基于多元时间序列和余弦的顾问投资组合分析

聚类多变量时间序列有可能分析不同时间点的大量金融数据，因为投资者有兴趣发现各种基金的市场趋势，如股票、分配、可转换证券、另类、大宗商品、固定收益、货币市场、税收优惠、房地产和杂项，以帮助他们进行投资。2.1用于犯罪预测的多元时间序列聚类方法。本文提出了一种基于元素时间包装和参数Minkowski显示的新方法，以发现不同错误行为领域的不同错误行为分组之间的可比错误行为模式，从而利用该数据预测未来的错误行为模式。对印度错误行为记录的调查表明，在这种多元时间安排信息的分组中，拟议的策略基本上优于当前的策略。2.2多变量时间序列数据聚类分析。al[3]提出了一种程序，以确定利用两个相似元素的多元时间序列数据集之间的接近程度。一个贴近度元素取决于生命片段调查和主要片段子空间之间的边缘，而另一个则取决于数据集之间的马氏删除。第2章。文献调查7哲学有主成分分析的基本限制，并且缺少不同测量之间没有关系的信息。2.3拟南芥磷酸酯酶编码基因Creator Pooya Sobhe Bidari的时间序列基因表达数据聚类和模式提取【6】显示了两阶段的实际分组，这是将时间安排质量表达信息分组的另一种质量聚束方法。

所提出的方法依赖于利用模糊C均值和K均值计算找到时间安排的实用示例。皮尔逊关联等价度量用于分离特征的表达情况。该方法利用K-means和FCM方法，根据动作的时间过程表达，对质量进行组合，然后排除价值导向的情况。然后，描述质量的新组成部分，并通过在新的段向量之间建立Pearsonassociation，获得具有几乎相同表达的质量Lead，从而发现质量之间的相互联系。2.4通过新的聚类和聚类追踪技术在多变量时间序列数据中检测气候变化为了在多变量信息中识别环境变化，Hardy Kremer[7]提出了以下新的聚类和分组程序。在这种新的分组方法中，时间安排部分分为不相交的、具有长度间隔的盈亏平衡，然后连接基于厚度的子序列聚束方法，并使用动态时间扭曲作为分离度量。2.5 ARIMAtime系列有效聚类的距离度量。Kalpakis【37】通过使用两个时间平面的线性预测编码倒谱之间的欧几里德划分作为其唯一性度量，集中了ARIMA时间过程的分组。AR（p）时间过程的倒谱系数第2章。文献调查8来自自动倒退系数。选择了围绕medoids方法的软件包，即k-medoids计算，通过聚类贴近度度量和轮廓宽度评估聚集结果。

根据四个教育文件的试验，他们表明，LPC cestrum比其他综合使用的方法（例如，两次博弈计划的自动关系极限的DFT、DWT、PCA和DFT之间的欧几里德分离）具有更高的不合理活力，可以从另一个主要聚集中发现一次行动过程。2.6基于模糊时间序列的股票市场预测ModelyUpei Lin【41】试图通过修正两个不足之处来提高预测精度，即子区间忽视了对信息占用结构的良好表述，以及单独预测当前时间安排显示中的流量关系。首先，他将谈话的范围分布在两个相邻聚会中心的中点的子区间中，子区间用于将行动的时间过程模糊化为轻松的时间计划。此时，开发了具有多重计算高请求流量关系的流量时间安排显示，以推测股票交易系统。结果表明，与基准测试结果相比，该模型提高了预期准确度。2.7基于模型的时间序列聚类的ARMA模型的混合Xiong和Yeung【38】提出了一种基于模型的方法，用于收集单变量ARIMAcourse of action。他们预计，行动的时间过程由k个明确无误的ARMA模型创建，每个模型识别一个感兴趣的集合。利用期望扩展（EM）计算来考虑混合系数，以及提高总信息记录概率的零件模型参数。此外，增强了EM计算，从而可以解决组的数量问题。第二章。

