我们所展示的证据清楚地表明，多重分形互相关方法应该对时间序列分析中时间和多尺度模式的预测建模做出重大贡献。我们认为，我们目前的研究，即通过相互汇率考虑货币的相互作用，以及由于突发事件而调整汇率以适应新条件的动态，可能会鼓励未来研究通过相互作用实体的复杂网络进行信息传播。这反过来可能会对设计新的神经网络智能学习方法和预测复杂系统未来行为的通用计算智能产生一些影响。例如，由于我们已经证明了针对有利模式进行金融时间序列分析的可行性，我们可以预期，当实时提供逐点交易数据时，金融工程的计算机算法将取得未来的进步。附录本研究中使用的数据来自DukascopySwiss银行集团【31】。数据集包括2010年至2018年期间的外汇高频买入价和卖出价以及时间间隔t=10 s。我们考虑以下8种主要货币对之间的汇率：澳元（AUD）、加元（CAD）、瑞士法郎（CHF）、欧元（EUR）、英镑（GBP）、日元（JPY）、新西兰元（NZD）和美元（USD）。因此，我们在数据集中有8种货币中的所有28种汇率（买入价和卖出价）。

因此，外汇汇率如下：澳元/加元、澳元/瑞士法郎、澳元/日元、澳元/新西兰元、澳元/美元、加元/瑞士法郎、加元/日元、瑞士法郎/日元、欧元/澳元、欧元/加元、欧元/瑞士法郎、欧元/英镑、欧元/日元、欧元/新西兰元、欧元/美元、英镑/澳元、英镑/加元、英镑/瑞士法郎、英镑/日元、英镑/新西兰元、英镑/美元、新西兰元/加元、新西兰元/瑞士法郎、新西兰元/日元、新西兰元/美元、新西兰元/美元、美元/加元、美元/加元、美元/加元瑞士法郎，美元/日元。报价的含义是指示性的买卖价格，而不是可执行的价格。指示性价格和可执行价格通常有几个基点不同【13，1，4】。买卖报价给出了价差，这是一种可以买卖货币的价格差异。要价大于或等于标价。价差取决于流动性（交易的数量和数量）以及其他一些因素。我们通过删除任何给定对没有报价或没有交易的时段（如周末、节假日），过滤出这些原始数据（时间序列），从而有效地保持利率不变。通常，我们每年大约有220万个数据点，因此每个exchangerate时间序列的观测量约为2000万。我们使用MathWorks的MATLAB数值计算环境实现了我们的时间序列方法，并在现代PC级计算机上进行了数值分析。Va建模方法包括简单的模型参数变化和替代数据方法。我们可以将我们的程序应用于随机生成的原始数据。我们还可以创建傅里叶替代时间序列。在后一种验证方法中，计算原始时间序列的傅里叶变换，然后对保留的振幅应用Fourier逆变换，但随机混合相位【1，41】。参考文献[1]Kwapień，J.，Drozdz，S.：复杂系统的物理方法。《物理报告》515115–226（2012）[2]国际清算银行（2016）。

2016年三年一次的央行外汇和场外衍生品市场调查。https://www.bis.org/publ/rpfx16。htm，2019年3月29日检索【3】Rickles，D.：经济物理学和金融市场的复杂性。《复杂系统哲学》第10卷：《科学哲学手册》531–565（2011）[4]Ghashg haie，S.，Breymann，W.，Peinke，J.，Talkner，P.，Dodge，Y.：外汇市场的动荡级联。《自然》杂志381767-770（1996）[5]Vandewalle，N.，Ausloos，M.：典型货币汇率的多重分析。欧元。物理。J、 B 4（2），257–261（1998）【6】Vandewalle，N.，Ausloos，M.：外汇汇率的稀疏和粗糙。内景J.Mod。物理。C 9（5），711–719（1998）[7]Basnarkov，L.，Stojkoski，V.，Utkovski，Z.，Kocarev，L.：外汇市场的超前-滞后关系。Physica A 539122986（2020）[8]Boilard，J.-F.，Kanazawa，K.，Takayasu，H.，Takayasu，M：外汇市场中市场事件率的经验标度关系。Physica A 5091152–11 61（2018）[9]Yang，Y–H.，Shao，Y–H.，Shao，H.–L.，Stanley H.E.：《重温欧元/瑞士法郎汇率市场的弱形式效率：来自不同瑞士法郎制度事件的证据》。Physica A 523734–746（2019）[10]Han，C.，Wang，Y.，Ning，Y.：外汇市场多重分形和效率的比较分析：来自世界主要货币汇率动态的证据。Physica A 535122365（2019）[11]Basnarkov，L.，Stojkoski，V.，Utkovski，Z.，Kocarev，L.：外汇市场的相关模式。Physica A 5251026–1037（2019）[12]Cartea，'A。，Jaimungal，S.，Walton，J.《外汇市场与最后一眼》，数学与金融经济学，13，1–30（2019）[13]Aiba，Y.，Hatano，N.：外汇市场中的三角套利。Phys icaA 344174–177（2004）[14]Fenn，D.J.，Howison，S。

