×
黄欣;尚汉林;大卫·皮特

用于测量时间相关性的置换熵及其变体。 （英语） Zbl 1521.62149号

澳大利亚。N.Z.J.统计。 64，第4号，442-477（2022）.
摘要：置换熵（PE）是一种基于序数的非参数复杂性度量，用于研究线性或非线性时间序列中的时间依赖结构。基于PE，我们提出了一种新的度量方法，即置换相关性（PD），以量化单变量时间序列中时间相关性的强度，并弥补PE的主要缺陷。我们证明PE和PD是传统时间相关性度量的可行且有用的替代方法，如自相关函数（ACF）和互信息（MI）。与ACF相比，PE和PD在检测自回归模型中的线性或准线性序列相关性方面不受限制。相反，它们可以被视为非参数和非线性替代方案，因为它们不需要任何关于基础结构的事先知识或假设。与通过最近邻估计的MI相比，PE和PD对强度相对较弱的结构表现出更高的敏感性。在许多模拟研究中，我们将PE和PD的有限样本性能与ACF和MI进行了比较，以展示它们各自的优缺点。此外，还研究了它们在非国家性下的表现。利用高频欧元/美元汇率收益数据，我们应用市盈率和违约概率来研究日内外汇的时间依赖结构。

理学硕士：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62B10型 信息理论主题的统计方面
62第20页 统计学在经济学中的应用

关键词：

离散化;欧元/美元汇率;财务时间序列分析;高频返回;非国家性;序数模式

软件：

FinTS公司
PDF格式BibTeX公司 XML格式引用
\textit{X.Huang}等人，澳大利亚。N.Z.J.Stat.64，No.4，442--477（2022；Zbl 1521.62149）
全文： 内政部
OA许可证

