基于小波分析的股市高频数据研究

发布时间：2020-12-10 02:25

　　小波分析是一个比较新的课题和方法,包含了丰富的数学内容并具有广泛的使用潜力,成为许多应用和工程学科中一个有力的研究工具。本文把小波分析用在对金融高频数据的分析研究上,开创了小波分析方法应用的新领域。本文的主要创新工作如下:1、利用小波分析对股市高频数据的日内周期性和日间波动性进行分离,并把其特性分解在不同的尺度上,随着分解层次的深入,“日历效应”变得越来越平滑,其高峰、尖尾的特性也被独立出来,使高频数据的特征更清晰地呈现出来。2、根据小波方差的概念,定义小波偏度和小波峰度,并把它们用在对股市高频序列的互相关分析上。得出结论:以不同的尺度为基准,沪、深两市收益率和波动率在不同滞后期上的相关性也是不同的,随着尺度的增大,表现出的相关性也在增强。3、把长记忆过程和小波分析结合起来,着重阐述了长记忆过程的离散小波变换、分整差分过程如何利用小波分析实现拟合和最小二乘估计等理论。利用小波分析研究沪、深股市高频数据的长记忆性,把长记忆性分解在不同的尺度上。4、利用小波去噪法除去高频时间序列的噪声,利用不同的准则、不同的小波函数得到不同的结果,但总体上用小波去噪的效果要好于传统的去噪方法。最后,对论文... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

Rτ的自相关函数图

Rτ的自相关函数图

第二章 小波分析在“日历效应”上的应用Rτ的自相关序列均值为 0.001661，标准差为 0.018537，显然是白噪声序而以 Rτ为基础所得到的自相关序列图总体具有明显的下降特征，且局部（每具有周期性。2.6.2 利用多分辨分析（MRA）对高频数据进行分析在进行多分辨分析时，首先面临的是分析层数m 的选择问题。事实上，大，则信号细节部分表现的特性越明显，越有利于趋势性和周期性的分离。

【参考文献】：
期刊论文
[1]上海股市“日历效应”的高频估计与检验[J]. 徐正国,张世英.  天津大学学报(社会科学版). 2005(02)
[2]美国股市与中国股市间溢出效应的实证研究[J]. 汪素南,潘云鹤.  浙江大学学报(工学版). 2004(11)
[3]中国股市高频数据中的周期性和长记忆性[J]. 陶利斌,方兆本,潘婉彬.  系统工程理论与实践. 2004(06)
[4]中国股市长记忆性实证研究[J]. 施红俊,马玉林,陈伟忠.  同济大学学报(自然科学版). 2004(03)
[5]中国股市收益率与波动性长记忆性的实证研究[J]. 李亚静,何跃,朱宏泉.  系统工程理论与实践. 2003(01)
[6]中国股市的Granger因果关系分析[J]. 朱宏泉,卢祖帝,汪寿阳.  管理科学学报. 2001(05)
[7]基于MATLAB的小波分析在股市技术分析中的应用[J]. 侯木舟,袁修贵.  系统工程. 2001(05)
[8]小波分析在股市数据分析中的应用[J]. 王哲,王春峰,顾培亮.  系统工程学报. 1999(03)
[9]中国股票市场的有效性检验与分析[J]. 陈守东,孟庆顺,杨兴武.  吉林大学社会科学学报. 1998(02)



本文编号：2907916