D、 ，McDonald，M.，Williams，S.，Johnson，N.F.：即期外汇市场中三角套利的幻影。《国际理论与应用金融杂志》12（8），11 05–1123（2009）[15]Drozdz，S.，Kwapień，J.，O'swiec imka，P.，Rak，R.：《外汇市场：回报分布、多重分形、异常多重分形和EPS效应》。《新物理杂志》12，10500 3（2010）[16]崔，Z.，钱，W.，泰勒，S.，朱，L.：现货外汇市场中套利的检测和识别。《定量金融》，1-14（2019）[17]布坎南，M.：《金融物理学：以光速阅读》。《自然》杂志e 518161–163（2015）[18]桂达，T.：《量化投资中的大数据和机器学习》。Wiley Finance Series，纽约：John Wiley&Sons（2019）[19]Moews，B.，Michael Herrmann，J.，Ibikunle，G.：基于滞后相关性的金融时间序列方向趋势变化预测深度学习。《专家系统与应用》（Expert Systems with Applications）120197–206（2019）[20]Ghosh，I.，Jana，R.K.，Sanyal，M.K.：分析是使用非线性ar动力学、生态计量模型和机器学习算法对金融市场进行的时间模式、因果互动和预测建模。《应用软计算杂志》82105553（2019）[21]Miller，T.：《艺术智能：社会科学的见解》中的解释。Arti-ficial Intelligence 267，1–38（2019）[22]Chen–hua，S.，Chao–ling，L.，Ya–li，S.：中国南京气象和API数据的详细互相关分析。Physica A 419417–428（2018）[23]Fan，Q.，Li，D.：电力现货市场中的多重分形互相关分析。Physica A 429，17–27（2015）【24】Cao，G.，He，C.，Xu，W.：基于DCCA互相关系数分析的天气对农业期货市场的影响。

《波动与噪音信函》151650012（2016）[25]赵，L.，李，W.，Fenu，A.，Podobnik，B.，Wang，Y.，Stanley，H.E.：q–依赖的反向CRO–股市相关性分析。《统计力学杂志：理论与实验》0234 02（2018）【26】Drozdz，S.，Minati，L.，O'swi,ecimka，P.，Stanuszek，M.，W,atorek，M.：加密货币市场与外汇分离的签名。《未来互联网》11 154（2019）[27]陈，Y.，蔡，L.，王，R.，宋，Z.，邓，B.，王，J.，余，H.：DCCA交叉相关系数揭示了阿尔茨海默病患者EG的同步性和振荡的变化。Physica A 490171–184（2018）[28]Ghosh，D.，Samanta，S.，Chakraborty，S.：使用ECG和Blo od压力数据进行的肌肉和自主放松调节之间的多重分形相关研究。《多重分形与中枢神经系统慢性病》，新加坡斯普林格，149–172（2019）[29]沈，C.：使用TPCA和非平稳主成分分析对主要空气污染物浓度序列进行主成分比较。Physica A467453–464（2017）[30]Wang，F.，Wang，L.，Chen，Y.：使用时滞互相关系数检测相邻城市之间的PM2.5相关性。科学报告7（1），10109（2017）[31]Ducas c opy Bank SA。https://www.dukascopy.com/[32]Podo-bnik，B.，Stanley，H.E.：去趋势互相关分析：分析两个非平稳时间序列的新方法。《物理评论快报》100084102（2008）【33】Ze bende，G.F.：DCCA互相关系数：量化互相关水平。Physica A 390614–618（2011）[34]O'swiecimka，P.，Drozdz，S.，Forczek，M.，Jadach，S.，Kwapień，J.：去趋势交叉相关分析一直扩展到多重分形。

