兰杰因果关系和雷尼转移熵是完全等价的。此外，我们还将此结果部分推广到重尾$α$ -高斯变量。这些结果允许建立自回归和雷尼熵基于信息理论的方法之间的联系，以数据驱动的因果推理。为了帮助我们的直觉，我们采用Leonenko等人。熵估计和分析Rényi信息流之间的二维时间序列产生的两个单向耦合的罗斯勒系统。值得注意的是，我们发现，雷尼转移熵不仅使我们能够检测到的同步阈值，但它也提供了一个非平凡的洞察到一个瞬态制度的结构之间存在的区域的混沌相关性和同步阈值。此外，从雷尼转移熵我们可以可靠地推断耦合的方向--从而推断因果关系，只有当耦合强度小于瞬态状态的起始值时，即当两个罗斯勒系统耦合，但还没有进入同步时。

2022-03-22cs.ITmath-phmath.IT