×

基于股市符号表示和相似性的多尺度样本熵和交叉样本熵。 (英语) Zbl 1510.91160号

摘要:本文提出了一种改进的基于符号表示和相似性的多尺度样本熵测度(MSEBSS)来研究股票市场的复杂性。改进的算法降低了产生未定义熵的概率,并被证实对强噪声具有鲁棒性。考虑到有效性和准确性,MSEBSS比多尺度熵(MSE)更可靠,因为时间序列中夹杂着大量类似金融时间序列的噪声。我们将MSEBSS应用于金融市场,结果表明,与欧洲和亚洲市场相比,美国股市的复杂性最低。股票市场在时间尺度上表现出复杂性递减的规律性也有例外,这表明在某些尺度上存在周期性。基于MSEBSS,我们引入基于符号表示和相似性的改进多尺度交叉样本熵测度(MCSEBSS)来考虑不同时间序列之间的异步程度。同一地区的股市比不同地区的股市具有更高的同步性。对于同步性相对较高的股票市场,熵值会随着标度因子的增大而减小。而对于具有高度异步性的股票市场,熵值不会随着规模因子的增加而减小,有时会趋于增大。因此,MSEBSS和MCSEBSS都能够区分不同地区的股市,如果将它们结合起来用于研究金融时间序列的其他特征,则更有帮助。

MSC公司:

91G15型 金融市场
62B10型 信息理论主题的统计方面
62P05号 统计学在精算科学和金融数学中的应用
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Pincus,S.M.,作为系统复杂性度量的近似熵,美国国家科学院学报,88,2297-2301(1991)·Zbl 0756.60103号
[2] Yang,F.S。;Hong,B。;唐庆英,近似熵及其在生物信号分析中的应用,农林生物信号过程动态分析模型,272-91(2001)
[3] Schreiber,T.,《测量信息传输》,《物理评论快报》,85,461-464(2000)
[4] 维森特,R。;维布拉尔,M。;林德纳,M。;Pipa,G.,转移熵:神经科学有效连接的无模型测量,计算机神经科学杂志,30,45-67(2011)·Zbl 1446.92187号
[5] Richman,J.S。;Moorman,J.R.,使用近似熵和样本熵进行生理时间序列分析,《美国生理学心脏循环生理学杂志》,2782039-249(2000)
[6] Pincus,S.M。;Mulligan,T。;Iranmanesh,A。;Gheorghiu,S。;Godschalk,M。;Veldhuis,J.D.,《老年男性比年轻男性更不规则、更不同步地分泌黄体生成激素和睾酮》,美国国家科学院院刊,93,14100-14105(1996)
[7] Pincus,S.M。;Singer,B.H.,随机性和不规则度,美国国家科学院院刊,93,2083-2088(1995)·Zbl 0849.60002号
[8] 刘立中。;钱学友。;卢洪云,外汇时间序列的交叉样本熵,Physica A,389,4785-4792(2010)
[9] 班特,C。;Pompe,B.,《置换熵:时间序列的自然复杂性度量》,《物理学评论》,88,第174102页,2002年
[10] Costa,M。;Peng,C.K。;Goldberger,A.L。;Hausdorff,J.M.,人体步态动力学的多尺度熵分析,《物理学A》,330,53-60(2003)·Zbl 1029.92003号
[11] Costa,M。;Goldberger,A.L。;彭春光,复杂生理时间序列的多尺度熵分析,《物理学评论》,第89期,第068102页,2002年
[12] 徐,M.J。;Shang,P.J.,基于双指数熵形式的广义置换熵分析\(S_{q,δ}\),混沌,25,文章053114 pp.(2015)·兹比尔1374.37107
[13] 马辛斯基,R。;Kantz,H.,分析金融时间序列之间的信息流,传递熵的改进估计,《欧洲物理杂志》B期,30,275-281(2002)
[14] 谢海波。;He,W.X。;Liu,H.,使用基于非线性相似性的样本熵测量时间序列规则性,Phys-Lett A,372,7140-7146(2008)·Zbl 1227.37009号
[15] 张,L。;熊,G。;刘,H。;邹,H。;Guo,W.,《机械工程工艺研究所》,C部分,《机械与工程科学杂志》,2241315-1325(2010)
[16] 熊,H。;Shang,P.J.,基于shannon熵的加权多重分形互相关分析,Commun非线性科学数值模拟,30,268-283(2016)·Zbl 1489.62291号
[17] Toomey,J.P。;凯恩,医学博士。;Ackemann,T.,用置换熵研究脉冲非线性激光系统的复杂性,Opt Express,2217840-17853(2014)
[18] Costa,M。;Goldberger,A.L。;彭春光,生物信号的多尺度熵分析,《物理学评论E》,71,02(2005)
[19] Xia,J.N。;Shang,P.J.,金融时间序列的多尺度熵分析,Fluct Noise Lett,11,Article 1250033 pp.(2012)
[20] Yin,Y。;Shang,P.J.,《股票市场多尺度方法对去趋势相关分析和交叉样本熵的比较》,Fluct Noise Lett,13,第1450023页,(2014)
[21] Lin,A.J。;Shang,P.J。;赵晓杰,基于DCCA和时滞DCCA的股市相互关系,非线性动态,67425-435(2012)
[22] Shi,W.B。;Shang,P.J.,交叉样本熵统计作为股市同步性和相关性的度量,非线性动态,71539-554(2013)
[23] 马查多,J.T。;杜阿尔特,F.B。;Duarte,G.M.,《通过多维标度分析股市指数》,《Commun非线性科学数字模拟》,第16期,第4610-4618页(2011年)
[24] 《福布斯》,K.J。;Rigobon,R.,《没有传染,只有相互依存:衡量股票市场的协同运动》,《金融杂志》,572223-261(2002)
[25] 勒克斯,T。;Marchesi,M.,《金融市场中的波动性聚集,相互作用主体的微观模拟》,《国际理论应用金融》,3675-702(2000)·Zbl 0967.91072号
[26] Wu,S.D。;Wu,C.W。;Lin,S.G。;王,C.C。;Lee,K.Y.,使用复合多尺度熵进行时间序列分析,熵,15,3,1069-1084(2013)·Zbl 1298.65020号
[27] 吴博士。;吴,C.W。;Lin,S.G。;Lee,K.Y。;Peng,C.K.,使用精细复合多尺度熵分析复杂时间序列,Phys-Lett A,3781369-1374(2014)·Zbl 1323.94061号
[28] Yin,Y。;Shang,P.J。;Feng,G.C.,复杂时间序列的修正多尺度交叉样本熵,应用数学计算,289,98-110(2016)·Zbl 1410.91374号
[29] 刘,Q。;魏,Q。;风扇,S.Z。;卢,C.W。;Lin,T.Y。;Abbod,M.F.,多尺度熵的自适应计算及其在手术期间监测麻醉深度的脑电图信号中的应用,熵,14,6,978-992(2012)·兹比尔1303.92045
[30] 佩特根,H.O。;Jürgens,H。;Saupe,D.,《混沌与分形》(1992),《施普林格:施普林格柏林》·Zbl 0779.58004号
[31] Xia,J.N。;Shang,P.J。;Wang,J。;石伟斌,基于多尺度熵和多尺度时间不可逆性的金融时间序列分类,《物理学A》,400,151-158(2014)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,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。