INTROUCTION

在本文中，我們提出了一種基于轉折點的金融時間序列分割方法。我們工作的主要貢獻是，我們允許在不同的細節層次上分割時間序列。這種分段允許對時間序列進行自上而下的分析，首先確定高度可見的趨勢，然后在后期使用更詳細的分段。此外，與現有方法相比，所提出的方法可以在保持更高數量的趨勢方面獲得令人滿意的結果。此外，我們的方法不依賴于PLA和IP方法中使用的任意閾值。

RELATED WORK

• TURNING POINT:? 預測股票走勢的常用方法是使用歷史價格數據中的局部最小點和最大點。這些局部最大點和最小點通常被稱為轉折點（TP），因為它們表示一段時間內股票趨勢的變化。在一段時間內，TP通常位于金融時間序列的頂部和底部附近[3]。
• 三種常見的分割方法

PLA:

PLA可以通過自上而下、自下而上、滑動獲窗口和B樣條小波方法[9]。分段為通過應用某些操作（例如分區自上而下）和合并（自下而上）.方法是設計停止條件（表示為閾值[13]）。當使用較高的閾值時，通過PLA方法提取的片段的長度可以增加。然而，當PLA方法用于分解不同股票的歷史數據時，分析師可能希望使用不同的閾值來匹配股票的基本特征。為了緩解這個問題，使用了幾種方法來選擇正確的閾值。例如，在[13]中，Chang等人使用GA算法來選擇有效閾值。

PIP:感知重要點（PIP）分割方法。識別PIP[2]的過程在算法1中描述。對于給定的時間序列T，所有數據點都由PIP識別功能處理。前兩個PIP將是T的第一個點和最后一個點。下一個PIP是T中距離前兩個PI最遠的點。該過程繼續進行，直到T中的所有點都添加到列表（PIPList）中。為了計算從下一個PIP（x2，y2）到兩個相鄰PIP（（x1，y1）和（x3，y3）的距離，使用等式（1）來測量距離。

TP:基于重要點的分割方法對于壓縮時間序列數據很有用，因為該方法的原理是使用一組IP來表示原始序列[5]。決定重要點的標準基于壓縮率（R）。此外，IP分割方法的復雜度為O（n），比PLA快得多。在該方法中，如果得到的R足夠大，則選擇時間序列中的一個點來產生段。否則該點將被丟棄。與PLA方法類似，較大的R值可能會創建少量的長段，較小的R可能會創建大量的短段。因此，R的選擇會顯著影響任何未來分析的結果。在本文中，我們提出了一種基于轉折點的金融時間序列分割方法。在這種方法中，可以以不同的粒度級別生成段。

SEGMENTATION METHOD BASED ON TURNING POINTS

在本節中，我們描述了一種基于轉折點的新分割方法，以在不同的細節層次上分解時間序列。我們的分割方法的關鍵原理是將時間序列適當地劃分為不同的時段，并確保提取的每個片段在該時段內都具有單一的趨勢。在我們的方法中，迭代識別轉折點以產生相應的分段。在分割過程中，一些局部轉折點被丟棄，以便將小趨勢合并為大趨勢。分段過程描述如下。

?

?

EXPERINMENTAL RESULTS

通過比較這兩種方法產生的誤差和趨勢，我們發現PIP可以比TP產生更少的誤差，但TP可以比PIP保留更多的趨勢。這些結果是有意義的，因為PIP方法旨在保持時間序列的整體形狀，而我們方法的目標是從時間序列中提取盡可能多的趨勢。金融分析師可以使用提取的趨勢來構建預測股票走勢的模式。

此外，本文中提出的TP比PIP對股票的移動更敏感，因為PIP傾向于保持曲線的形狀，而TP可用于識別曲線趨勢的變化。

COCLUSION

在本文中，我們提出了一種新的基于轉折點的分割方法。由所提出的方法生成的時間序列保持了原始趨勢的形狀。此外，與現有方法相比，我們提出的算法可以在不同的細節級別生成片段，并保持更高數量的趨勢。這種能力對于以自上而下的方式分析股票數據非常有用。對于未來的工作，我們計劃使用生成的片段來預測庫存移動方向。我們還計劃從歷史價格數據中提取類似的部分，用于訓練神經網絡模型。

總結

以上是生活随笔為你收集整理的Financial Time Series Segmentation Based On Turning Points的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。