导读:本文包含了金融时间序列数据论文开题报告文献综述及选题提纲参考文献，主要关键词:金融发展规模,金融发展效率,就业结构
金融时间序列数据论文文献综述
龙剑江[1]（2019）在《金融发展对产业就业结构的量化影响——以山东省时间序列数据为例》一文中研究指出山东省1980～2017年的时间序列数据,本文采用OLS回归,从规模和效率两个维度探究了山东省金融发展对叁大产业就业结构的影响,得出结论如下。金融发展规模对第一产业就业增加具有显着的抑制作用,而对第二、叁产业就业增加具有显着的促进作用;金融发展效率对第一产业就业增加有显着的促进作用,而对第二、叁产业就业增加有显着的抑制作用。本文分析认为,山东省金融规模的逐渐扩大,直接或间接地促进了山东省第一产业就业人数比重的缩小以及第二、叁产业的就业人数比重的增加,从而使山东省的产业就业结构不断优化。除此之外,虽然结果显示金融发展效率对山东省产业就业结构呈现负面影响,但是本文认为,这与山东省银行信贷较大程度地受到政策影响以及未能充分发挥其资源合理配置功能有关。依托实证结果,本文提出了相关政策建议,供业界参考。(本文来源于《商讯》期刊2019年17期）
殷小丽[2]（2018）在《区域金融发展与经济增长关系的实证研究——基于江苏省1978—2016年的时间序列数据》一文中研究指出基于江苏省1978-2016年的时间序列数据,构建VAR模型实证分析了江苏省金融发展和经济增长两者间的关系。研究发现江苏省的金融发展规模与经济增长之间存在双向的格兰杰因果关系,而金融发展效率对经济增长的影响不显着。鉴于此,首先要扩大直接融资规模,加快金融深化进程;其次要完善区域金融市场,提高金融发展的效率,提高金融服务实体经济的能力,助推产业转型促进经济的持续增长。(本文来源于《黑龙江工业学院学报(综合版)》期刊2018年09期）
黄杰,刘从九,张鹏程[3]（2018）在《农村金融发展水平和农民收入增长关系研究——基于2003-2017年皖江城市带农村地区时间序列数据》一文中研究指出文章基于向量自回归模型,根据皖江地区2003-2017年农村统计数据,通过协整检验得出皖江地区农民收入增长与农村金融发展呈负相关关系结论,同时通过格兰杰因果检验结果证明皖江地区农民收入增长是农村金融发展的格兰杰原因,但其农村金融发展不是农民收入增长的格兰杰原因,在此基础上,分析出现这种状况的原因并结合十九大报告中关于深化金融体制改革的问题以及2018年中央一号文件,从而提出相应的建议。(本文来源于《铜陵学院学报》期刊2018年04期）
张栗粽,王谨平,刘贵松,罗光春,卢国明[4]（2018）在《面向金融数据的神经网络时间序列预测模型》一文中研究指出针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。(本文来源于《计算机应用研究》期刊2018年09期）
董肖凯[5]（2018）在《时间序列特征编码方法改进及在金融数据中的应用》一文中研究指出时间序列分析技术在科学、经济、气象、医学等诸多领域都有十分重要的应用。时间序列分析的主题众多,主要包括系统描述、动态系统预测以及模式匹配。时间序列的特征表示是时间序列分析的重要基础也是研究热点之一,各种场景下的时间序列是随着时间不断变化着的一串数值,这种变化随着时间的积累必然会表现出系统性的趋势,可以反映业务场景背后的规律。而这种规律往往因为太多的干扰或其他偶然因素以致于被隐藏在序列之中难以捕捉。若能将时间序列的特征进行合理的转换,有效的去除噪声,更清晰的表达出序列本身反映的系统变化趋势,那么对后续的分类、预测等分析以及决策将有着重要的指导意义。符号化特征表示是时间序列特征表示方式之一,它能够实现时间序列的维度降低、平滑噪声等,改善了后续分析的计算复杂度和可操作性,受到众多学者的青睐。在时间序列特征转换后,为了与后续分析结合,新序列之间的距离、相似性、以及预测方法将随之改变。本文以时间序列的符号化编码表示为基础,对传统符号化表示的方法作出有效改进,设计了一套表征时间序列系统趋势特征的简易编码,能够客观、直观的反映时间序列片段的系统变化规律,且这种“数值”编码方式为编码序列趋势预测提供了可能。