基于小波消噪的经济金融高频时间序列研究
2021-04-22吕卫平
吕卫平,黄 婧,马 奕
(龙岩学院 福建龙岩 364000)
小波分析是一门具有巨大应用潜力的新学科,它含有丰富的数学内容及广泛适用的特性,吸引了国内外众多学术研究者的关注。小波分析在图像处理、信号消噪、地震勘探等领域已经得到了广泛的应用,并由此产生了很多有用的科学成果。程正兴、王剑平等[1-2]利用小波分析对图像进行压缩、去噪等操作,效果较好。詹玲超等[3]讨论了基于小波变换的多模态医学图像的融合方法,在保证图像质量的同时还可增强图像的空间细节表现能力。王一丁等[4]提出将连续小波变换算法用于雷达信号处理,该方法保持高距离分辨率的同时可有效降低回波信号的副瓣电平。冯占林等[5]利用数据小波系数分布特点及结合零树量化编码对地震数据进行压缩,压缩后可以满足限失真提高压缩比的工程要求。陈峰等[6]利用小波变换技术对信号噪声进行抑制和去除非平稳信号的噪声,发现小波变换去除噪声的效果优于传统的Fourior变换方法。将经济金融领域通过观测得到的现象用数据记录下来,然后将这些数据按时间先后次序排列,称之为经济时间序列。从定义可以看出经济时间序列就是经济金融现象所发出的信号,它与平时所说的信号无多大差异,通常处理信号的方法对它也同样适用。从目前已有的资料看,小波分析方法在经济金融时间序列方面的应用虽有涉及[7-10],但与小波分析在其他领域的广泛应用相比还相差甚远,乏善可陈,还有很大的研究空间。
在经济金融领域,信息是持续影响市场发展过程的,但经济金融数据的采集却是基于离散化基础上的,这必定会导致不同程度的信息缺失。高频时间序列比低频序列包含更多的市场信息,并具有长期趋势。高频即意味着高频率的采集,必然会导致干扰信号即噪声增多,这些噪声将反过来影响数据的进一步分析和处理,故需要对其进行去噪处理。传统处理信号噪声的方法是Fourier变换滤波法,它的缺点是只能在整个时间域上去处理,而不能给出信号在具体节点上的变化情况,这会导致信号在时间域上的任何一个小突变,从而可能影响到信号的整个分析结果,且它要求实际信号与干扰信号即噪声的频谱要相互分开,但高频时间序列具有典型的非稳定、非线性和长记忆性,不满足平衡性条件,这对于高频信号而言是较难做到的。
改进后的窗口Fourier变换滤波法,虽能随参数变化而任意移动,但时频窗口大小却是固定的(如图1所示),不能随着高低频信号不同的要求而灵活变动。
不同于Fourier变换及窗口Fourier变换滤波法,小波变换的多分辨分析特性使它在时频两域都具有表征信号局部特征的能力,窗口大小虽然固定但其形状可变,用户可以根据高频和低频局部信号分析所需而灵活变动窗口的时频局部化分析方法(如图2所示)。基于小波变换的上述特性,文章将利用小波变换方法对经济金融高频时间序列这类波动性大、奇异点密集的信号进行小波去噪处理。
图1 窗口Fourier变换工作原理
图2 小波变换工作原理
1 预备知识
函数f(x)称为平方可积函数[11],即f(x)∈L2(R),若满足:
定义1[11]令Vj,j∈Z为L2(R)中的一个函数子空间序列,且
Vj=Wj+1⊕Vj+1=Wj+1⊕Wj+2⊕Vj+2=Wj+1⊕Wj+2⊕Wj+3⊕…,j∈Z,
若满足下列条件:
(1)单调性:…⊂Vj+1⊂Vj⊂Vj-1⊂…,∀j∈Z;
(3)正交性:Vj=Vj+1⊕Wj+1;
(4)伸缩性:f(t)∈Vj⟺f(2t)∈Vj-1,∀j∈Z;
(5)平移不变性:f(t)∈Vj⟺f(t-b)∈Vj,∀b∈Z;