[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115048436B - 基于可视图原理的高维金融时间序列的阶段划分方法 - Google Patents

基于可视图原理的高维金融时间序列的阶段划分方法 Download PDF

Info

Publication number
CN115048436B
CN115048436B CN202210616987.4A CN202210616987A CN115048436B CN 115048436 B CN115048436 B CN 115048436B CN 202210616987 A CN202210616987 A CN 202210616987A CN 115048436 B CN115048436 B CN 115048436B
Authority
CN
China
Prior art keywords
time series
network
dimensional
financial time
series data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210616987.4A
Other languages
English (en)
Other versions
CN115048436A (zh
Inventor
胡军
张玉洁
龙见焯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Umi Interactive Beijing Technology Co ltd
Original Assignee
Umi Interactive Beijing Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Umi Interactive Beijing Technology Co ltd filed Critical Umi Interactive Beijing Technology Co ltd
Priority to CN202210616987.4A priority Critical patent/CN115048436B/zh
Publication of CN115048436A publication Critical patent/CN115048436A/zh
Application granted granted Critical
Publication of CN115048436B publication Critical patent/CN115048436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于可视图原理的高维金融时间序列的阶段划分方法，具体包括：获取高维金融时间序列数据，将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络，再通过熵权法，得到每一层维度的权重，根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点，对所述耦合后的网络进行阶段划分，得到社团划分结果，根据优化后的模块度函数对所述耦合后的网络进行阶段划分，得到社团划分结果，将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段。提供了一种有效的阶段划分方法，能够为金融工作者在分析金融市场中提供支持与帮助。

