全部版块 我的主页
论坛 经济学人 二区 外文文献专区
808 16
2022-06-01
英文标题:
《Symbolic dynamics techniques for complex systems: Application to share
  price dynamics》
---
作者:
Dan Xu and Christian Beck
---
最新提交年份:
2017
---
英文摘要:
  The symbolic dynamics technique is well-known for low-dimensional dynamical systems and chaotic maps, and lies at the roots of the thermodynamic formalism of dynamical systems. Here we show that this technique can also be successfully applied to time series generated by complex systems of much higher dimensionality. Our main example is the investigation of share price returns in a coarse-grained way. A nontrivial spectrum of Renyi entropies is found. We study how the spectrum depends on the time scale of returns, the sector of stocks considered, as well as the number of symbols used for the symbolic description. Overall our analysis confirms that in the symbol space transition probabilities of observed share price returns depend on the entire history of previous symbols, thus emphasizing the need for a modelling based on non-Markovian stochastic processes. Our method allows for quantitative comparisons of entirely different complex systems, for example the statistics of symbol sequences generated by share price returns using 4 symbols can be compared with that of genomic sequences.
---
中文摘要:
符号动力学技术因低维动力系统和混沌映射而闻名,是动力系统热力学形式主义的根源。在这里,我们表明,这种技术也可以成功地应用于由高维复杂系统生成的时间序列。我们的主要例子是以粗粒度的方式研究股价回报。发现了Renyi熵的一个非平凡谱。我们研究了频谱如何依赖于回报的时间尺度、所考虑的股票部门以及用于符号描述的符号数量。总体而言,我们的分析证实,在符号空间中,观察到的股价回报的转移概率取决于之前符号的整个历史,因此强调需要基于非马尔可夫随机过程的建模。我们的方法允许对完全不同的复杂系统进行定量比较,例如,使用4个符号的股价回报生成的符号序列的统计数据可以与基因组序列的统计数据进行比较。
---
分类信息:

一级分类:Physics        物理学
二级分类:Chaotic Dynamics        混沌动力学
分类描述:Dynamical systems, chaos, quantum chaos, topological dynamics, cycle expansions, turbulence, propagation
动力系统,混沌,量子混沌,拓扑动力学,循环展开,湍流,传播
--
一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-1 00:12:34
epl draftSymbolic dynamics Technics for complex systems:股价动态应用Dan Xu和Christian BeckQueen Mary伦敦大学数学科学学院,Mile End Road,London E1 4NS,U KPACS 05.45-a–非线性动力学和chaosPACS 05.45。Tp–时间序列分析PACS 05.40-a–涨落现象摘要–符号动力学技术因低维动力系统和混沌映射而闻名,它是动力系统热力学形式的核心。这里我们表明,这种技术也可以成功地应用于由高维复杂系统生成的时间序列。我们的主要例子是以粗粒度的方式调查股价回报。发现了R′enyi熵的非平凡谱。我们研究了频谱如何依赖于回报的时间尺度、所考虑的股票部门以及用于符号描述的符号数量。总体而言,我们的分析证实,在符号空间中,观察到的股价回报的转移概率取决于之前符号的整个历史,因此强调需要基于非马尔可夫随机过程的建模。我们的方法允许对整个不同的复杂系统进行定量比较,例如,使用4个符号的股票收益率生成的符号序列的统计数据可以与基因组序列的统计数据进行比较。简介–符号动力学技术是一种以粗粒度方式描述动态系统轨迹的强大方法【1–10】。它已应用于许多表现出混沌或临界行为的低维ma P。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 00:12:37
