[发明专利]一种基于时间序列的量化投资方法

说明书

技术领域

本发明涉及数学理论、金融市场数据与信息技术技术领域，特别是涉及一种基于时间序列的量化投资方法。

背景技术

量化投资是对金融市场和产品信息进行量化分析，根据历史交易和相关数据建立模型，由模型做出投资决定，再由算法自动下单完成交易。量化投资在美国等发达国家已逐渐成为证券投资中运用十分广泛的一种技术，特别在近十年，信息化技术与金融交易结合更加紧密，这种以数学理论、金融市场数据与信息技术三者结合的方法，充分发挥出了量化投资的系统、准确、高效、客观等特点，极大的提高了投资决策的效率和效果。近年来，国内许多机构投资者也越来越重视量化投资，其量化投资产品逐渐增多。

时间序列是按照时间顺序取得的一系列观测值。随着数据库技术的飞速发展，存储数据越来越多，其中很多数据是以时间序列的形式出现的。时间序列数据是一类重要的复杂数据对象，在商业、经济以及科学观测等各个领域广泛存在大量的时间的时间序列数据，进一步分析处理这些数据，对自然和社会科学领域的预测、决策、发展具有重大意义。时间序列分析是通过分析已知的历史和现状方面的数据资料，研究其演变规律，据此预测对象的未来发展趋势。时间序列指按时间顺序排列的观测值集合。使用时间序列分析法基于一个假设，即事物在过去是如何随时间变化的，那么在今后也会以同样的方式继续变化下去。时间序列分析着眼于数据时间前后的相关性。

本发明提供了一种基于时间序列的量化投资方法。

发明内容

本发明提供了一种基于时间序列的量化投资方法，以满足客户的使用需求。

为实现本发明的目的，本发明所采用的技术方案是：一种基于时间序列的量化投资方法，所述方法为下述方法之一：

(1)时间序列预测：是一种考虑变量随时间发展变化规律，并用该变量以往的统计资料建立数学模型，进行类推或延伸，借以预测下一段时间的趋势的方法；

(2)相似搜索：是通过测量时间序列数据之间的相似度，从历史库中寻找相似的时间序列数据，从而对系统的走势做出预测

(3)周期分析：指对周期模式的挖掘，即在时序数据库中找出重复出现的模式。

其中，所述方法使用下述时间序列模型：自回归滑动平均模型，具体包括如下步骤：

1)列的预处理，判断该序列是否为平稳非纯随机序列。若为非平稳序列，对该序列进行处理使其符合ARMA模型建模的条件即处理后的序列是平稳非白噪声序列；

2)计算出观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)

的值；

3)根据样本自相关系数和偏自相关系数，选适当的ARMA模型进行拟合；

4)估计模型中的未知参数的；

5)检验模型的有效性。如果拟合模型通不过检验，转向步骤3)，重新选择模型再拟合；

6)模型优化。如果拟合模型通过检验，仍然转向步骤2)，充分考虑各种可能，建立多个拟合模型，从所有通过检验的模型中选择最优模型；

7)利用拟合的模型，预测序列的将来走势。

与现有技术相比，本发明的有益效果是：本申请将时间序列与量化分析相结合，可以做出准确预测，满足客户的使用需求。

具体实施方式

以下对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明所采用的技术方案是：一种基于时间序列的量化投资方法，所述方法为下述方法之一：

(1)时间序列预测：是一种考虑变量随时间发展变化规律，并用该变量以往的统计资料建立数学模型，进行类推或延伸，借以预测下一段时间的趋势的方法；

(2)相似搜索：是通过测量时间序列数据之间的相似度，从历史库中寻找相似的时间序列数据，从而对系统的走势做出预测

(3)周期分析：指对周期模式的挖掘，即在时序数据库中找出重复出现的模式。

其中，所述方法使用下述时间序列模型：自回归滑动平均模型，具体包括如下步骤：

1)列的预处理，判断该序列是否为平稳非纯随机序列。若为非平稳序列，对该序列进行处理使其符合ARMA模型建模的条件即处理后的序列是平稳非白噪声序列；

2)计算出观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)的值；

3)根据样本自相关系数和偏自相关系数，选适当的ARMA模型进行拟合；

4)估计模型中的未知参数的；

5)检验模型的有效性。如果拟合模型通不过检验，转向步骤3)，重新选择模型再拟合；