INTROUCTION

在本文中，我們提出了一種基于轉(zhuǎn)折點(diǎn)的金融時(shí)間序列分割方法。我們工作的主要貢獻(xiàn)是，我們?cè)试S在不同的細(xì)節(jié)層次上分割時(shí)間序列。這種分段允許對(duì)時(shí)間序列進(jìn)行自上而下的分析，首先確定高度可見(jiàn)的趨勢(shì)，然后在后期使用更詳細(xì)的分段。此外，與現(xiàn)有方法相比，所提出的方法可以在保持更高數(shù)量的趨勢(shì)方面獲得令人滿意的結(jié)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(yù)測(cè)股票走勢(shì)的常用方法是使用歷史價(jià)格數(shù)據(jù)中的局部最小點(diǎn)和最大點(diǎn)。這些局部最大點(diǎn)和最小點(diǎn)通常被稱為轉(zhuǎn)折點(diǎn)（TP），因?yàn)樗鼈儽硎疽欢螘r(shí)間內(nèi)股票趨勢(shì)的變化。在一段時(shí)間內(nèi)，TP通常位于金融時(shí)間序列的頂部和底部附近[3]。
• 三種常見(jiàn)的分割方法

PLA:

PLA可以通過(guò)自上而下、自下而上、滑動(dòng)獲窗口和B樣條小波方法[9]。分段為通過(guò)應(yīng)用某些操作（例如分區(qū)自上而下）和合并（自下而上）.方法是設(shè)計(jì)停止條件（表示為閾值[13]）。當(dāng)使用較高的閾值時(shí)，通過(guò)PLA方法提取的片段的長(zhǎng)度可以增加。然而，當(dāng)PLA方法用于分解不同股票的歷史數(shù)據(jù)時(shí)，分析師可能希望使用不同的閾值來(lái)匹配股票的基本特征。為了緩解這個(gè)問(wèn)題，使用了幾種方法來(lái)選擇正確的閾值。例如，在[13]中，Chang等人使用GA算法來(lái)選擇有效閾值。

PIP:感知重要點(diǎn)（PIP）分割方法。識(shí)別PIP[2]的過(guò)程在算法1中描述。對(duì)于給定的時(shí)間序列T，所有數(shù)據(jù)點(diǎn)都由PIP識(shí)別功能處理。前兩個(gè)PIP將是T的第一個(gè)點(diǎn)和最后一個(gè)點(diǎn)。下一個(gè)PIP是T中距離前兩個(gè)PI最遠(yuǎn)的點(diǎn)。該過(guò)程繼續(xù)進(jìn)行，直到T中的所有點(diǎn)都添加到列表（PIPList）中。為了計(jì)算從下一個(gè)PIP（x2，y2）到兩個(gè)相鄰PIP（（x1，y1）和（x3，y3）的距離，使用等式（1）來(lái)測(cè)量距離。

TP:基于重要點(diǎn)的分割方法對(duì)于壓縮時(shí)間序列數(shù)據(jù)很有用，因?yàn)樵摲椒ǖ脑硎鞘褂靡唤MIP來(lái)表示原始序列[5]。決定重要點(diǎn)的標(biāo)準(zhǔn)基于壓縮率（R）。此外，IP分割方法的復(fù)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(shí)間序列中的一個(gè)點(diǎn)來(lái)產(chǎn)生段。否則該點(diǎn)將被丟棄。與PLA方法類似，較大的R值可能會(huì)創(chuàng)建少量的長(zhǎng)段，較小的R可能會(huì)創(chuàng)建大量的短段。因此，R的選擇會(huì)顯著影響任何未來(lái)分析的結(jié)果。在本文中，我們提出了一種基于轉(zhuǎn)折點(diǎn)的金融時(shí)間序列分割方法。在這種方法中，可以以不同的粒度級(jí)別生成段。

SEGMENTATION METHOD BASED ON TURNING POINTS

在本節(jié)中，我們描述了一種基于轉(zhuǎn)折點(diǎn)的新分割方法，以在不同的細(xì)節(jié)層次上分解時(shí)間序列。我們的分割方法的關(guān)鍵原理是將時(shí)間序列適當(dāng)?shù)貏澐譃椴煌臅r(shí)段，并確保提取的每個(gè)片段在該時(shí)段內(nèi)都具有單一的趨勢(shì)。在我們的方法中，迭代識(shí)別轉(zhuǎn)折點(diǎn)以產(chǎn)生相應(yīng)的分段。在分割過(guò)程中，一些局部轉(zhuǎn)折點(diǎn)被丟棄，以便將小趨勢(shì)合并為大趨勢(shì)。分段過(guò)程描述如下。

?

?

EXPERINMENTAL RESULTS

通過(guò)比較這兩種方法產(chǎn)生的誤差和趨勢(shì)，我們發(fā)現(xiàn)PIP可以比TP產(chǎn)生更少的誤差，但TP可以比PIP保留更多的趨勢(shì)。這些結(jié)果是有意義的，因?yàn)镻IP方法旨在保持時(shí)間序列的整體形狀，而我們方法的目標(biāo)是從時(shí)間序列中提取盡可能多的趨勢(shì)。金融分析師可以使用提取的趨勢(shì)來(lái)構(gòu)建預(yù)測(cè)股票走勢(shì)的模式。

此外，本文中提出的TP比PIP對(duì)股票的移動(dòng)更敏感，因?yàn)镻IP傾向于保持曲線的形狀，而TP可用于識(shí)別曲線趨勢(shì)的變化。

COCLUSION

在本文中，我們提出了一種新的基于轉(zhuǎn)折點(diǎn)的分割方法。由所提出的方法生成的時(shí)間序列保持了原始趨勢(shì)的形狀。此外，與現(xiàn)有方法相比，我們提出的算法可以在不同的細(xì)節(jié)級(jí)別生成片段，并保持更高數(shù)量的趨勢(shì)。這種能力對(duì)于以自上而下的方式分析股票數(shù)據(jù)非常有用。對(duì)于未來(lái)的工作，我們計(jì)劃使用生成的片段來(lái)預(yù)測(cè)庫(kù)存移動(dòng)方向。我們還計(jì)劃從歷史價(jià)格數(shù)據(jù)中提取類似的部分，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

總結(jié)

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?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。