基于二维离散傅立叶变换及形态相似距离的证券时序数据相似性搜索

发布时间：2024-03-03 21:51

　　本文针对证券市场难以预测的现状,提出一种基于二维离散傅立叶变换及形态相似距离的相似性搜索算法,希望通过在历史数据中进行相似性搜索,找到与被查找K线形态相似的历史数据,从而为当下提供一定的投资参考。本文提出通过基于二维离散傅立叶变换的高斯低通滤波去除时序数据中的噪声并保留数据整体走势,再通过形态相似距离在关注形态相似程度的同时通过时序数据间距离计算相似性。实验表明,这种相似性搜索算法可以有效地在历史数据中找出与被查找K线形态相似的时间序列。

【文章页数】：3 页

【部分图文】：

图3二维离散傅立叶变换及滤波前后时序数据

以下是该时序数据经过二维离散傅立叶变换，并通过高斯滤波器过滤高频数据后的数据，可以看到价格曲线经过处理后更加平滑，消除了噪声及波动，但保留了时序数据的整体走势。4.3形态相似距离对形态的识别能力验证

图4两时序数据与目标时序数据形态

4.3形态相似距离对形态的识别能力验证相似序列1与相似序列2在每个数据点处与目标时序数据距离均为1。以欧式距离计算二者与目标数据距离相等，但以形态相似距离计算，序列1距离更短，也符合在形态上更为相似的预设。

图5原时序数据K线形态

本文提出了一种基于二维离散傅立叶变换及形态相似距离的相似性搜索算法。该算法首先通过二维傅立叶变换将空间域中证券时序数据转换为频域表示，再通过高斯低通滤波器过滤掉频域中表示噪音的高频分量，保留能够描述数据整体走势的低频分量，从而达到对数据去噪的目的。之后使用形态相似距离计算序列间距....

图12D-DFT分离为两次1D-DFT示意图

二维离散傅立叶变换的算法思想是将计算过程拆解为在行维度与列维度上各进行一次一维离散傅立叶变换，从而获得二维频率域数据。由此得出二维离散傅立叶变换及其逆变换公式如下：

本文编号：3918401