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.

基于极大重叠离散小波变换和Elman神经网络的磨刀门咸潮模拟研究

近年来磨刀门水道咸潮上溯频发,引起广泛关注。对该地区建立了基于极大重叠离散小波变化(MODWT)和Elman神经网络的咸潮模拟模型(MOD-Elman),模拟预测日均氯度,并借助一维纵向扩散方程分析河段的含氯度分布。结果表明:(1)MOD-Elman模型对非平稳的含氯度变化模拟效果较优且泛化能力较好;(2)咸潮影响预测图在一定程度上能反映站点之间各点含氯度变化。利用MOD-Elman模型和一维纵向扩散方程,可预测未来一段时间内磨刀门的受咸潮影响情况,对预警压咸有一定帮助。

中美股市联动性——基于极大重叠离散小波变换的研究

经济全球化和国际金融市场一体化的发展背景下研究中美股票市场之间联动关系具有重要的理论和现实意义。针对具有时变和频变双重特性的金融市场时间序列,本文采用极大重叠离散小波变换(MODWT)方法对上证综指和道-琼斯工业平均指数之间的联动关系进行研究,包括单变量的多分辨分析以及双变量之间交叉相关系数和交叉协方差的计算,样本时间跨度为2000年1月1日到2012年12月31日。本文的研究结论是:无论短期、中期还是长期,中美股市间均存在不同程度的联动关系,其中短期3个交易日频率下中美股市联动关系最为显著,半个月、一个月以及一年频率下观察到的中美股市联动关系也比较明显。半个月和一个月频率下中美股市间交叉相关系数出现负值下界,表明两市间有反向运动可能性,这增加了市场间的短期投资便利性。一年频率水平下分析还得出中美股市间存在代表某种领先—落后效应的相位差。

基于极大重叠小波系数方差分析的混沌时间序列去噪方法研究

自然界中观测到的混沌现象一般都混有噪声,存在的噪声会使得对混沌时间序列的预测产生较大的误差。小波阈值去噪具有多分辨率分析的特点,计算量较小,同时去噪效果较好,但传统的消噪方法存在重信号而轻噪声特征的情况,噪声水平的估计也常常以第1层小波系数的中值变差为依据,同时阈值的选取又与噪声水平和信号长度相关。如果能准确估算混沌信号的水平,并确定各层小波分解系数上的噪声方差,便可提高去噪效果。因此,构建了近似仿真Lorenz混沌含噪信号,并通过极大重叠离散小波对信号进行了分解,分析噪声方差在各层小波系数上的分布规律,并由此确定小波系数各层不同的阈值系数。通过该方法可以得到相对较优的结果。算例结果表明,采用所提方法可以减少预测产生的误差,验证了该方法的有效性。

基于逆时域分析的压缩机组接地缺陷自动检测方法

为解决压缩机组接地缺陷检测费时费力的问题,提出基于逆时域分析的压缩机组接地缺陷自动检测方法。采用多个传感器采集压缩机组由于接地缺陷产生的行波信号,利用极大重叠离散小波包(MODWT)方法对采集到的行波信号进行降噪处理后,采用同步压缩短时傅里叶变换(SSTFT)方法提取压缩机组的行波信号脊线,并通过同步压缩逆变换重构脊线对应的时域信号,完成压缩机组行波信号特征的提取;将提取到的行波信号特征输入支持向量机进行训练,采用训练完毕的支持向量机对压缩机组接地缺陷进行诊断。实验结果表明:该方法应用同步压缩傅里叶变换方法获取的信号主频特征清晰,特征提取优势显著;并且该方法可精准实现压缩机组接地缺陷的自动检测。

基于连续和离散小波分析的我国股市汇市传染效应研究

2015年股灾,"811"汇率改革及人民币加入SDR等事件使我国金融市场对汇率和股价两种资产价格的敏感度明显加强,两市场间传染效应随之改变。文章分析股市与汇市传染效应的渠道、方向和效果,理论介绍连续小波和极大重叠离散小波基本模型,随后实证检验上证综指和汇率在汇改至股灾前及股灾后两个时间段的传染效应并得到以下结论:汇率和股市之间并非简单因果关系,一阶段"同升同降"可能同受风险偏好变化影响,另一阶段"此消彼长"可能与国际资本流动、实体经济之间形成循环反馈效应。

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.

基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。Matlab仿真结果表明:去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。

一种基于屏蔽滤波的行波信号消噪方法

针对实际电力系统行波信号中存在噪声干扰的问题,提出了一种基于屏蔽滤波的行波信号消噪方法,对信号进行极大重叠离散小波包变换,将信号分解在不同的尺度上,利用能量算子得到能量强化后的小波包系数,通过计算小波包相邻尺度的相关度,归一化后得到的相关系数与各个尺度的小波包系数进行比较,获得信号奇异点,形成屏蔽滤波器,将屏蔽滤波器与各个尺度下的小波包系数相乘,从而得到新的小波包系数,利用小波包系数得到行波信号产生的准确位置。理论分析、ATP仿真结果及现场实际数据验证了该方法的有效性。

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.

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.

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。

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。