参考文献：

[1] Amigó，J.M.、Kocarev，L.和Tomovski，I.（2007）。离散熵。《物理学D：非线性现象》22877-85·Zbl 1115.37013号
[2] Andersen，T.G.和Bollerslev，T.（1997年）。金融市场的日内周期性和波动持续性。《实证金融杂志》4115-158。
[3] Andersen，T.G.和Bollerslev，T.（1998年）。德国马克-美元波动：日内活动模式、宏观经济公告和长期依赖性。《金融杂志》53，219-265。
[4] Bai，Y.，Liang，Z.和Li，X.（2015）。用于脑电分析的置换lempel-ziv复杂性度量。生物医学信号处理和控制19，102-114。
[5] Bandt，C.（2005）。顺序时间序列分析。生态建模182，229-238。
[6] Bandt，C.（2016）。长时间序列中的排列熵和顺序模式。《时间序列分析与预测》，编辑I.Rojas（编辑）和H.Pomares（编辑）。第61-73页查姆斯普林格·Zbl 1366.62088号
[7] Bandt，C.和Pompe，B.（2002年）。置换熵：时间序列的自然复杂性度量。物理评论信88、174102。
[8] Bandt，C.和Shiha，F.（2007）。时间序列中的订单模式。时间序列分析杂志28646-665·Zbl 1150.62037号
[9] Bariviera，A.F.、Zunino，L.和Rosso，O.A.（2018）。使用置换信息理论量词分析高频加密货币的价格动态。混沌：非线性科学的跨学科期刊28，075511。
[10] 卞，C.，秦，C.，马，Q.D.和沈，Q.（2012）。心跳动力学的改进排列熵分析。物理评论E85，021906。
[11] Blanco，S.、Figliola，A.、Quiroga，R.Q.、Rosso，O.和Serrano，E.（1998）。脑电图序列的时频分析。三、 小波包与信息代价函数。物理评论E57932。
[12] Bollerslev，T.&Mikkelsen，H.O.（1996年）。股票市场波动中长记忆的建模和定价。《计量经济学杂志》73，151-184·Zbl 0960.62560号
[13] 卡巴列罗·平塔多（M.V.Caballero‐Pintado）、马蒂拉·加西亚（M.Matilla‐García）和马里恩（M.R.Marín）（2019年）。符号相关积分。《计量经济学评论》38，533-556·兹比尔1491.62088
[14] 坎贝尔，J.Y.、尚伯尔，J.J.、坎贝尔，JW.、卢，A.W.、罗，A.W.&麦金莱，A.C.（1997）。金融市场计量经济学。新泽西州普林斯顿：普林斯顿大学出版社·Zbl 0927.62113号
[15] Cont，R.（2001）。资产收益的经验特性：程式化事实和统计问题。《定量金融》1223-236·Zbl 1408.62174号
[16] Costa，M.、Goldberger，A.L.和Peng，C.K.（2002年）。复杂生理时间序列的多尺度熵分析。物理审查信89，068102。
[17] Ebeling，W.、Steuer，R.和Titchener，M.（2001）。确定性和随机映射的基于分区的熵。随机与动力学1，45-61·Zbl 1041.94524号
[18] Evans，D.（2008）。一种计算效率高的互信息估计器。《皇家学会学报A：数学、物理和工程科学》4641203-1215·Zbl 1141.62003号
[19] Fadlallah，B.、Chen，B.、Keil，A.和Príncipe，J.（2013）。加权置换熵：包含振幅信息的时间序列的复杂性度量。物理评论E87，022911。
[20] Frank，B.、Pompe，B.、Schneider，U.和Hoyer，D.（2006）。置换熵改进了基于近期胎儿生物磁记录心率分析的胎儿行为状态分类。医学和生物工程与计算44179-187。
[21] Gençay，R.、Dacorogna，M.、Muller，U.A.、Pictet，O.和Olsen，R.（2001）。高频金融简介。新泽西州普林斯顿：普林斯顿大学出版社。
[22] Goodhart，C.A.和O'Hara，M.（1997）。金融市场中的高频数据：问题和应用。《实证金融杂志》4，73-114。
[23] Groth，A.（2005）。通过顺序递归图可视化时间序列中的耦合。物理评论E72046220。
[24] Hinich，M.J.（1982年）。平稳时间序列的高斯性和线性测试。时间序列分析杂志3，169-176·Zbl 0502.62079号
[25] Kowalski，A.、Martín，M.、Plastino，A.和Rosso，O.（2007年）。经典量子跃迁的Bandt-Pompe方法。《物理D：非线性现象》233，21-31·Zbl 1147.82340号
[26] Kraemer，W.和Runde，R.（1997年）。混乱和指南针上升。《经济学快报》54、113-118·Zbl 0902.90021号
[27] Kraskov，A.、Stögbauer，H.和Grassberger，P.（2004）。估计相互信息。物理评论E69066138。
[28] Kreuzer，M.、Kochs，E.F.、Schneider，G.和Jordan，D.（2014）。清醒和麻醉期间EEG的非平稳性：EEG置换熵监测的优势。《临床监测与计算杂志》28，573-580。
[29] Li，J.，Yan，J.、Liu，X.和Ouyang，G.（2014）。使用排列熵测量失神发作期间脑电图信号的变化。入口16，3049-3061。