Description

基于可视图原理的高维金融时间序列的阶段划分方法
技术领域
本申请涉及高维金融时间序列的阶段划分技术领域，特别是涉及一种基于可视图原理的高维金融时间序列的阶段划分方法、装置、计算机设备和存储介质。
背景技术
随着经济的不断发展，金融市场产生越来越的数据，这些数据很多都是时间序列数据并且是非线性的高维时间序列，因此，如何在这这些高维的时间序列的数据中挖掘出有用的信息，对于现在的业界与学界来说，就显得尤为重要，因此也诞生了很多时间序列数据的特征提取方法。但是随着一种新的时间序列分析的模型的提出，我们发现该模型能够很好的用于金融市场的中的高维时间序列特征提取，该模型就是可视图算法，其主要的过程是将时间序列映射成为复杂网络，根据每个时间节点上数据值，通过两两比较是.否满足条件，来建立连边，若是满足条件则建立连边，不满足，则不建立连边，最终得到一个复杂网络，目前该模型将时间序列转化为复杂网络模型的技术比较成熟，但是如何针对于这一网络提出相对应的分析模型，则还没有形成针对性的方法，不能直接采用现有的算法直接对该网络进行分析，也并未有对现有股票和期货的高维金融时间序列数据进行阶段划分方法。
发明内容
基于此，针对上述技术问题，提供一种基于可视图原理的高维金融时间序列的阶段划分方法、装置、计算机设备和存储介质。
第一方面，一种基于可视图原理的高维金融时间序列的阶段划分方法，所述方法包括：
获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
上述方案中，可选的，所述对该高维金融时间序列数据进行清洗包括：缺失值补充：通过插值法将缺失的高维金融时间序列数据进行补充；数据格式整理：对高维金融时间序列数据的格式进行统一；
异常值处理：找出高维金融时间序列数据中的异常值，采用平滑法将异常值进行替换。
上述方案中，进一步可选的，所述将所述高维金融时间序列数据映射为一个复杂网络的映射方法为可视图算法。
上述方案中，进一步可选的，所述通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重具体方法包括：设考虑n个方案，m个指标的多指标决策问题的决策矩阵X＝(xij)m×n；
利用标准化公式将决策矩阵X转变成为标准化决策矩阵R＝(rij)m×n；
第i个评价指标的熵定义为：其中K＝(lnn)-1且并设定，当fij＝0且fijlnfij＝0；
第i个评价指标的熵权wi定义为：
指标的熵越大，其熵权越小，并满足
0＜wi＜1且
上述方案中，进一步可选的，在所述基于预先构建的模块度函数Q之前，还包括：给所述网络的所有节点按照时间顺序进行编号。
上述方案中，进一步可选的，所述基于预先构建的模块度函数Q为：
其中，K表示聚类的数目，L表示网络中边的总数，和表示聚类i的团内边数目和总的边数，Linter代表总的团间边数量。
上述方案中，进一步可选的，所述基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，具体为：采用Newman快速社团划分算法，得到初始阶段节点数量作为初始社团划分结果；
根据初始社团划分结果，通过设计所有节点只能和其编号相邻的节点在同一阶段的规则，得到初始的阶段；
通过遗传算法，交叉变异，使得模块度Q最大，得到最终的划分结果。
第二方面，一种基于可视图原理的高维金融时间序列的阶段划分装置，所述装置包括：
获取模块：用于获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
获取模块：用于获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
第一计算模块：用于将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
第二计算模块：用于通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
第三计算模块：用于根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
划分模块：用于基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
反馈模块：用于将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
输出模块：用于根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
本发明至少具有以下有益效果：
本发明基于对现有技术问题的进一步分析和研究，认识到现有方案并没有提供对现有股票和期货的高维金融时间序列数据进行阶段划分方法，本申请通过：获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据，将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络，再通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重，根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点，进一步的基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果，将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段，根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
本申请通过可视图将股票和期货的时间序列数据转化为复杂网络,通过复杂网络模型对金融期货数据的阶段进行划分，找到其最优的划分阶段，提供一种有效的阶段划分方法，能够为金融工作者在分析金融市场中提供支持与帮助。
附图说明
图1为本发明一个实施例提供的基于可视图原理的高维金融时间序列的阶段划分方法的流程示意图；
图2为本发明一个实施例提供的基于可视图原理的高维金融时间序列的阶段划分方法的石油期货的5阶段划分迭代次数示意图；
图3为本发明一个实施例提供的基于可视图原理的高维金融时间序列的阶段划分方法的石油期货的划分结果图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于可视图原理的高维金融时间序列的阶段划分方法，在一个实施例中，如图1所示，提供了一种基于可视图原理的高维金融时间序列的阶段划分方法包括以下步骤：
获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据。
例如，该表为石油期货高维金融时间序列数据统计图。
其中，对该高维金融时间序列数据进行清洗包括：缺失值补充：通过插值法将缺失的高维金融时间序列数据进行补充；数据格式整理：对高维金融时间序列数据的格式进行统一。
异常值处理：找出高维金融时间序列数据中的异常值，采用平滑法将异常值进行替换。
将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络。
其中，将所述高维金融时间序列数据映射为一个复杂网络的映射方法为可视图算法。
通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重。
其中，通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重具体方法包括：设考虑n个方案，m个指标的多指标决策问题的决策矩阵X＝(xij)m×n；
利用标准化公式将决策矩阵X转变成为标准化决策矩阵R＝(rij)m×n；
第i个评价指标的熵定义为：其中K＝(lnn)-1且并设定，当fij＝0且fijlnfij＝0；
第i个评价指标的熵权wi定义为：
指标的熵越大，其熵权越小，并满足
0＜wi＜1且
具体的，若考虑n个方案，m个指标的多指标决策问题的决策矩阵X＝(xij)m×n。为了便于计算和优选分析，消除指标间由于量纲不同而带来比较上的困难，可利用标准化公式将决策矩阵X转变成为标准化决策矩阵R＝(rij)m×n。在有n个被评价对象，m个评价指标的评估问题中，第i个评价指标的熵定义为：其中K＝(lnn)-1，并假定，当fij＝0，fijlnfij＝0。在(m，n)评价问题中，第i个评价指标的熵权wi定义为：
指标的熵越大，其熵权越小，该指标越不重要，而且满足0＜wi＜1且
根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点。
