基于相似性度量的金融时序联动预测：理论、算法与实践

金融市场的复杂性和不确定性不断增加，现有 的金融时间序列分析多依赖于静态模型，难以有效 捕捉动态变化和多维度数据之间的相互关系。此外 ，金融大数据呈现出非线性、时变性和高噪声等特 征，给数据分析和预测带来了难度。在大数据时代 下，时间序列数据挖掘现代信息技术是提升金融服 务质量与实现金融强国的工具。本书聚焦于金融时 间序列数据挖掘，涵盖金融时间序列的降维表示、 相似性度量算法、联动性分析模型与预测模型等理 论与方法，旨在识别和量化不同金融时间序列之间 的动态关系与趋势变化。本书总结和阐释了金融数 据复杂性和不确定性，将时序数据挖掘技术应用到 金融市场决策和风险管理中，所形成的一系列创新 性成果对于推动本领域的理论研究、智慧金融关键 技术难题的突破，具有重要的学术价值，对于指导 数字金融发展、金融科技创新提供基础支撑和参考 借鉴作用。

1 绪论 1.1 研究背景 1.1.1 金融时间序列数据挖掘热点研究 1.1.2 时间序列数据挖掘的技术基础 1.1.3 金融时间序列数据挖掘的根本问题 1.2 研究意义 1.3 研究问题 1.3.1 研究时间序列降维及特征表示、相似性度量，提出相似性搜索算法LM 1.3.2 改进时间序列聚类无监督挖掘方法 1.3.3 发掘不同阶段下股市联动关系的时变特征与规律提取可发现模式 1.3.4 构建适用于高维强噪股价时间序列数据的内部预测因子，提高股价时间序列的预测准确率 1.4 研究方法 1.4.1 文献计量分析与研究方法 1.4.2 时间序列数据挖掘方法 1.4.3 统计学习方法 1.4.4 统计检验方法 1.4.5 深度学习方法 1.4.6 实验法 1.5 研究内容 1.5.1 概念界定与金融时序热点及趋势研究 1.5.2 国内外相关文献综述 1.5.3 基于离散小波变换的时序预处理与噪声关系研究 1.5.4 基于离散小波变换的高维强噪时间序列相似性搜索算法 1.5.5 基于相似性搜索算法改进的LM-K-mediods聚类方法 1.5.6 基于LM-K-mediods聚类的股市全行业联动性分析与模式发现 1.5.7 金融机构风险的联动性及传染性研究 1.5.8 动力煤期货、现货价格和煤炭股指的联动周期效应研究 1.5.9 基于相似性的高维强噪股价的预测因子研究 1.5.10 社交媒体投资者情绪对股票市场的预测研究 1.5.11 基于相似性度量的协整配对交易策略研究 参考文献 2 概念界定与金融时序热点及趋势研究 2.1 时间序列的概念界定 2.2 基于知识图谱的金融时间序列热点与趋势研究（1996—2018年） 2.2.1 核心作者分析 2.2.2 研究机构分析 2.2.3 期刊分布分析 2.2.4 研究热点分析 2.2.5 研究前沿分析 2.2.6 研究趋势分析 2.2.7 整体结论 2.3 相关文献整体计量分析（1998—2022年） 2.3.1 国外相关文献计量分析 2.3.2 国内相关文献计量分析 2.3.3 整体结论 2.4 本章小结 参考文献 3 国内外相关文献综述 3.1 金融时序联动性分析与模式发现的研究进展 3.1.1 金融时间序列的联动性分析