基于主成分分析和Eros的邻近传播算法在金融数据集中的应用

doi:10.3969/j.issn.1006-2475.2015.08.005

计算机与现代化 ›› 2015, Vol. 0 ›› Issue (8): 24-28.doi: 10.3969/j.issn.1006-2475.2015.08.005

基于主成分分析和Eros的邻近传播算法在金融数据集中的应用

中国民用航空飞行学院计算机学院,四川广汉618300

收稿日期:2015-03-16 出版日期:2015-08-08 发布日期:2015-08-19
作者简介:廖洪一(1989-),女,四川成都人,中国民用航空飞行学院计算机学院硕士研究生,研究方向:机器学习；王欣（1973-）,男,四川绵阳人,教授,研究生导师,博士,研究方向:数据挖掘。
基金资助:
国家自然科学基金民航联合基金资助项目(U1233105); 中国民用航空飞行学院大学生创新项目(201410624043)

Application of PCA and Eros Affinity Propagation Clustering in Financial Data Sets

School of Computer Science, Civil Aviation Flight University of China, Guanghan 618300, China

Received:2015-03-16 Online:2015-08-08 Published:2015-08-19

摘要/Abstract

摘要：

金融数据集的多维特性和高噪声特性使得对金融时间序列数据的分析难上加难，本文提出一种基于主成分分析和Eros的近邻传播的聚类算法。首先利用主成分分析方法对多变量的金融时间序

列数据进行降维处理,提取出主要特征值；然后使用基于Eros的近邻传播算法聚类对提取出的特征值进行分析。该聚类方法可以把数据集中的个体当作是原始数据的一个属性，通过迭代竞争达到最优，不

需要事先确定聚类数目。研究结果表明，这种集成算法大大降低了时间序列数据的维度，有很高的分类正确率，表明该聚类方法用于金融时间序列数据处理是有效可行的。


关键词: 近邻传播聚类, 弗罗贝尼乌斯范数；多元时间序列, 主成分分析；聚类模型

Abstract:

The multi-dimensional characteristics and high noise characteristics of the financial data set make it hard to analyze the time series. This paper puts forward an algorithm based on the principal component analysis and the Eros affinity propagation clustering. First it uses the principal component analysis method to extract the main eigenvalues of the multivariate financial time series data; then uses the Eros affinity propagation clustering to analyze the extracted eigenvalues. This kind of clustering algorithm can make the individual data as an attribute of the original data, through iterate competition to achieve optimal, do not need to find the number of clusters. The research results show that, this integrated method greatly reduces the dimension of the time series, and has a highly correct classification rate. It proves that this algorithm is very effective.


Key words: affinity propagation clustering, Frobenius norm, multivariate time series, principal component analysis, clustering model

中图分类号:

TP181

廖洪一，王欣. 基于主成分分析和Eros的邻近传播算法在金融数据集中的应用[J]. 计算机与现代化, 2015, 0(8): 24-28.

LIAO Hong-yi， WANG Xin. Application of PCA and Eros Affinity Propagation Clustering in Financial Data Sets[J]. Computer and Modernization, 2015, 0(8): 24-28.