针对编码参数选择的问题,本文提出了平衡复杂度与拟合度的参数选择策略——HIC准则。同时,在时间序列符号化编码的相似度量方面,提出了期望下界距离,并给出了相关性质的证明,包括非负性、对称性、叁角不等式性、期望下界性和期望一致性等等,解决了传统编码距离难以满足距离定义一般性质的缺陷。最后,文章以金融时间序列为数据源,针对本文算法进行了两个应用,用以验证算法的合理性和适用性。第一,典型模式序列的快速匹配和不等长的时间序列片段的匹配,实验结果验证了时间序列符号化编码及其编码距离有效提高模式匹配的精准度和覆盖度;第二,基于金融时间序列的符号化编码趋势预测,将编码算法与回归模型相结合,结合编码序列所表示的时间序列建立ARIMA模型,对短期后续趋势进行预测,通过对比分析验证了编码序列预测模型的稳定性。本研究提出的时间序列特征编码表示方法,以及基于该编码表示下的相似度量方法是时间序列大数据应用领域内的一次新的尝试。该算法能降低计算复杂度,与其他后续分析算法结合的能力较强。因此,该算法在生产实践中有广泛的应用,如证券价格走势的相似搜索与预测、气象地质数据的模式发现、保险医疗当中的异常行为分析等。(本文来源于《南京财经大学》期刊2018-04-01）
龙婧[6]（2018）在《面向金融时间序列奇异性特征的数据挖掘方法研究与应用》一文中研究指出股市是一个受内因和外因影响的复杂系统,具有互动的参与人数众多的特性,其市场行情也是千变万化、错综复杂。股市的金融时间序列是对金融变量变化发展的历史数据的真实测量和记录,蕴含了金融市场内在的规律和行为特征,所以如何从中挖掘更多潜在信息和规律对金融分析者执行决策和风险投资管理具有极为重要的意义。金融时间序列具有的奇异性特征对分析者的决策起着指导性作用,而传统的依靠数学建模和统计方法的技术分析模型由于涉及多个复杂参数,难以被分析者所理解和掌握。所以,为了更好地为分析者提供一个研究市场行情波动规律的新角度,本文从寻找时间序列中有意义模式入手来获取金融时间序列中隐含特征信息。虽然时间序列挖掘作为目前的研究热点,且已取得很多成果,而针对从金融时间序列中获得有价值信息或有意义片段的理论方法和研究依然匮乏。所以本文针对其中存在的关键问题,应用数据挖掘的方法展开研究,具体工作如下:(1)结合金融时间序列特性对挖掘的影响,本文采用小波方法对数据进行去噪预处理。并在此过程中研究了小波软阈值法去噪过程、阈值确定准则、小波函数和分解层次等参数的选取。(2)结合k线形态理论,通过数值计算检测了不同K线形态对应的奇异性特征序列,并通过基于小波变换的d-近邻聚类方法对特征序列分类别聚类,并通过实验数据纵向分析了金融时间序列奇异性特征的异常程度对挖掘金融时间序列有意义模式具有的重要意义。(3)从时间序列中挖掘隐含模式的意义就是希望能得到对未来预测有价值的信息。本文从分析金融时间序列奇异性特征的角度出发,提出了一个能挖掘K线形态Motif模式,且能主动预警股价反转趋势的技术分析模型。该模型将基序理论应用于K线形态理论,得到K线形态的特征序列。然后运用数据挖掘技术对特征序列进行分类学习,得出K线形态Motif模式的统计特征,最后通过实验验证了K线形态Motif模式对股价反转趋势及反转点的预测效果。(4)最后,通过对沪深A股的历史交易数据进行实证分析,结果表明:本文提出的K线形态Motif模式真实存在并能被较好的识别,且根据提出的K线形态Motif模式模拟短期趋势的投资收益计算,证明该模式应用于时间序列的短期趋势理论判断对股票后期趋势的影响是有效的。(本文来源于《昆明理工大学》期刊2018-03-01）
王谨平[7]（2017）在《基于金融数据的时间序列研究与应用》一文中研究指出随着互联网的浪潮,越来越多的互联网金融公司应运而生,互联网金融风险预测也成了互联网金融公司决策时的重要一环。如蚂蚁金服通过对余额宝的历史交易额进行资金流入流出的预测;融360根据用户的历史还款时间序列对用户信贷进行预测等。因此随着互联网金融交易激增,互联网金融公司有必要提高系统风险预测能力,将金融风险降低到最小化。通过基于时间序列预测的方法可以为风险预测提供参考从而降低风险。本文一方面着眼于时间序列预测领域中一些模型,如基于传统ARMA模型,基于神经网络模型等,并列出各模型在时间序列应用中的优缺点,然后在基础的Elman神经网络预测模型上进行改进。另一方面着眼于时序数据的特征学习,分析了时序数据特征提取与特征选择的常用算法,并由此提出了基于时序数据的特征学习框架。通过时序数据的特征学习框架与改进的Elman神经网络预测模型相结合,提出了一个互联网金融风险预测模型。本模型着眼于实际应用。主要内容包含如下:1、分析了神经网络模型在时间序列预测上的应用。包含了前向神经网络和反馈神经网络。主要针对Elman神经网络模型的研究,分析了其模型结构,各层神经元的特点,并修改了Elman神经网络训练算法,在误差计算中将历史数据按照与当前时间的远近赋予相应的权值,以及加入时序数据随机过程,提出了改进的Elman神经网络时间序列预测模型(GT-Elman),从而增强了Elman神经网络对时间序列的预测性能。2、分析了时序数据常用的特征提取算法与特征选择算法。通过将时域序列转化为频域序列如快速傅立叶变换,离散小波变换等特征提取算法,提取时序数据中的特征;在特征选择算法里分析了Clamping Network的网络结构,算法思想和缺陷,并根据该缺陷提出了一种改进的Clamping Network(DS-Clamping),从而增强了Clamping Network在特征选择上的性能。相比于直接使用原始时序数据作为输入,通过这种对时序数据特征学习模型得到时序数据的特征作为时间序列预测模型的输入,能更好的提高预测精度,提高系统的预测性能。3、针对互联网金融风险预测系统的设计和开发。本系统采用基于SpringMVC框架,结合Bootstrap、Echart、JQuery搭建了互联网金融风险预测系统。并可视化展示了系统返回的结果,结果表明本系统有着较好的实用价值。(本文来源于《电子科技大学》期刊2017-03-29）
张贵生[8]（2016）在《数据驱动的金融时间序列预测模型研究》一文中研究指出1997年诺贝尔经济学奖获得者美国经济学家Robert Carhart Merton提出,现代金融理论的核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。而按照非线性动力学的观点来看,现代金融理论中金融系统的不确定性恰恰源于其自身就是一个受多种因素综合影响的具有开放性质的复杂巨系统,相应地,作为系统观测值的金融时序数据则从形式上表现了该系统的复杂运动规律。相关金融时序可预测性的文献研究表明,无论是线性范式下的传统统计方法,还是非线性的计算智能方法,以及多种不同类型方法的组合模型都在一定范围内提升和改善了人们对于金融时序数据预测的精确性和稳定性,但大多缺乏对不同类型金融时序数据内部时间相关性知识、价格变化趋势信息以及不同市场间互信息等经验知识的有效融合,制约了其预测性能的进一步提高。基于此,本研究借鉴复杂系统视角建模的思想,针对各种不同类型的金融时序数据,结合智能计算、计算实验金融、数据挖掘以及控制论等相关领域的最新研究成果,“自底向上”地展开金融时序数据经验知识融合下的机器学习预测建模创新研究,以探索金融系统的复杂演化规律。主要研究成果和创新概括如下：1、针对单变量金融时序数据变化趋势信息和市场隔夜跳空开盘信息的重要性,在借助跟踪微分器提取数据近似微分的基础上,分别构造了基于微分信息和基于梯度信息的ARMA-GARCH单预测模型,旨在增强模型在高噪声扰动环境下对于时序数据变化趋势的判别能力；从分阶段混合模型构造的角度,提出了一种新的基于ARIMA和泰勒展开的预测模型,改进传统方法对于时序数据内部经验知识学习不够充分的问题。2、针对多变量金融时序数据所具有的高维复杂性,考虑到金融市场间日益显着的联动及传染效应,提出了一种基于近邻互信息的SVM-GARCH模型,旨在融合市场联动行为信息的基础上,提高传统单模型对于时序数据非线性成分的处理能力；从构造混合模型提高预测稳定性的角度,借助时间测地线距离的概念构造新的混合预测模型,改善模型对于时序数据内部时间相关性知识的学习和泛化能力,提高预测结果的精确性和有效性。数据驱动的“自底向上”的建模方法就是要通过对复杂系统的观测数据进行分析,来展开对金融系统的反向研究,有利于克服规范分析假设过于严格、实证分析难以进行灵敏度测试的弱点,是金融理论与实践的高度统一。本研究中无论是相关单变量金融时序数据的分析,还是针对于高维金融时序面板数据的研究,数据驱动的模型创新都体现了复杂系统视角建模思想在金融领域的应用,旨在从不同的角度充分挖掘并发现复杂金融现象背后的客观规律,降低金融系统的不确定性,提高金融市场效率,并为相关金融理论创新研究提供新的动力和方向。(本文来源于《山西大学》期刊2016-06-01）
