一种基于时间序列链的股市预测方法

随着互联网的发展,如何在海量的数据中挖掘出有益的信息尤为重要。利用时间序列模型预测股票市场虽然早已被证实是有效性的,但是过去都停留在时间序列主题发现上,忽视了子序列也会随时间动态演化的情况。因此,基于近年提出的新概念——时间序列链,提出将其应用在股票市场预测中的算法,结合股票市场的特点,利用向量的余弦距离来模拟股票走势对子序列相似度的影响,同时提出基于CEEMDAN的子序列长度搜索算法来获取尽可能有效且有代表性的子序列长度,根据这些子序列长度来查找时间序列链并应用于股票预测。历史股票数据回测证明笔者算法的预测准确率在93%以上。

面向多尺度最近时间序列的全序链集挖掘算法

挖掘时间序列中的全链集是一个新兴领域。据了解,当前并无多尺度最近时间序列的全链集挖掘算法存在。对多尺度最近时间序列下全序链集的挖掘问题进行研究,在现有LRSTOMP和ALLC算法的基础上提出了一种具有增量计算特性的挖掘算法MTSC(Mining Time Series All-Chain Sets over Multi-scale Nearest Time Series,MTSC)。该算法依次使用LRSTOMP与ALLC算法对第一个最近时间序列成员内容进行处理,得到该成员上的全序链集挖掘结果,同时保留该成员相关的PL和PR结构。从第二个最近时间序列成员开始,MTSC算法中的LRSTOMP过程只需要处理当前最近时间序列成员相对于前一个最近时间序列成员的新增部分,进一步结合前一个最近时间序列成员上的PL和PR,可以增量获得当前最近时间序列成员上的PL和PR结构,在此基础上使用ALLC算法得到该成员上的全序链集挖掘结果。相较于对每一个最近时间序列成员内容都使用LRSTOMP和ALLC算法处理的Naive方式,MTSC算法利用增量计算的思想,避免了对全部数据进行重复性计算,从而加快了算法的执行速度,具有更高的时间效率。基于公有数据样本Penguin和TiltABP的仿真实验验证了该算法的有效性,实验结果表明其性能与Naive算法完全一致,且对于以上数据样本,在空间开销增加1.1%~9.7%的情况下,可以实现时间效率80%~88.3%的提升。

Stochastic Systems Arising from Markov Modulated Empirical Measures

This work is devoted to stochastic systems arising from empirical measures of random sequences(termed primary sequences) that are modulated by another Markov chain. The Markov chain is used to model random discrete events that are not represented in the primary sequences. One novel feature is that in lieu of the usual scaling in empirical measure sequences, the authors consider scaling in both space and time, which leads to new limit results. Under broad conditions, it is shown that a scaled sequence of the empirical measure converges weakly to a number of Brownian bridges modulated by a continuous-time Markov chain. Ramifications and special cases are also considered.