参考文献

［1］ Buyya R, Abramson D, Venugopal S. The grid economy［J］. Proceedings of the IEEE, 2005,93(3):698-714.
［2］谢娟英,蒋帅,王春霞,等. 一种改进的全局K-均值聚类算法［J］. 陕西师范大学学报（自然科学版）， 2010,38(2):18-22.
［3］郭崇慧,贾宏峰,张娜. 基于ICA的时间序列聚类方法及其在股票数据分析中的应用［J］. 运筹与管理， 2008,17(5):120-124.
［4］ Maharaj E A, D’Urso P. A coherence-based approach for the pattern recognition of time series［J］. Physica A: Statistical Mechanics and its Applications, 2010,389(17):3516-3537.
［5］ Caiado J, Crato N, Pead D. A periodogram-based metric for time series classification［J］. Computational Statist & Data Analysis, 2006,50(10):2668-2684.
［6］王骏,王士同,邓赵红. 聚类分析研究中的若干问题［J］. 控制与决策, 2012,27(3):321-328.
［7］ Frey B J， Dueck D. Clustering by passing messages between data points［J］. Science, 2007,315(5814):972-976.
［8］ Sambasivam S, Theodosopoulos N. Advanced data clustering methods of mining Web documents［J］. Issues in Informing Science and Information Technology, 2006(3):563-579.
［9］ Bohm C, Berchtold S, Keim D A. Searching in high-dimensional spaces-index structures for improving the performance of multimedia databases［J］. ACM Computing Surveys, 2001,33(3):322-373.
［10］Fang S H, Lin T N. Principal component localization in indoor WLAN environments［J］. IEEE Transactions on Mobile Computing, 2012,11(1):100-110.
［11］王德青,朱建平,谢邦昌. 主成分聚类分析有效性的思考［J］. 统计研究， 2012,29（11）84-87.
［12］Climescu-Hauliea A. How to choose the number of clusters: The cramer multiplicity solution［C］// Advances in Data Analysis. 2007:15-22.
［13］廖东,杜瑞卿,王骁力. 变量线性相关对主成分方差贡献率的影响［J］. 河南师范大学学报(自然科学版), 2010,38(6):23-26.
［14］高玉明,张仁津. 基于改进QPSO算法优化SVR的上证指数预测［J］. 计算机仿真， 2013,30(12):208-213.
［15］李春忠,徐忠本,乔琛. 带信息反馈的凝聚层次聚类算法［J］. 中国科学:信息科学， 2012,42(6):730-742.
［16］Kaufman L, Rousseeuw P J. Finding Groups in Data: An Introduction to Cluster Analysis［M］. John Wiley and Sons, 1990.
［17］杜敏. 基于主成分分析法的环境质量综合指数研究［D］. 成都:四川大学, 2006.

[1]	江新姿1, 安晓丽1, 高尚2. 基于MTSP问题的公共图书馆智慧配送服务[J]. 计算机与现代化, 2024, 0(09): 52-55.
[2]	秦阳, 詹勇, 明路遥, 杨舒淇, 蓝振祎. 基于改进K-means算法的通勤交通小区识别[J]. 计算机与现代化, 2024, 0(07): 63-68.
[3]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[4]	王杰, 徐祥, 罗晓丹, 张萌, 黄澈, 洪冠中, 汪翔. 基于集成学习的巢湖面雨量计算方法[J]. 计算机与现代化, 2023, 0(09): 38-43.
[5]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[6]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[7]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 0, (): 7-14.
[8]	徐建鹏, 徐祥, 王晖, 伍琼, 王杰. 基于用户行为和新闻时效性的农业信息协同过滤推荐算法[J]. 计算机与现代化, 2020, 0(07): 6-10.
[9]	彦逸,周开东,林细君,麦晓辉,肖建毅,曾朝霖. 基于因果规则的电力营销系统故障定位算法[J]. 计算机与现代化, 2020, 0(03): 13-.
[10]	奚杏杏，刘宇红，张荣芬. 基于网格搜索与交叉验证的SVR血压预测[J]. 计算机与现代化, 2020, 0(03): 44-.
[11]	陈平平,耿笑冉,邹敏,谭定英. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020, 0(03): 77-.
[12]	彦逸，李波，陈守明，林强，黄巨涛，温柏坚. 一种面向反馈网络的因果特征选择算法及其应用[J]. 计算机与现代化, 2019, 0(12): 95-.
[13]	陈海洋1，环晓敏1，陈新展2，刘喜庆1. 基于TAN分类器的交通灯时间智能动态估计[J]. 计算机与现代化, 2019, 0(11): 81-.
[14]	杨勤1,王偲羽2,熊文彬2 . 基于视听感官通道的交互性环境学习有效性研究[J]. 计算机与现代化, 2019, 0(11): 100-.
[15]	宋阳，石鸿雁. 基于MapReduce框架下的K-means聚类算法的改进[J]. 计算机与现代化, 2019, 0(08): 28-.

基于主成分分析和Eros的邻近传播算法在金融数据集中的应用

Application of PCA and Eros Affinity Propagation Clustering in Financial Data Sets

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价