基于HBase的金融时序数据存储系统

设计并实现了1个基于HBase的金融时序数据的存储系统。设计了基于金融时序数据的HBase预分区策略,可解决HBase存储热点的问题;采用了行键优化策略和基于时序数据的表设计策略,可解决数据存储分散的问题;使用了提供异步处理机制的事件驱动的Netty框架所编写的中间件接收采集器发送的请求,可解决高并发事务的处理问题。实验结果表明,与HBase原生方法相比,该系统的性能在处理高并发事务时更好。

基于DBN的金融时序数据建模与决策

在金融时序数据的分析中经常会遇到一些复杂的非线性系统,利用数学方法很难对这些复杂的系统状态方程准确建模。针对目前金融时序的数据分析复杂性和不确定性等问题,将对复杂非线性系统的模拟转化为对金融时序数据曲线的模式识别,确定了金融时序数据上升、下降以及无规则的各种模式。利用深度学习对非结构化数据处理的优势,提出了一种改进的基于深度信念网络(DBN)决策算法的金融时序数据建模与分析方法。将时序数据转化为非结构化数据,以这些非结构化数据作为深度学习网络的输入层训练DBN金融时序数据模型,应用训练好的模型于金融时序数据样本的预测选取和交易。实验结果表明,利用DBN模型选择的金融数据样本在金融时序数据量化的决策分析中的准确率可达到90.544 2%。

小波分析对金融时序数据的处理

小波分析于20世纪30年代由法国科学家Gsossman和Morlet提出，快速发展起来的数学工具，因其在时域与频域具有良好的局部性，宜于信号的局部与细节的研究，被称为＂数学显微镜＂。起初主要应用于工程、地质勘探、医学成像诊断，近年来才逐渐被引进经济金融领域，尤其对时间序列数据的去噪功能受到研究者的重视。本文先对小波分析作简单介绍，然后专注小波分析的分解功能，对比处理后的信号与原信号。由此得出，在趋势方面，处理后的信号的较原信号清晰。

金融时序数据建模中的模型设定问题

W .J.Granger与D .F .Hendry (2 0 0 4 )关于建模思路的对话引起了国际计量经济学界关于模型设定问题的争论,本文就这一问题分析讨论了在金融时序数据实证研究中得以广泛应用的ARCH/GARCH模型的设定问题,认为在金融时序数据的建模中,ARMA族模型不宜作为数据生成过程的模型设定,其统计性质也不能直接扩展到ARMA -GARCH族数据生成过程;虽然ARCH/GARCH族模型作为金融时序数据的生成过程有着良好的统计性质,但也不宜单纯采用一般到特殊的建模思路,而应是一般到特殊和特殊到一般两种建模思路的结合;ARCH/GARCH族模型的设定应当包含事前检验、事后检验等设定检验步骤。

金融时序数据建模的模型设定问题分析

W.J.Granger与D.F.Hendry(2004)关于建模思路的对话引起了国际计量经济学界关于模型设定问题的争论,本文就这一问题分析讨论了在金融时序数据实证研究中得以广泛应用的ARCH/GARCH模型的设定问题,认为在金融时序数据的建模中,ARMA族模型不宜作为数据生成过程的模型设定,其统计性质也不能直接扩展到ARMAGARCH族数据生成过程。虽然ARCH/GARCH族模型作为金融时序数据的生成过程有着良好的统计性质,但不宜单纯采用一般到特殊的建模思路,而应是一般到特殊和特殊到一般两种建模思路的结合。ARCH/GARCH族模型的设定应当包含事前检验、事后检验等设定检验步骤。

信号分解与融合神经网络的金融数据预测研究

针对目前特征+模型的预测方案在金融时序数据上预测精度不足的问题,提出一种基于变分模态分解的长短期记忆神经网络-因子分解机双通道融合模型.首先利用变分模态分解分解金融时序数据,得到能表现时序数据趋势和变化信息的模态,接着将模态信息输入到长短期记忆神经网络-因子分解机双通道融合模型中,长短期记忆神经网络得到数据的时序特征,因子分解机得到数据的交互特征,通过改进的局部连接层融合,使模型能同时表达数据的时序特征和交互特征,提升时序数据预测的效果.以沪深300指数和标普500指数的数据为例,对所提模型进行验证,结果表明其在预测性能和泛化性能上都有明显的优势.

基于高频数据的ARCH类模型波动预测比较分析

Realized Volatility是在高频数据的研究基础上发展起来的度量波动率的新方法。本文以上证综合指数的高频数据为研究对象,采用滚动式样本外一步预测的方法对5种ARCH类模型进行了模型预测能力的比较研究。主要结论有:(1)Realized Volatility作为解释变量加入GARCH模型后能够提高波动预测精度。(2)GARCH-RV的波动预测值为Realized Volatility的无偏估计量。(3)沪市存在波动非对称性与很长的持续性。