[发明专利]一种用于时序金融数据的降噪方法

说明书

本发明公开了一种用于时序金融数据的降噪方法，用于优化时序金融数据处理模型，本发明通过对原始数据进行预处理；再对预处理后的原始数据的信号进行小波变换；并对变换后的小波系数进行筛选、降噪；根据求得的小波系数进行小波重构得到降噪之后的时域数据。本发明通过采用属性平均值的方法填补原始数据空缺的位置，然后通过小波变换对非平稳性时序金融数据进行降噪处理，平滑噪声对后续模型精准性的影响，降低投资风险。

技术领域

本发明涉及小波降噪领域，更具体地，涉及一种用于时序金融数据的降噪方法。

背景技术

由于金融市场中各种偶然因素的影响，使得金融数据，特别是金融时间序列数据中存在许多噪声。这些噪声严重影响了进一步地分析和处理，因此必须预先去噪。但是金融时间序列数据本身具有非平稳、非线性和信噪比低的特点，采用传统的去燥处理方法往往存在诸多缺陷。而小波理论根据时-频局部化的要求而发展起来的，具有自适应和数学显微镜性质，特别适合非平稳、非线性信号的处理。

对金融时间序列去燥的传统方法，主要有移动平均法、传统滤波方法、卡尔曼滤波和维纳滤波方法；移动平均法作为一种简单的数据平滑技术，该方法非常粗略，在去燥的同时，把许多有用信息也一并去掉了，因而它只适用于对数据的简单处理。传统滤波方法一个典型是采用傅里叶变换将高频信号一般看作噪声，将高于某个阈值频率的傅里叶系数全部设为零，再通过傅里叶逆变换护肤到时域，从而实现去燥。由于金融数据中信噪比低，高频有效信号较多难以实现有效的去噪。卡尔曼滤波是以最小均方差为估计得最佳准则来寻求一套地推估计的算法，它需要知道系统的运动规律以建立准确的状态方程。但金融时间序列是一个非平稳、非线性的时间序列，很难用一个确定的方程来描述其状态和行为。维纳滤波法是现代滤波理论中的典型代表，但其只适应平稳过程并且需要噪声和有用信号的先验知识，实际中这些先验知识很难得到或者过于简化。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种用于时序金融数据的降噪方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是尽可能少的去除有效信号的同时去除噪声；

为解决上述技术问题，本发明的技术方案如下：一种用于时序金融数据的降噪方法，包括以下步骤：

S1：对原始数据进行预处理；

S2：对原始数据的信号进行小波变换；

S3：对变换后的小波系数进行筛选、降噪；

S4：根据求得的小波系数进行小波重构得到降噪之后的时域数据。

通过对原始数据预处理，将原始数据中的空缺数据进行相应的补充来增加整个模型的准确率；利用小波变换将金融数据进行处理，并将小波变换的数据进行筛选、去除噪声，再将小波系数进行小波重构得到降噪之后的时域数据，实现有效地去除信号噪声。

优选地，步骤S1中的预处理：采用均值法将属性值求和然后再求均值填充到原始数据中的空缺中。

优选地，所述的属性值包括：单天的开盘价，最高价，最低价，收盘价，日收益率，成交量，交易金额，交易时间。

优选地，所述的均值法具体为：在空缺所在的那个星期中，对其余未空缺的几天的属性值求平均填补到空缺中，补充为空缺所在日期的属性值。

优选地，步骤S2中是利用db3小波对原始数据的信号进行小波变换。

优选地，步骤S2中对原始数据的信号进行小波变换，至少进行3层的小波变换。

优选地，步骤S3对变换后的小波系数进行筛选、降噪的具体过程为：

S31：将金融数据从时域转换为频域；