基于极大重叠离散小波变换的金融高频数据波动率估计

利用极大重叠离散小波变换方法对资产收益的积分波动率进行估计.针对沪深300指数选取不同小波函数估计积分波动率,计算相对误差统计量.结果表明,不同小波函数对积分波动率估计不存在显著差异,但随着抽样频率的增加,估计精度逐渐提高.对尺度及其相应尺度下的波动率进行对数变换可见,二者之间存在显著的线性关系,随着尺度的增加,波动率逐渐变小.

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.

从颈部多帧图像序列获取脉搏波信号

脉搏波是表征人体生理状况的重要指标,基于成像式的非接触式脉搏波检测技术在医疗健康领域具有重要的研究意义。鉴于目前非接触式获取脉搏波的方法存在波形细节丢失的缺点,提出一种利用近红外光源照明,多帧连续照相颈动脉搏动来获取脉搏波信号的方法。实验中,在波长为850nm的光源照明环境下,由工业级近红外相机远距离拍摄颈动脉搏动引起的表皮振动。选取感兴趣区域后提取到原始脉搏波信号,进而利用极大重叠离散小波变化对信号进行滤波处理,最终得到保留细节特征的脉搏波。对不同受试者的测量结果显示,方法获得的波形可以观察到主波、潮波及重搏波等特征,对于非接触式获取脉搏波具有重要的参考价值。

基于小波方差的沪深两市的收益率波动性分析

本文基于小波方差对沪深两市指数的收益率进行月波动性分析,结果表明,股市收益率的月波动性会受到季节变化的影响,不同尺度下的月波动性呈现出相似的变化趋势.

利用小波方差进行原子钟频率稳定度的估计

离散小波变换可以在不同尺度上分解时间序列,而不同尺度的波动性可用小波方差来表征。从小波方差的定义入手,系统地归纳了基于极大重叠离散小波变换(MODWT)的小波方差估计方法,及其等效自由度(EDF)的实用计算方法。最后利用一个实测算例进行计算分析,并与相应的重叠阿伦方差、重叠哈达玛方差进行比较,通过实验分析可以看出小波方差可有效消除原子钟信号非线性和非平稳性的影响,通过选择适当的小波基函数,如D4、D6小波,其方差可以像哈达玛方差一样,减少调频闪变噪声和调频随机游走噪声的泄露,适用于原子钟频率稳定度的表征。

基于MODWT的运动想象脑电信号识别

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。

基于先验知识的移动通信话务量预测

本文提出了一种基于先验知识引导的极大重叠离散小波变换的移动通信话务量预测方法.采用傅里叶谱分析作为小波分解子成分先验知识降低小波分解的盲目性.利用具有明确物理意义且更易提取子层的极大重叠离散小波变换对话务量序列进行分解.分解后仍以傅里叶谱先验知识为参考,合并相关子层形成趋势项和周期项两部分,并采用季节性求和自回归滑动平均(ARIMA)模型对二者分别建模和预测.采用真实数据测试的结果表明:本文方法可实现多步预测,且预测精度优于单纯的季节性ARIMA模型.

基于copula-SV模型的股市相关性的多分辨分析

使用极大重叠离散小波变换将上证指数和深成指数的日数据分解在了4个尺度上,分别采用SV-t模型拟合边缘分布,并建立copula函数来拟合两市在不同尺度上的收益率,并分析其尾部相关性.结果表明沪深两市时间序列在同尺度下的相关性远远大于不同尺度下的相关性,且在同一置信水平下,各尺度的下尾相关性要大于上尾相关性,随着交易周期的增加,不论是下尾还是上尾的相关性都明显增强.