文献综述92.8基于VarModel的中国股市风险分析本文主要从VAR模型的含义出发，因为VAR模型是衡量广告机会最有效的方法之一。根据VAR模型，马新杰（Xinjie Ma）和杨永胜（Yongsheng Yang）[41]提出了一种通过对上证指数进行观察检验来预测中国证券交易所风险的方法，并挑选了五个投资组合风险的例子进行研究，因此它对中国证券交易所的机会测度具有难以置信的中心性。对股票交易系统中风险机会的调查为金融专家提供了令人难以置信的参考和激励。第3章实验设计与设置3.1实验设计图3.1：预测顾问行为的方法学第3章。实验设计与设置113.2模块1：聚类相似顾问提出了一种基于余弦相似性和层次聚类模型的新方法来寻找相似顾问。晨星分类集团于1996年结识，帮助投机者在共同基金之间建立重要的相关性。晨星（Morningstar）发现，定期记录在储备计划中的投机目标并没有令人满意地阐明该储备的真正贡献。例如，许多资产声称寻求“发展”，但其中一些资产将资源投入到建立的蓝筹组织中，而另一些资产则将资源投入到小型顶级组织中。晨星分类特征（MorningstarCategoryCharacterizations）解决了这个问题，将投资组合分成了关联会议，以查看其持有的股份。这些分类有助于投资者区分表现最佳的基金，评估潜在风险，并构建非常多样化的投资组合。

晨星定期调查分类结构和每个分类中的投资组合，以确保框架解决投机者的问题。晨星向广泛的投资组合发放类别，例如，普通资产、可变年金和单独记录。根据近年来对其正常财产的洞察，将投资组合设定在给定的分类中。晨星小组还审核并支持所有课堂作业。如果投资组合是新的，没有历史记录，晨星在给它一个更持久的分类任务之前，会预测它会跌到哪里。在至关重要的时候，晨星可能会因为投资组合的后期变化而更改aclass任务。在聚类中，欧氏距离度量是最常用的非时间序列数据聚类方法。在处理财务多变量时间序列数据时，它不适用于多变量时间序列聚类。余弦相似性代替了独立模式下的欧氏距离度量，提供了更好的结果。找到类似顾问的问题可以通过两个步骤来解决：1。分层聚类。计算余弦相似性我们现在详细讨论每个步骤。3.2.1层次聚类聚类可以被视为最重要的无监督学习问题；沿着这些思路，就像其他此类问题一样，它管理着在第3章的累积中找到一个结构。实验设计与设置12未标记数据。聚类的一个自由含义可能是“将项目分类为个体具有某种可比性的集合的方式”。以这种方式，聚类是一组文章的集合，这些文章在它们之间具有“可比性”，并且与具有不同组位置的项目“不同”。层次聚类算法创建给定数据集对象的层次分解。

根据分解方法，分层算法分为凝聚（合并）或分裂（拆分）。聚合方法从单独集群中的每个数据点或特定数量的集群开始。这种方法的每一步都会合并最相似的两个集群。因此，在每一步之后，集群的总数都会减少。重复此操作，直到获得所需数量的簇或只剩下一个簇。相反，区分方法从同一集群中的所有数据对象开始。在每一步中，一个集群被分割成更小的集群，直到终止条件成立为止。凝聚算法在实践中得到了更广泛的应用。在本文中，我们使用的是凝聚算法。凝聚方法有两种不同的方法：自上而下或自下而上。这将导致samecluster中具有类似类型顾问的集群。因此，它将导致发现类似类型的顾问。因此，在每一步之后，集群的总数都会减少。重复此操作，直到获得所需数量的簇或只剩下一个簇。相反，区分方法从同一集群中的所有数据对象开始。在每一步中，一个集群被分割成更小的集群，直到终止条件成立为止。凝聚算法在实践中得到了更广泛的应用。在本文中，我们使用的是凝聚算法。凝聚方法有两种不同的方法：自上而下或自下而上。这将导致samecluster中具有类似类型顾问的集群。因此，它将导致发现类似类型的顾问。3.2.2余弦相似性利用余弦相似性，可以评估具有强相似性的advisor。

之后，这将有助于在极为相似的顾问中发现领导者和追随者。由于相似的行为顾问被划分为一个集群，因此考虑每个集群中的样本投资组合来计算每个顾问之间的余弦相似性。余弦相似度是内部项空间的两个非零向量之间的可比性度量，它度量了它们之间边的余弦。0的余弦为1，其他边的余弦小于1。以这种方式，这是对引入而非大小的判断：具有类似引入的两个向量有一个余弦第3章。实验设计与设置13接近度为1，90处的两个向量的可比性为0，相反对照的两个向量的相似性为-1，与它们的大小无关。余弦贴近度尤其被用作正空间的一部分，其结果在[0,1]中完全有限。名称来源于“航向余弦”表达式：在这种情况下，请注意，单位向量最大程度上是平行的“比较”，最大程度上是正交的（相反）。这实际上相当于余弦，当部分对零边时，余弦是团结（最大值），当片段相反时，余弦是零（不相关）。该技术还用于量化集群内的内聚性。考虑一个例子，找出描述顾问投资组合的两个时间序列t1和t2之间的余弦相似性。t1=（5，0，3，0，2，0，0，0，2，0，0）t2=（3，0，2，0，1，1，0，1）使用以下公式计算余弦相似性：cos（t1，t2）=1.2/（| 1 | 2 |）=0.94每对时间序列数据之间的类似余弦相似性。

然后，此余弦分数存储在数据库表中。表3.1：余弦相似度表t1 t2 t3 t4t1 cos（t1，t1）cos（t1，t2）cos（t1，t3）cos（t1，t4）t2 cos（t2，t1）cos（t2，t2）cos（t2，t3）cos（t3，t1）cos（t3，t2）cos（t3，t3）cos（t3，t4）cos（t4，t1）cos（t4，t2）cos（t4，t3）cos（t4，t4）这一结果将给出投资组合行为高度相关的一组或一对顾问。3.3模块2：领导者-追随者检测这一结果将提供与其投资组合实践有着深刻关联的顾问的集合或匹配。对上述got的扩充促使人们在各种时间安排信息中找到先驱。通过分解第3章中的lead-slack关系，可以理解在具有可比投资组合的指南中识别先锋的问题。实验设计和设置14时间安排信息。创作者们已经明确了一个有效的计算方法[2]，它可以跟踪松弛的关系，并逐步处理先驱们的大气科学信息。权威揭示的问题可以通过三个基本步骤来解决：1。计算每个时间安排组合之间的松弛关系（交叉连接）；2、根据松弛连接构造边缘加权引导图，剖析时间安排安排中的超前松弛连接。3、通过检查图表中的主动传播来检测先驱。现在我们详细讨论每个步骤。3.3.1滞后相关计算在确定集合到时间安排信息中的先驱的初始阶段，是处理时间安排的每个匹配之间的松弛连接。我们建议将各种休闲裤的效果相加，并描述一种累积的休闲裤关联。running withcase可以点亮累积的松弛关系配置。无花果

2（a）展示了两个时间游戏计划X（顶部）和Y（底部），长度为150，建议时间学习为150 X焦点，时间接近变量为Y焦点。窗口长度设置为120，窗口由带斑点的矩形分隔开。图2（b）显示了在eq登记的每个时隙l处的X和Y之间的松弛关系。（1） 越过两扇窗户。该条件如图3.2所示：图3.2：滞后相关方程最极端松弛m=60，即mod（l）60。当处理后的松弛l为0时（即Y被X延迟，松弛l），l[60，39]（阴影范围）存在正关系。从l=1开始，当l 0（即X被Y延迟，松弛l）时，我们可以看到正连接中的固体增量，在l=32时，它完成了0.81的峰值估计。我们必须在第三章中总结整个松弛遍历中所有关注的关系值。实验设计与设置15最终目标是认识管理（X驱动Y或Y驱动X），并尊重l的两个实例的正常连接。两个时间安排Si和Sj之间的累积松弛连接，表示为Eij，然后被描述为更大的预期关系尊重：图3.3：两个时间序列之间的聚合滞后相关性我们说，如果l小于0，Si领先Sj，否则，如果l大于0，Si领先Sj。这种领导（Si领导Sj，反之亦然，取决于l值）也称为Si和Sj之间的领导滞后关系。图3.4：两次序列根据这一数据，我们可以构建一个图表。这将使先锋在一系列时间安排中脱颖而出。

随后，下一步是针对松弛连接构建边缘加权引导图，以剖析时间安排安排之间的领先松弛连接。3.3.2图表构建具有特定的最终目标，为了勾勒出时间安排安排之间的管理联系，构建边缘加权图将学习时间安排信息安排之间的领导松弛关系。第三章。实验设计与设置16图3.5：滞后相关traightforward边缘加权协调图，G（V，E），其中轮毂V=S1，S2。SN表示N个时间安排，协调边E表示时间安排组合之间的超前松弛关系。边（Si，Sj）表示Si由Sj驱动，其权重设置为Ei j（r）。由于我们热衷于关键的领先松弛关系，因此设置了连接边g。边缘将加强图表的开发，使那些用Ei j（r）g排除的集合Si和Sj在g中具有边缘。这将有助于通过设置适当的限制来摆脱时间安排信息中的坚实先锋。图3.6：不同图表结构的领导力得分比较表3。实验设计与设置173.3.3领导者提取从G的结构和动作时间过程的PageRank估计的角度来看，通过丢弃不合适的专家来去除先驱。原始人认为，首先通过滑动请求其PageRank值对时间计划进行排序，然后迭代地取消由特别发现的先驱者或之前发现的先驱者的亲属驱动的时间过程。