《物理评论》E 8023305（2014）[35]林，A.，商，P.，赵，X.：基于DCCA和时滞DCCA的股票市场的相互关系。非线性动力学67425–435（2012）[36]林，A.，商，P.，周，H.：基于多尺度MF–DXA和PCA的股票市场的交叉相关性和结构。非线性动力学78，485–494（2014）[37]熊，H.，商，P.：金融时间序列的加权多重分形分析。非线性动力学87，2251–2266（2017）[38]Xu，M.，Shang，P.：基于分段的中国时间序列的多尺度时间不可逆性分析。非线性动力学941603-1618（2018）[39]蒋，Z.–Q.，周，W.–X.：多重分形去趋势移动平均互相关分析。Phy-sical Review E 84，016106（2011）[40]江，Z.–Q.，高，X.–L.，周，W.–X.，斯坦利，H.E.：多重分形交叉小波分析。Fractals 251750054（2017）[41]Kwapień，J.，O'swiecimka，P.，Drozdz，S.：去趋势波动分析可用于检测cro-ss相关波动的范围。《物理评论》E 92052815（2015）【42】Kantelhardt，J.W.，Zschiegner，S.A.，Koscielny–Bunde，E.，Havlin，S.，Bunde，A.，Stanley，H.E.：非平稳时间序列的多重分形去趋势波动分析。Physica A 316，87–114（2002）【43】Drozdz，S.，Kwapień，J.，O'swiecimka，P.，Rak，R.：时间序列中多重分形微妙性的数量特征。《欧洲物理学快报》8860003（2009）[44]Drozdz，S.，O'swiecimka，P.：检测和解释复杂时间序列层次结构中的扭曲，Physical Review E 91030902（R）（2015）[45]Gr E ch，d.：多重分形内容的替代度量及其在金融中的应用。《混沌、孤子与分形》88183–195（2016）[46]Klamut，J.，Kutner，R.，Gubiec，T.，Struzik，Z。

R、 多重分形的新面貌：多分支性和事件间时间序列的相变。arXiv:1809.02674v3[质量清单]（2019年）。预印于：https://arxiv.org/abs/1809.02674（2019）[47]Pearson，K.：关于双亲情况下的回归和继承的注释。《伦敦皇家学会学报》（Proceedingsof the Royal Society of London 58，240–242（18 95）【48】Rodgers，J.L.，Nicewander，W.A.：《十三种看待相关系数的方法》。美国统计学家bf 42（1），59–66（1988）[49]蒋，Z–Q.，谢，W–J.，周，W–X.，索内特，D.：《金融市场多重分形分析：综述》。《物理学进展报告》，出版社（2019年）[50]Go pikrishnan，P.、Meyer，M.、Amaral，L.A.、Stanley，H.E.：《股票价格变化分布的三次定律》。《欧洲物理杂志》B 3，139–140（1998）【51】Drozdz，S.，Kwapień，J.，Grümmer，F.，Ruf，F.，Sp e th，J.，是不是当代金融波动更快地收敛到正常状态？。《波兰物理学学报》B 344293–4306（2003）[52]Drozdz，S.，Forczek，M.，Kwapień，J.，O'swi,ecimka，P.，Rak，R.：《股票市场回报分布：从过去到现在》。Physica A 383，59–64（2007）[53]Zhou，W.–X.：两个非平稳信号的多重分形去趋势互相关分析。《物理评论》E 77066211（2008）【54】Wato rek，M.、Drozdz，S.、O'swiecimka，P.、Stanuszek，M.：多重分形cr-oss–2012-2017年世界石油和其他金融市场之间的相关性。《能源经济》（EnergyEconomics）81874–885（2019）[55]马恩泰尼亚，R.N.：《金融市场的层次结构》。《欧洲物理学杂志》B 11，193–197（1999）[56]Kwapień，J.，O'swiecimka，P.，Forczek，M.，Drozdz，S.：不同时间尺度和波动大小的相关性最小生成树过滤。《物理评论》E950523 13（2017）。