基于并行隐马尔科夫模型的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MaximalOverlapDiscrete WaveletTransform, MODWT)和并行隐马尔科夫模型(ParallelHiddenMarkovModel, PHMM)的电能质量扰动分类方法。首先利用MODWT提出一种实用的电能质量扰动检测算法,该算法无需设定检测阈值,可准确获取扰动时段的起止时刻。接着提取扰动时段的电压谐波成分并组成特征向量。然后用PHMM分类器对扰动信号进行分类识别。PHMM方法克服了人工神经网络方法收敛性较差、训练时间较长的缺陷,使分类器性能大大提升。通过应用于现场实测扰动数据表明,所提出的方法适用于多种类型的电能质量扰动检测,分类正确率高,训练速度快,具有良好的应用价值。

基于MODWT在金融数据预测的应用

为了准确的把握股价的趋势走向,提出了一种基于极大重叠离散小波变换(MODWT)时间序列分析的股价预测方法 (M-ARMA)。该方法是对股价时间序列利用mallat算法对其进行极大重叠离散小波变换,使得整个序列分解成不同频率的序列,同时利用小波分析在时域和频域上都具有良好的局部化性质,多尺度分析功能,结合ARMA模型的预测方法,以较为准确地根据历史数据预测其将来短期的走势。实验表明,MODWT时间序列分析方法比传统的时间序列分析方法预测的精度更高。

基于MODWT和ANN的微电网故障诊断

近年来,微电网的故障诊断研究变得越来越重要,因为它可以确保微电网安全稳定运行。基于此背景提出了一种基于极大重叠离散小波变换(MODWT)和人工神经网络(ANN)的微电网故障诊断方法。首先利用MODWT对采集到的电流信号进行故障检测,判断是否发生故障;再利用MODWT对故障电流进行特征提取,得到相应的特征向量;随后使用ANN得到故障分类结果。结果表明,该方法可以准确的检测到故障发生时刻。此外,和其他几种智能故障分类方法相比,具有更好的故障分类精度。

基于MODWT的多分辨系统风险分析

文章利用小波分析具有良好的多分辨特性,对其股票收益率进行极大重叠离散小波变换,使得收益率按不同频率分解,然后对不同时间尺度上的收益率估计CAPM模型的Beta系数。实验结果表明,在不同的尺度下,Beta系数有较大的差异,即系统风险值Beta具有多分辨性,投资者可以根据不同Beta值选择不同的投资时间,使得风险分散化。

基于MODWT的自适应阈值微电网故障检测算法

对微电网线路故障的高效检测有助于快速切除故障,降低微电网对大电网的影响。现有的故障检测方法存在阈值难以选择、对高过渡电阻故障不敏感等问题,为此提出了基于极大重叠离散小波变换(MODWT)系数突变的自适应阈值选取故障检测算法。利用MODWT的特性,采用扩大窗的方法,在窗扩大的过程中对MODWT系数差值的阈值进行适应性调整。相较于现有的定阈值方法,该算法可以适应任意长度的数据样本,对于多种故障状态可以进行适应性阈值调整,因此对高过渡电阻故障有较高的敏感度。通过仿真实验验证,该算法能在各种故障状态下快速检测故障发生的时间。

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比,所提出的方法可以提供更好的故障分类精度。

基于MODWT和LSTM网络的分布式电网故障诊断

近年来,针对分布式电网故障诊断的研究变得越来越重要,因为它能确保电网安全而稳定地运行。传统的故障诊断方法在故障分类的准确率上仍有待提高,对此,提出了一种基于极大重叠离散小波变换和长短期记忆网络的分布式电网故障诊断方法。首先采集故障数据,再进行特征提取和网络训练,最后得到故障分类的结果。结果表明,该方法不但能准确地识别出故障类型,且不受故障发生时刻和过渡电阻等影响。另外,与其他几种智能诊断方法相比,所提出的方法可以提供更好的故障分类精度。为了评价该方法的性能,以修正的IEEE13总线标准系统为例进行了验证。

基于小波分析研究美国次贷危机在全球股票市场中的传染

基于调整相关系数模型,在小波分析框架下,研究美国次贷危机在全球股票市场中的传染。研究发现:传染可以被分为时间上总体趋势的传染和频率上细节变动的传染,且这两种传染可以被分解到不同尺度进行研究;使用极大重叠离散小波变换的调整相关系数方法比不使用小波的方法更精确;两种传染的共同作用使得全球股市之间的联系比危机发生前更加紧密:总体趋势的传染具有区域性特征,该特征支持了文中提出的2次传染的假设;波动幅度的传染比基本联系的传染持续的时间要短。欧盟区作为高度一体化组织,区域内波动没有相互传染,受到外部波动传染,很快在系统内分散消失,没有再对其他国家发生2次传染。全球资本流动是导致危机传染的重要渠道,金融危机传染与资金流向轨迹高度一致。

地缘政治风险是中国原油期货市场的驱动因素吗?——基于小波多分辨的非参数分位数因果检验方法

地缘政治突发事件对于原油市场的重要影响早已得到广泛认可,但尚未有直接证据表明地缘政治风险是我国原油期货市场的驱动因素。引入基于新闻报道的地缘政治风险(geopolitical risk,GPR)指数,使用极大重叠离散小波变换与非参数分位数因果检验方法,详细讨论了不同时间尺度与原油条件分布下,地缘政治风险对我国原油期货收益与波动的非线性影响。在此基础上,利用上海原油期货5分钟高频交易数据计算7类原油日内波动,进一步分析地缘政治风险对原油高频价格动态的作用。研究发现:(1)地缘政治风险在频域视角下对我国原油期货收益具有显著影响,而原油价波动同时在时频域范围内对地缘政治风险变化表现出明显的响应。(2)地缘政治风险对我国原油期货已实现波动率和3类跳跃性波动均具备可预测性。(3)地缘政治风险对原油期货市场的影响具有明显的非对称特征,具体而言,对于原油收益的冲击更多地表现在极端分位点,并且对于原油收益和波动的长期影响均大于短期冲击。

基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法

现有用户用电模式提取技术主要基于负荷数据时域特征提取,无法准确分辨时域上欧式距离接近但频域上波动特性差异较大的负荷数据,且对类别不平衡负荷数据的分类准确率较低。为解决上述问题,文章首先通过基于样本支持向量的过采样方法(support vector machines-synthetic minority over-sampling technique,SVM-SMOTE)对存在类别不平衡问题的负荷数据进行处理;然后,通过极大重叠离散小波变换(maximal overlap discrete wavelet transform,MODWT)对负荷数据进行分解,并将分解后的尺度系数和细节系数组成频域的特征矩阵;最后将频域特征矩阵输入深度长短期记忆(long short-term memory,LSTM)神经网络进行负荷分类并通过求取各个类别质心来获取典型用电模式。实验结果表明,该方法具有良好的类别不平衡数据处理能力和负荷分类效果。

基于深度置信网络的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MODWT)和深度置信网络(DBN)的电能质量扰动分类方法。首先利用MODWT提出一种可靠的电能质量暂态事件检测算法,该算法无需设定检测阈值,可准确获取暂态事件的起止时刻。接着提取暂态事件的电压谐波成分并组成特征向量。然后用DBN分类器对扰动信号进行分类识别,DBN方法比常用的分类方法具有更高的分类准确率和更短的训练时间。通过应用于现场实测扰动数据表明:所提出的方法适用于多种类型的电能质量扰动检测,在少样本情况下具有优越的分类性能。

国内外金属期货市场间的动态联动以及多尺度特征研究——基于时频视角分析

基于金融市场时间序列具有时变和频变双重特性的考虑,采用二元DCC-GARCH模型和极大离散小波变换(MODWT)分析对2013-2017五年间国内外金属期货市场的动态联动及其多尺度特征进行了实证研究.结果表明:从时域来看,对于不同市场的同种期货,国内外的铜期货市场的联动性要大于铝期货的联动性;对于同一市场的不同期货,国际市场内部间期货产品的联动性更强.从频域上看,短期内,不同市场间的相关性有着显著多尺度分辨的特征,随着交易周期的增大,逐渐趋于一个稳定水平.