其中，所述线性加权方法为：w1s1+w2s2+...+wnsn＝S，其中si表示每层之间的邻接矩阵。
基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
其中，在基于预先构建的模块度函数Q之前，还包括：给所述网络的所有节点按照时间顺序进行编号。
基于预先构建的模块度函数Q为：
其中，K表示聚类的数目，L表示网络中边的总数，和表示聚类i的团内边数目和总的边数，Linter代表总的团间边数量。
将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段。
其中，对模块度函数进行优化，根据优化后的模块度函数对所述耦合后的网络进行阶段划分，具体为：采用Newman快速社团划分算法，得到初始阶段节点数量作为初始社团划分结果。
根据初始社团划分结果，通过设计所有节点只能和其编号相邻的节点在同一阶段的规则，得到初始的阶段，通过遗传算法，交叉变异，使得模块度Q最大，得到最终的划分结果。
根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。其中，可以输出给终端进行展示。
本申请通过获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据，将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络，再通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重，根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点，进一步的基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果，将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段，根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
本申请通过可视图将股票和期货的时间序列数据转化为复杂网络,通过复杂网络模型对金融期货数据的阶段进行划分，找到其最优的划分阶段，提供一种有效的阶段划分方法，能够为金融工作者在分析金融市场中提供支持与帮助。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于可视图原理的高维金融时间序列的阶段划分装置，包括以下程序模块：获取模块：用于获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
第一计算模块：用于将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
第二计算模块：用于通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
第三计算模块：用于根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
划分模块：用于基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
反馈模块：用于将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
输出模块：用于根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出。
关于基于可视图原理的高维金融时间序列的阶段划分装置的具体限定可以参见上文中对于基于可视图原理的高维金融时间序列的阶段划分方法的限定，在此不再赘述。上述基于可视图原理的高维金融时间序列的阶段划分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于可视图原理的高维金融时间序列的阶段划分方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，涉及上述实施例方法中的全部或部分流程。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于可视图原理的高维金融时间序列的阶段划分方法，其特征在于，所述方法包括：
获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出；
所述通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重具体方法包括：设考虑n个方案，m个指标的多指标决策问题的决策矩阵X＝(xij)m×n；
利用标准化公式将决策矩阵X转变成为标准化决策矩阵R＝(rij)m×n；
第i个评价指标的熵定义为：其中K＝(lnn)-1且并设定，当fij＝0且fijlnfij＝0；
第i个评价指标的熵权wi定义为：
指标的熵越大，其熵权越小，并满足
0＜wi＜1且
2.根据权利要求1所述的方法，其特征在于，所述对该高维金融时间序列数据进行清洗包括：缺失值补充：通过插值法将缺失的高维金融时间序列数据进行补充；数据格式整理：对高维金融时间序列数据的格式进行统一；
异常值处理：找出高维金融时间序列数据中的异常值，采用平滑法将异常值进行替换。
3.根据权利要求1所述的方法，其特征在于，所述将所述高维金融时间序列数据映射为一个复杂网络的映射方法为可视图算法。
4.根据权利要求1所述的方法，其特征在于，在所述基于预先构建的模块度函数Q之前，还包括：给所述网络的所有节点按照时间顺序进行编号。
5.根据权利要求1所述的方法，其特征在于，所述基于预先构建的模块度函数Q为：
其中，K表示聚类的数目，L表示网络中边的总数，和表示聚类i的团内边数目和总的边数，Linter代表总的团间边数量。
6.根据权利要求5所述的方法，其特征在于，所述基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，具体为：采用Newman快速社团划分算法，得到初始阶段节点数量作为初始社团划分结果；
根据初始社团划分结果，通过设计所有节点只能和其编号相邻的节点在同一阶段的规则，得到初始的阶段；
通过遗传算法，交叉变异，使得模块度Q最大，得到最终的划分结果。
7.一种基于可视图原理的高维金融时间序列的阶段划分装置，其特征在于，所述装置包括：
获取模块：用于获取高维金融时间序列数据，并对该高维金融时间序列数据进行清洗，得到降低噪声的高维金融时间序列数据；
第一计算模块：用于将所述高维金融时间序列数据映射为一个复杂网络，得到一个多层网络；
第二计算模块：用于通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重；
第三计算模块：用于根据得到的每一层维度的权重，对多层网络采用线性加权和法得到耦合后的网络，并根据该耦合后的网络获取该网络的所有节点；
划分模块：用于基于预先构建的模块度函数Q，通过遗传算法进行优化，对所述耦合后的网络进行阶段划分，得到社团划分结果；
反馈模块：用于将社团划分的结果，反馈回高维金融时间序列数据，从而得到高维金融时间序列的不同阶段；
输出模块：用于根据得到的高维金融时间序列的不同阶段，生成相应的划分结果图并输出；
所述通过熵权法，对所述多层网络中高维时间序列进行分析，得到每一层维度的权重具体方法包括：设考虑n个方案，m个指标的多指标决策问题的决策矩阵X＝(xij)m×n；
利用标准化公式将决策矩阵X转变成为标准化决策矩阵R＝(rij)m×n；
第i个评价指标的熵定义为：其中K＝(lnn)-1且并设定，当fij＝0且fijlnfij＝0；
第i个评价指标的熵权wi定义为：
指标的熵越大，其熵权越小，并满足
0＜wi＜1且
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210616987.4A 2022-06-01 2022-06-01 基于可视图原理的高维金融时间序列的阶段划分方法 Active CN115048436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210616987.4A CN115048436B (zh) 2022-06-01 2022-06-01 基于可视图原理的高维金融时间序列的阶段划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210616987.4A CN115048436B (zh) 2022-06-01 2022-06-01 基于可视图原理的高维金融时间序列的阶段划分方法

