基于信息颗粒和模糊聚类的时间序列分割

提出了基于信息颗粒和模糊聚类的时间序列分割方法。首先,使用Gath-Geva模糊聚类得到一个带有时间域信息的模糊分割;然后,在此基础上采用信息颗粒使得时间序列的分割具有数据上的同质性;最后,得到既有时间信息又有同质性的时间序列分割。将台湾证券交易所市值加权指数及某地区电力需求量序列作为实验数据,实验结果表明该方法是可行有效的。     

Copula函数的加权平均距离检验方法

针对无法从定性的角度选择最优Copula函数,本文从定量的角度给出Copula函数的一种加权平均距离检验方法,并给出该检验方法的拒绝域与检验p值,最后证明了此检验方法具有相合性,并给出检验统计量的渐近分布,从而说明此方法可以用于最优Copula函数的选择。     

聚类有效性函数：熵公式

依据香农信息熵理论。本文引入了一个新的划分熵公式。结合Ｊ．Ｃ．Ｂｅｚｄｅｋ给出的划分熵，定义了一个新的聚类有效性函数。通过四组数据对该聚类有效性函数的判决功能和鲁棒性进行了研究。     

基于核函数的混合C均值聚类算法

提出了一种基于核函数的混合C均值聚类算法.首先利用模糊C均值聚类算法和另一种类型的可能性C均值聚类算法的优点,设计出一种混合C均值聚类算法.然而鉴于该算法存在的不足,本文将Mercer核函数引入到该算法中,仿真实验结果证实了该方法的可行性和有效性.     

基于Copula函数的家庭联合保险定价

家庭联合保险定价时,通常假定夫妻之间寿命是相互独立性的,这容易造成保险价格的扭曲．有鉴于此,本文摒弃生命体之间的独立性假设,采用Copula函数刻画夫妻未来余命的相关结构,并结合生命表函数,研究了一种家庭联合保险的保费厘定问题,推导出了均衡年保费的计算公式．最后,对影响家庭联合保险定价的Kendall秩相关系数进行了参数敏感性分析,数值模拟结果表明,夫妻关系的和睦程度是联合保险定价的不容忽视的要素．     

时间序列中自相关与偏相关函数分析

相关函数表现出时间序列中任意两个值之间的相关性是如何随着时间间隔而改变的.自相关函数刻画了时间序列相邻变量之间的相关性,偏相关函数则是排除了其它中间变量的影响,真实地反映两个变量之间的相关性,并且二者紧密相连.同时两个相关图所反映的信息在时间序列分析各个方面发挥着关键作用.     

灰色聚类白化函数探析

为进一步探析各类白化函数对综合评价结果的影响,先构建经典三角、修正三角1、修正三角2、经典聚类和指数型这五种不同类型的白化函数,再分别应用单一型数据、混合型数据、单指标单调型数据和跳跃型数据对这五种白化函数进行比较验证.结果显示两端等级的白化函数、零权重问题和等级区间宽度对综合评价结果影响较大.     

基于Elliptical Copula函数的相关性模型研究

针对沪深股指构建了两种基于Elliptical Copula函数的相关性模型,并利用参数估计的结果计算其相关性指标.结果表明,Elliptical Copula函数在金融相关性分析中比传统方法合理有效,其中学生氏t-copula函数在服从厚尾分布的相关性模型中比高斯Copula更具实际意义.     

基于距离相关系数的分层聚类法

随着大数据时代的到来,各个领域涌现出海量数据且结构复杂.如变量的维数不同、尺度不同等.而现实中变量之间往往存在着不确定关系,经典的Pearson相关系数仅能反映两个同维变量间的线性相关关系,不足以完全刻画变量间的相关关系.2007年Szekely等提出的距离相关系数则能描述不同维数变量间的非线性关系.为了探索变量之间的内在信息,本文基于距离相关系数提出了最大距离相关系数法对变量聚类,且有超度量性和空间收缩性.为充分发挥距离相关系数的优势,对上述方法改进得到类整体距离相关系数法.该方法在刻画两类间相似性时,将每类中的所有变量合并成一个整体,再计算这两个不同维数的整体间的距离相关系数.最后,将类整体距离相关系数法应用到几个实际问题中,验证了算法的有效性.     

具有n次多项式截面的Copula函数

本文构造一类具有n次多项式截面的Copula函数C(x,y),并给出了C(x,y)是Copula函数的两个充分必要条件,同时推导出此类Copula函数的若干性质,包括对称性和相关度量等.     