[30] Liu，Y.、Cizeau，P.、Meyer，M.、Peng，C.K.和Stanley，H.E.（1997）。经济时间序列的相关性。物理学A：统计力学及其应用245437-440。
[31] Marsh，C.（2013）。连续熵简介。普林斯顿大学计算机科学系
[32] Matilla‐García，M.&Marín，M.R.（2008）。使用置换熵的非参数独立性测试。《计量经济学杂志》144，139-155·兹比尔1418.62200
[33] de Micco，L.、González，C.、Larrondo，H.、Martin，M.、Plastino，A.和Rosso，O.（2008）。通过符号动力学随机化非线性映射。物理学A：统计力学及其应用3873-3383。
[34] Mikosch，T.&Stéic'e，C.（2004年）。金融时间序列的非平稳性、长期依赖性和IGARCH效应。《经济与统计评论》86，378-390。
[35] Mischaikow，K.、Mrozek，M.、Reiss，J.和Szymczak，A.（1999）。从实验时间序列构建符号动力学。物理评论信82、1144。
[36] Münnix，M.C.，Schäfer，R.&Guhr，T.（2010年）。刻度大小对财务回报和相关性的影响。物理学A：统计力学及其应用389，4828-4843。
[37] Olivares，F.、Zunino，L.和Rosso，O.A.（2016年）。用多尺度有序模式方法量化长距离相关性。物理学A：统计力学及其应用445283-294。
[38] Onnela，J.P.，Töyli，J.&Kaski，K.（2009年）。刻度大小和股票回报。物理学A：统计力学及其应用388，441-454。
[39] Parlitz，U.、Berg，S.、Luther，S.，Schirdewan，A.、Kurths，J.和Wessel，N.（2012年）。使用顺序模式统计和符号动力学对心脏生物信号进行分类。生物学和医学中的计算机42，319-327。
[40] 鲍威尔，G.和珀西瓦尔，I.（1979）。区分哈密顿系统规则运动和非规则运动的谱熵方法。《物理学报A：数学与概论》12053。
[41] Reboredo，J.C.、Rivera‐Castro，M.A.、Miranda，J.G.和GarcíA‐Rubio，R.（2013）。股票价格调整到市场效率的速度有多快？偏离趋势波动分析的证据。物理学A：统计力学及其应用3921631-1637。
[42] Rosso，O.A.、Blanco，S.、Yordanova，J.、Kolev，V.、Figliola，A.、Schürmann，M.和Bašar，E.（2001）。小波熵：一种分析短时脑电信号的新工具。神经科学方法杂志105，65-75。
[43] Rosso，O.、Larrondo，H.、Martin，M.、Plastino，A.和Fuentes，M.（2007年）。区分噪音和混乱。物理评论信99，154102。
[44] Sewell，M.（2011）。金融时间序列的特征。伦敦：伦敦大学学院计算机科学系。
[45] Shannon，C.E.（1948年）。传播的数学理论。贝尔系统技术期刊27，379-423·Zbl 1154.94303号
[46] Singh，H.、Misra，N.、Hnizdo，V.、Fedorowicz，A.和Demchuk，E.（2003年）。熵的最近邻估计。美国数学与管理科学杂志23，301-321。
[47] Tsay，R.S.（2005）。金融时间序列分析。新泽西州霍博肯：John Wiley&Sons·Zbl 1086.91054号
[48] Veisi，I.、Pariz，N.和Karinpur，A.（2007年）。使用置换熵快速而稳健地检测噪声脑电图信号中的癫痫。2007年IEEE第七届生物信息学和生物工程国际研讨会，编辑J.Y.Yang（编辑）、M.Q.Yang。马萨诸塞州波士顿：IEEE
[49] Weiß，C.H.，Marín，M.R.，Keller，K.和Matilla‐García，M.（2022）。使用序数模式对时间序列中的序列相关性进行非参数分析。计算统计与数据分析168，107381·Zbl 07476363号
[50] Zanin，M.（2008年）。金融时间序列中的禁止模式。混沌：非线性科学的跨学科杂志18013119。
[51] Zunino，L.、Zanin，M.、Tabak，B.M.、Pérez，D.G.和Rosso，O.A.（2009年）。禁止模式、排列熵和股市低效。物理学A：统计力学及其应用3882854-2864。
[52] Zunino，L.、Soriano，M.C.、Fischer，I.、Rosso，O.A.和Mirasso，C.R.（2010a）。从时间序列分析中揭示延迟动力学的置换信息理论方法。物理评论E82，046212。
[53] Zunino，L.、Zanin，M.、Tabak，B.M.、Pérez，D.G.和Rosso，O.A.（2010年B）。复杂性-熵因果平面：量化股市无效性的有用方法。物理学A：统计力学及其应用3891891-1901。
[54] Zunino，L.、Bariviera，A.F.、Guercio，M.B.、Martinez，L.B.和Rosso，O.A.（2016）。用动态置换最小熵监测欧洲公司债券市场的信息效率。物理学A：统计力学及其应用456，1-9。
[55] Zunino，L.、Olivares，F.、Scholkmann，F.和Rosso，O.A.（2017年）。基于置换熵的时间序列分析：输入信号中的等式可能导致错误结论。《物理快报》A3811883-1892。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。