快乐赛车全天精准计划

动态时间规整算法] 之股指期货交易策略(一)

作者:admin 时间:2019-08-03

  Dynamic Time Warping ( DTW ),动态时间规整算法诞生有一定的历史了(日本学者 Itakura 提出),它出现的目的也比较单纯,是一种衡量两个长度不同的时间序列的相似度的方法。 DTW 应用也比较广,主要是在模板匹配中,比如说用在孤立词语音识别(识别两段语音是否表示同一个单词),手势识别,数据挖掘和信息检索等中。

  在时间序列中,需要比较相似性的两段时间序列的长度可能并不相等,在语音识别领域表现为不同人的语速不同。而且同一个单词内的不同音素的发音速度也不同,比如有的人会把“ A ”这个音拖得很长,或者把“ i ”发的很短。另外,不同时间序列可能仅仅存在时间轴上的位移,亦即在还原位移的情况下,两个时间序列是一致的。在这些复杂情况下,使用传统的欧几里得距离无法有效地求的两个时间序列之间的距离(或者相似性)。

  如上图所示,上下两条实线代表两个时间序列,时间序列之间的虚线代表两个时间序列之间的相似的点。 DTW 使用所有这些相似点之间的距离的和,称之为归整路径距离(Warp Path Distance)来衡量两个时间序列之间的相似性。

  假设下图是两个不同主力期货合约的时间序列,在形态上非常相似,但是这些形态特征点(波峰、波谷)在时间上不能一一对齐,如果用基于欧氏距离的方法来计算两个序列的相似性,会不符合我们的直观认识。但如果匹配时,在序列上容许时间上的伸缩变形,则如下图的对应结果,匹配效果会大大增强,动态时间规整模型提供的就是允许数据在时间轴上伸缩变形的匹配方式。

  和其中 X 含有 m 个观测样本, Y 含有 n 个观测样本,且每个观测样本 xi , i=1,2,…,m 和 yj , j=1,2,…,n 都是 q 维的多变量样本(维度一致)。在定义好多变量样本点 xi 和 yj 之间的距离计算方式 d ( xi , yi ) 之后,即可计算多变量序列 X 和 Y 的 动态时间规整距离

  最终获得的 D(m,n) 即是多变量序列 X 和 Y 的动态时间规整距离。这是一个动态规划问题,可以通过 O ( mnq ) 次计算,获得两个多变量序列的最优匹配(其中 dij=d ( xi , yi ) 的计算复杂度为 O ( q ) 。

  其中, D ( i-1 , j ) 表示 xi-1 与 yj 匹配时的子序列距离, D ( i , j-1 ) 表示 xi 与 yj-1 匹配时的子序列距离, D ( i-1 , j-1 ) 表示 xi-1 与 yj-1 匹配时的子序列距离。动态时间规整算法从可能的三种拆分方式里边选择最优的一种,如图下图所示。

  与之对比,普通的多变量匹配中不考虑时间的扭曲,因此要求两个序列等长,即 m=n ,计算复杂度为 O ( nq ) 。与普通的多变量时间序列匹配方法相比,动态时间规整可以获得更优的匹配效果,但是需要更长的计算时间。

  在多变量时间序列中, xi 和 yj 都是 q 维的向量, 而且 xi 中的元素是时刻 i 下变量的值, yj 中的元素是时刻 j 下变量的值, d ( xi , yi ) 即是 i 时刻的 xi 和 j 时刻的 yj 对齐时的距离。向量 xi 和 yj 之间的距离计算方式 d ( xi , yi ) 可以通过欧氏距离或者马氏距离来计算,以单变量的序列为例

返回列表

RELATED CASE

相关案例

期指动态

中金所:建立股指期货以成交持仓比为核

中金所2月16日消息,2月14日,中国金融期...

期指动态

动态时间规整算法] 之股指期货交易策略

Dynamic Time Warping ( DTW ),动态时间规整...

期指动态

在哪里可以看到动态的美元指数、美股指

您好,在SP交易平台可以看到动态的美元...

期指动态

股指期货股吧_股指期货分析讨论社区-东

该平台欢迎投资者的广泛意见,但为了共...

期指动态

股指期货常态化步子可以更大些;

12月2日,中国金融期货交易所宣布对股指...

快乐赛车全天精准计划

感兴趣吗?

快乐赛车全天精准计划

快乐赛车全天精准计划【客服:扣扣764802430】会员即送28,会员了解更多优惠。唯一安全购彩入口【官方权威认证:热彩彩票www.a9892.com】彩票行业领导者,提供最顶尖的游戏体验,最安全的游戏娱乐。