Financial Time Series Segmentation Based On Turning Points
在本文中，我们提出了一种基于转折点的金融时间序列分割方法。我们工作的主要贡献是，我们允许在不同的细节层次上分割时间序列。这种分段允许对时间序列进行自上而下的分析，首先确定高度可见的趋势，然后在后期使用更详细的分段。此外，与现有方法相比，所提出的方法可以在保持更高数量的趋势方面获得令人满意的结果。此外，我们的方法不依赖于PLA和IP方法中使用的任意阈值。
- TURNING POINT: 预测股票走势的常用方法是使用历史价格数据中的局部最小点和最大点。这些局部最大点和最小点通常被称为转折点（TP），因为它们表示一段时间内股票趋势的变化。在一段时间内，TP通常位于金融时间序列的顶部和底部附近[3]。
- 三种常见的分割方法
PLA:
PLA可以通过自上而下、自下而上、滑动获窗口和B样条小波方法[9]。分段为通过应用某些操作（例如分区自上而下）和合并（自下而上）.方法是设计停止条件（表示为阈值[13]）。当使用较高的阈值时，通过PLA方法提取的片段的长度可以增加。然而，当PLA方法用于分解不同股票的历史数据时，分析师可能希望使用不同的阈值来匹配股票的基本特征。为了缓解这个问题，使用了几种方法来选择正确的阈值。例如，在[13]中，Chang等人使用GA算法来选择有效阈值。
PIP:感知重要点（PIP）分割方法。识别PIP[2]的过程在算法1中描述。对于给定的时间序列T，所有数据点都由PIP识别功能处理。前两个PIP将是T的第一个点和最后一个点。下一个PIP是T中距离前两个PI最远的点。该过程继续进行，直到T中的所有点都添加到列表（PIPList）中。为了计算从下一个PIP（x2，y2）到两个相邻PIP（（x1，y1）和（x3，y3）的距离，使用等式（1）来测量距离。
TP:基于重要点的分割方法对于压缩时间序列数据很有用，因为该方法的原理是使用一组IP来表示原始序列[5]。决定重要点的标准基于压缩率（R）。此外，IP分割方法的复杂度为O（n），比PLA快得多。在该方法中，如果得到的R足够大，则选择时间序列中的一个点来产生段。否则该点将被丢弃。与PLA方法类似，较大的R值可能会创建少量的长段，较小的R可能会创建大量的短段。因此，R的选择会显著影响任何未来分析的结果。在本文中，我们提出了一种基于转折点的金融时间序列分割方法。在这种方法中，可以以不同的粒度级别生成段。
在本节中，我们描述了一种基于转折点的新分割方法，以在不同的细节层次上分解时间序列。我们的分割方法的关键原理是将时间序列适当地划分为不同的时段，并确保提取的每个片段在该时段内都具有单一的趋势。在我们的方法中，迭代识别转折点以产生相应的分段。在分割过程中，一些局部转折点被丢弃，以便将小趋势合并为大趋势。分段过程描述如下。
通过比较这两种方法产生的误差和趋势，我们发现PIP可以比TP产生更少的误差，但TP可以比PIP保留更多的趋势。这些结果是有意义的，因为PIP方法旨在保持时间序列的整体形状，而我们方法的目标是从时间序列中提取尽可能多的趋势。金融分析师可以使用提取的趋势来构建预测股票走势的模式。
此外，本文中提出的TP比PIP对股票的移动更敏感，因为PIP倾向于保持曲线的形状，而TP可用于识别曲线趋势的变化。
在本文中，我们提出了一种新的基于转折点的分割方法。由所提出的方法生成的时间序列保持了原始趋势的形状。此外，与现有方法相比，我们提出的算法可以在不同的细节级别生成片段，并保持更高数量的趋势。这种能力对于以自上而下的方式分析股票数据非常有用。对于未来的工作，我们计划使用生成的片段来预测库存移动方向。我们还计划从历史价格数据中提取类似的部分，用于训练神经网络模型。
总结
以上是生活随笔为你收集整理的Financial Time Series Segmentation Based On Turning Points的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： ICG-PEG-NHS，吲哚菁绿PEG活
- 下一篇： FastAPI框架诞生的缘由（上）