Publications (2)

Publication Number Publication Date
CN115048436A CN115048436A (zh) 2022-09-13
CN115048436B true CN115048436B (zh) 2024-07-12

Family

ID=83159337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210616987.4A Active CN115048436B (zh) 2022-06-01 2022-06-01 基于可视图原理的高维金融时间序列的阶段划分方法

Country Status (1)

Country Link
CN (1) CN115048436B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910261A (zh) * 2019-10-24 2020-03-24 浙江工业大学 一种基于多目标优化的网络社团检测对抗增强方法
CN111382318A (zh) * 2020-03-14 2020-07-07 平顶山学院 一种基于信息动力学的动态社团检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108228706A (zh) * 2017-11-23 2018-06-29 中国银联股份有限公司 用于识别异常交易社团的方法和装置
KR102394210B1 (ko) * 2020-03-31 2022-05-06 영남대학교 산학협력단 커뮤니티 검출 장치 및 방법
CN112464040B (zh) * 2020-11-20 2022-05-13 北京邮电大学 图结构识别、可视化展示及显示操作方法及装置
CN113378075A (zh) * 2021-06-23 2021-09-10 南通大学 一种自适应融合网络拓扑和节点内容的社团发现方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910261A (zh) * 2019-10-24 2020-03-24 浙江工业大学 一种基于多目标优化的网络社团检测对抗增强方法
CN111382318A (zh) * 2020-03-14 2020-07-07 平顶山学院 一种基于信息动力学的动态社团检测方法

Also Published As

Publication number Publication date
CN115048436A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Ahmed et al. Cat swarm optimization algorithm: a survey and performance evaluation
JP7169369B2 (ja) 機械学習アルゴリズムのためのデータを生成する方法、システム
Goodwin et al. Real-time digital twin-based optimization with predictive simulation learning
Zandkarimi et al. A generic framework for trace clustering in process mining
Charte et al. Working with Multilabel Datasets in R: The mldr Package.
US11514369B2 (en) Systems and methods for machine learning model interpretation
US9471869B2 (en) Determination of composite clusters
WO2010061813A1 (ja) 能動計量学習装置、能動計量学習方法および能動計量学習プログラム
JP5402351B2 (ja) 多目的最適化設計支援装置、方法、及びプログラム
CN116109121B (zh) 基于大数据分析的用户需求挖掘方法及系统
CN106844518A (zh) 一种基于子空间学习的不完整跨模态检索方法
Karthik et al. Prognostic Kalman Filter Based Bayesian Learning Model for Data Accuracy Prediction.
CN113642716B (zh) 深度变分自编码器模型训练方法、装置、设备和存储介质
US20240078473A1 (en) Systems and methods for end-to-end machine learning with automated machine learning explainable artificial intelligence
Anand et al. Association rule mining using treap
Rostami et al. Cooperative coevolutionary topology optimization using moving morphable components
Silva et al. An instance selection method for large datasets based on markov geometric diffusion
Yan et al. An improved coverage-oriented retrieval algorithm for large-area remote sensing data
CN115048436B (zh) 基于可视图原理的高维金融时间序列的阶段划分方法
CN117217172B (zh) 表格信息获取方法、装置、计算机设备、存储介质
de Sousa Filho et al. New heuristics for the bicluster editing problem
Yin et al. Content‐Based Image Retrial Based on Hadoop
Pendharkar et al. DEA based dimensionality reduction for classification problems satisfying strict non-satiety assumption
Mota et al. A compact timed state space approach for the analysis of manufacturing systems: key algorithmic improvements
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant