函数型数据的自适应分类预测方法及其在金融高频预测中的应用

In the era of big data，with advance of technology for information collection and storage, real-time data are being recorded continuously. Complex characteristics such as mixed frequency, structure changes, sparsity, roughness and outliers emerging in high frequency data, which lead to the limitations of traditional classification and forecasting methods derived from discrete data. Focused on the actual problem of forecasting financial high frequency fluctuations, this proposal targets to study the adaptive classification and forecasting methods for functional data. Firstly, we will clarify the importance of data quality improvement in functional data classification and forecasting, and put forward the standardization procedure of data quality comprehensive promotion. Secondly, we will propose an adaptive classification methods for functional data, including (i): the adaptive weighting initial clustering analysis based on reconstruction of objective weighted functional distance; (ii): the objective criteria for identifying the maximum number of categories based on the quantitative test of the difference among function classes; (iii): the adaptive iterative optimization reclassification model based on dynamic comparable mechanism of information extraction. Lastly, taking into account the difference of fluctuation patterns among classes, we will propose an functional mixture forecasting model with dynamic updating; taking into account the different influence between the new and old data, with consideration of forecasting robustness and timeliness, we will propose the functional dynamic factor model with penalty. This project extends the discrete and static perspective of traditional forecasting methods to the continuous and dynamic perspective, and thus can improve the accuracy and robustness of classification and forecasting for financial high frequency fluctuations.

伴随大数据时代信息采集与存储技术的进步，连续实时记录的高频数据凸现频率混杂、结构突变、稀疏粗糙、存在离群值等复杂特性，传统离散视角的分类预测方法面临诸多局限。本项目立足金融高频波动预测的现实问题，研究函数型数据的自适应分类预测方法。首先，阐明函数型数据分类预测中数据质量提升的重要性，提出数据质量综合提升的标准化程序。其次，研究函数型数据的自适应分类方法，包括：重构客观赋权的函数型距离，提出自适应权重的初始聚类；基于函数类别之间差异的定量检验，提出最大类别数目的客观确定标准；设计信息提取的动态可比机制，提出自适应迭代优化的再分类模型。最后，考虑函数波动模式的类别差异，建立信息动态更新的混合期望预测；考虑模型构建中新旧数据影响的时滞差异和预测的稳健性、时效性要求，提出带惩罚项的动态因子预测。本研究将离散、静态视角的分类预测扩展到连续、动态视角，能够提升金融高频波动分类和预测的准确率、稳健性。

伴随大数据时代信息化建设的飞速发展和数据采集存储技术的极大提升，金融系统的运行过程能够被实时地高频刻录，多源异构、关系复杂的数据库逐步建立。一方面为金融管理决策所需的信息资源提供了充足的素材；另一方面，非线性非平稳、频率混杂、结构突变、稀疏粗糙且存在异常值的金融复杂数据，使得传统的管理统计理论与方法在实际应用中凸显诸多局限性，导致“数据丰富但知识匮乏”的困境普遍存在。因此，引入开拓性的函数型数据分析以破解高频等复杂数据的分类和预测难题，贴合金融市场分析的现实需要，也是大数据时代统计理论与方法研究的重要主题。. 本项目立足金融市场高频和混频复杂数据波动建模的现实需要，研究函数型数据的自适应分类和预测问题。首先，阐明函数型数据分类预测中数据质量提升的重要性，针对离散数据函数化的粗糙惩罚重构问题，提出双参数的广义交叉验证标准，提升了函数重构的灵活性和后续分析结论的稳健性。其次，通过重构客观赋权的函数型距离，分别从离散和连续视角提出了自适应权重的初始聚类；基于函数类别之间差异的定量检验，提出最大类别数目的客观确定标准；设计信息提取的动态可比机制，提出自适应迭代优化的再分类模型；将上述方法应用于股票收益波动模式比较，探明了上证50指数样本股票收益的潜在类别模式及其波动的时段特征。进一步地，考虑函数波动模式的类别差异，建立了信息动态更新的混合期望预测；考虑模型构建中新旧数据影响的时滞差异和预测的稳健性、时效性要求，提出了带惩罚项的动态因子预测。此外，本研究提出了单样本多指标、多样本多指标情形下的连续动态熵权法，构建了函数型的中国能源安全指数和绿色机构环境指数，丰富了用于测度中国能源安全和绿色金融发展的工具集合。. 本研究拓展了探索股票收益波动规律和量化分析金融风险的研究视角，研究结论能够为提升中国能源安全和促进绿色机构发展提供定量的实证支持。