吴曼曼,于金[9]（2016）在《金融发展对“一带一路”省份实体经济的影响——基于时间序列和面板数据的检验》一文中研究指出本文以1985-2013年"一带一路"所涉及的17个省份为样本,运用固定效应模型和时间序列模型分别检验金融发展规模和金融发展效率对实体经济增长的影响。研究结果表明:实体经济发展水平与金融发展水平之间存在长期的均衡关系;金融发展是"一带一路"实体经济发展的福音,金融效率对实体经济的促进作用大于金融发展规模;金融发展对实体经济发展的影响在各省份间存在差异。为了提升金融发展对实体经济的带动作用,促进"一带一路"实体经济的发展,应该大力推进"一带一路"建设的金融支持工作,针对不同省份采取差别化的金融改革策略,有序、有差别地进行金融深化改革。(本文来源于《商业经济研究》期刊2016年10期）
孙晓宇,李卓然[10]（2016）在《基于线性时间序列模型对金融数据分析——以云南白药股票数据为例》一文中研究指出股票市场的繁荣与国民经济的活跃程度存在一致性,从宏观角度来说,股市的繁荣往往意味着一国或者一个地区的经济繁荣,从微观角度来看,股票市值的变动对上市企业乃至投资个体均是有较大影响的。因此对股票走势采用科学合理的研究方法对投资主体而言是及其必要的。本文基于云南白药上市公司股票数据,试图采用时间序列模型模型及其扩展对云南白药上市企业股票市值建立适合的时间序列模型对股票未来走势作出预测,研究结果表明,云南白药股票市值适合ARFIMA-EGARCH模型,预测误差最小,在实际分析中可作为参考。(本文来源于《时代金融》期刊2016年14期）
金融时间序列数据论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于江苏省1978-2016年的时间序列数据,构建VAR模型实证分析了江苏省金融发展和经济增长两者间的关系。研究发现江苏省的金融发展规模与经济增长之间存在双向的格兰杰因果关系,而金融发展效率对经济增长的影响不显着。鉴于此,首先要扩大直接融资规模,加快金融深化进程;其次要完善区域金融市场,提高金融发展的效率,提高金融服务实体经济的能力,助推产业转型促进经济的持续增长。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
金融时间序列数据论文参考文献
[1].龙剑江.金融发展对产业就业结构的量化影响——以山东省时间序列数据为例[J].商讯.2019
[2].殷小丽.区域金融发展与经济增长关系的实证研究——基于江苏省1978—2016年的时间序列数据[J].黑龙江工业学院学报(综合版).2018
[3].黄杰,刘从九,张鹏程.农村金融发展水平和农民收入增长关系研究——基于2003-2017年皖江城市带农村地区时间序列数据[J].铜陵学院学报.2018
[4].张栗粽,王谨平,刘贵松,罗光春,卢国明.面向金融数据的神经网络时间序列预测模型[J].计算机应用研究.2018
[5].董肖凯.时间序列特征编码方法改进及在金融数据中的应用[D].南京财经大学.2018
[6].龙婧.面向金融时间序列奇异性特征的数据挖掘方法研究与应用[D].昆明理工大学.2018
[7].王谨平.基于金融数据的时间序列研究与应用[D].电子科技大学.2017
[8].张贵生.数据驱动的金融时间序列预测模型研究[D].山西大学.2016
[9].吴曼曼,于金.金融发展对“一带一路”省份实体经济的影响——基于时间序列和面板数据的检验[J].商业经济研究.2016
[10].孙晓宇,李卓然.基于线性时间序列模型对金融数据分析——以云南白药股票数据为例[J].时代金融.2016