动力系统中的非平凡相关性表现在非平凡的R'enyi熵谱[1,4,5,11–13]和其他与允许的符号序列集及其相关的障碍概率中。这项技术在80年代和90年代非常流行,当时人们对一维地图进行了大量研究[2-5,10],最近的工作又重新采用了这项技术,并将其应用于更广泛的环境中[14-17]。本文的主要目的是说明,从动态系统理论中借用的符号动力学技术可以成功地应用于高维复杂系统生成的时间序列,远远超出了原来的一维混沌映射方法。我们下面的主要例子是股价动态,这当然是由高维相空间中的复杂市场和交易者动态最终产生的。众所周知,金融时间序列表现出多重分形特征【19–22】,但在这里,我们基于符号动力学技术提出了一种不同的方法来解决这个问题。我们将研究不同时间尺度上观察到的股价回报率与离散符号序列的相关性和复杂行为。我们将通过计算符号序列对应的R’enyi熵[1,11-13]来量化这一点,该熵基于不同部门的历史股价回报数据集,包括长(日)时间尺度和短时间尺度(分钟)。结果表明,对真实股价数据观察到的符号序列的随机过程表现出非马尔可夫特征。为了描述不同公司(或复杂系统背景下的社区)之间的差异,我们将引入一个R’enyi差异矩阵,比较不同子系统的R’enyi差异。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 00:12:41
所开发的方法允许对不同的复杂子系统进行定量比较,或因符号动力学空间中的编码而导致的甚至不同的科学问题。例如,可以定量比较基因组序列的统计特性【23–25】与粗粒度股价波动产生的统计特性,尽管这两个问题都来自完全不同的科学领域。股价的符号动力学–让我们将从P-1Dan Xu和Christian Beckdynamic systems Theory中熟知的符号动力学技术应用于给定时间序列的粗粒度描述。假设该时间序列由一个动态演化的复杂系统的适当观测值生成。我们选择了一个具体的例子,而不是非常理论化的例子:由复杂的市场结构和交易者投机造成的股价演变。通常,人们只对与给定复杂系统相关的非常基本的问题感兴趣。以股价为例,这个问题是一个很有挑战性的问题:基本上人们关心的是一家特定公司的股价是上涨还是下跌,当然这个问题也取决于所考虑的时间尺度。为了生成与此类问题相关的符号序列,我们首先需要选择合适的相空间分区(低维映射中的生成分区)。图1:1998年至2013年期间,sh的对数收益率时间序列为p rice(在本例中为美国铝业公司),排除了强烈波动的间歇性爆发。时间单位为天。一年大约有251个交易日。股票价格最简单、最直接的方法是只考虑两个符号,即。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 00:12:43
考虑两个不相交子集A中对数股价回报logSn+1的可能值=(-∞, 0)和A=(0,∞),在标为n的离散时间尺度上,对应于股票价格的正负变化。这是对这里所问问题的简化相空间描述。请注意,A和A被选为打开间隔。点0(对应于无变化)的测量值为0,不影响分析。当然,对于其他复杂系统/时间序列,可以不同地定义生成符号序列的子集,这取决于问题和关于复杂系统的问题。一般来说,以这种方式生成更复杂的分区[9,16]。现在,让我们看一个美铝Inc.公司(Alcoa Inc.)的每日股价数据集示例,该数据集涵盖98年1月19日至2013年5月期间(图1)。如果log return是A的一个元素,相当于Sn+1<Sn,那么我们用符号d表示此类降价事件。否则,Sn+1>Sn的Astands中的价格用u表示,表示价格上涨。通过这种方法,我们可以将s hare prices的时间序列归因于符号序列i,i,i。。。,在里面在何处∈ {d,u}。WeFig公司。2: AlcoaInc的2-8长符号序列的日股价运动动力学联合概率p(N)jof。现在考虑长度为N的符号的子序列,其中N与可用数据的总数相比很小。由于我们只有有限的一组数据点的数据,我们将整个数据序列划分为长度为N的R段。因为每个符号只有u或d两个选择,对于任何给定的N,我们得到ω(N)=2n允许的子序列。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 00:12:46
由于相空间的划分非常简单,并且我们的数据集足够大,足以满足R>>ω(N),因此将有许多事件对应于相同的符号模式。因此,通过确定符号序列在给定数据集中出现的频率,我们可以轻松获得每个允许符号序列的概率。然后,长度为N的给定符号序列的概率表示为p(N)j=p(i,…,iN-1) ,其中j labelsall可能序列i。。。,在里面-现在,通过使用0=d和1=u的二进制展开,将长度N的每个允许符号序列编码为单位间隔上的实数α,我们可以生成一个图来可视化我们的概率。这意味着任何给定的符号序列i。。。,在里面-1可以通过位序列表示,特别是我们指定=1如果in=u0如果in=d(1),其中n=0,1。。。,N-1、可以通过将分配给给定符号序列的坐标α定义为α(x(N))=NXn=1xin来实现这一点-1.-n、 (2)注意α(x(n))∈ [0,1)。通过这种方式,我们在单位间隔上为每个符号序列分配一个r eal数α,这样我们就可以很容易地在给定符号序列的频率上可视化我们的结果。如图2所示。注意,在数字上,我们将自己限制为N≤ 8因为我们只有有限的数据点。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群