基于主成分分析的单变量时间序列聚类方法

针对时间序列数据的高维特性,在进行理论分析的基础上,利用主成分分析法提出了一种单变量时间序列数据降维的新方法,进而提出了基于主成分分析的单变量时间序列聚类方法。其主要思想是在线性空间中的同一组基下,用系数之间的相似性来刻画对应时间序列之间相似性,在理论分析过程中,首先对单变量时间序列数据集进行主成分分析,其次分析了单变量时间序列数据集、样本协方差矩阵的特征向量与主成分之间的关系,并证明了由主成分构成的向量组线性无关。为了进一步验证理论分析结果的正确性和所提算法的有效性,分别利用仿真数据和真实的股票数据进行了数值实验。     

Clustering Nonlinear,Nonstationary Time Series Using BSLEX

Accurate clustering of time series is a challenging problem for data arising from areas such as financial markets, biomedical studies, and environmental sciences, especially when some, or all, of the series exhibit nonlinearity and nonstationarity. When a subset of the series exhibits nonlinear characteristics, frequency domain clustering methods based on higher-order spectral properties, such as the bispectra or trispectra are useful. While these methods address nonlinearity, they rely on the assumption of series stationarity. We propose the Bispectral Smooth Localized Complex EXponential (BSLEX) approach for clustering nonlinear and nonstationary time series. BSLEX is an extension of the SLEX approach for linear, nonstationary series, and overcomes the challenges of both nonlinearity and nonstationarity through smooth partitions of the nonstationary time series into stationary subsets in a dyadic fashion. The performance of the BSLEX approach is illustrated via simulation where several nonstationary or nonlinear time series are clustered, as well as via accurate clustering of the records of 16 seismic events, eight of which are earthquakes and eight are explosions. We illustrate the utility of the approach by clustering S&P 100 financial returns.     

基于Copula函数和非参数估计的尾部相关性

给出基于Copula函数的尾部相关性的定义和性质,采用非参数方法估计尾部相关系数.结合数据得出上证指数和深圳指数的尾部相关系数和对应图形比较,可知两种股票的上尾比下尾相关性强.此相关系数反映了上证指数与深圳指数在极端值处同时小于或同时大于某个数值的概率大小.     

基于三维Copula函数的金融指数相关性分析

给出了三维Copula函数模型中未知参数的估计方法及最优三维Copula函数的选择方法,此构造方法对研究多变量之间的相依性提供了新途径.通过对上证指数、深圳成指及创业板指的历史数据进行实证分析,选出了最优三维Copula函数以描述三者之间的相关性,并分析三者之间的尾部相关性.     

基于多维Gumbel Copula函数的投资组合VaR分析

基于目前国内有关Copula函数的实证研究主要是研究二种资产的相关性为主,文章根据Copula函数在构建反映随机变量实际分布与相关性的联合分布函数上具有的优势,首先利用GJR模型构建资产的边缘分布,接着利用多元阿基米德Copula函数族中的Gumbel Copula函数构建了反映多个资产收益实际分布和相关性的联合分布函数,并使用蒙特卡罗模拟技术,分析在不同置信度下的投资组合的最小风险价值(VaR)及其资产组成,实证说明根据文章提出的模型度量资产的风险,可以使投资者选择的资产更加稳健,同时也有利于投资者对投资组合整体风险进行分散和监管。     

����Copula������Ӧ��-ǿ��ģ�Ϳɿ��ȵķDz�������

In this paper, a nonparametric method for reliabilityof the stress-strength model is proposed when the dependent stress variableand strength variable are subject to right censoring. The dependence betweenvariables is measured by the common Farlie-Gumbel-Morgenstern copula functionand Clayton copula function. Using the empirical process theory, consistencyand asymptotic normality of the proposed estimator is established in thispaper. The results of numerical simulation show that the proposed methodperforms well in the case of finite sample. The method proposed in this paperhas a wide application prospect in practice.     

基于Copula理论的装甲车辆齿轮传动箱系统的可靠性分析

应用Copula函数研究了某型装甲车辆齿轮传动箱的系统可靠性问题,得出了系统的可靠度函数和失效率,并与独立性下的可靠度函数进行比较,通过分析两种方法下可靠度的变化趋势,得出基于Copula函数的可靠度函数更接近于实际情况.     

基于聚类的轮廓数据质量监控方法研究

轮廓线的变点识别是质量管理的研究热点之一,当前研究多以轮廓整体变化为识别对象,而对局部变化问题研究相对较少,且更少有在发现变异时间的同时能够寻找到变化区域在个体轮廓曲线上位置的系统方法。本文针对轮廓线局部变化识别问题,提出基于小波变换和聚类分析的方法。通过仿真性能评价,并与现有方法进行比较,结果显示本方法能够在更小的差异度检测出变化并准确定位变化区域。在文章的末尾,本文采用了一个实例对该方法的效果进行验证。     

基于ICA的时间序列聚类方法及其股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一,通常由于时间序列数据的特殊结构,导致一般的聚类算法不能直接应用于时间序列数据.本文提出了一种基于独立成分分析与改进K-均值算法相结合的时间序列聚类算法,该算法首先利用独立成分分析对时间序列数据进行特征提取,然后利用改进K-均值聚类算法完成对时间序列特征数据的聚类分析,从而得到了一种新的基于特征的时间序列聚类方法.为了验证该方法的有效性和可行性,将其应用于实际的股票时间序列数据聚类分析中,取得了较好的数值结果.