基于極值理論的非線性時間序列異常點診斷.pdf

1、隨著21世紀信息技術的突飛猛進，人們在收集和分析時間序列數(shù)據(jù)的能力已迅速提高，而且在對大量時間序列數(shù)據(jù)處理的過程中，日益發(fā)現(xiàn)了時間序列異常點的重要性，尤其在非線性時間序列中更是如此，如金融時間序列數(shù)據(jù)中異常點的挖掘意味著一種新的經濟模式的發(fā)現(xiàn)，而大多數(shù)金融時間序列表現(xiàn)為一定的非線性特征。因此，關于非線性時間序列的異常點診斷是一個有重要意義的數(shù)據(jù)挖掘任務。 研究表明異常點對標準時間序列分析有著嚴重的影響。Box、Jenkins、R

2、einsel(1994)[1]曾指出異常點對時間序列的模型識別、參數(shù)估計、診斷檢驗甚至預測都有重要的影響。而且這種影響在非線性時間序列中將更為嚴重，因為非線性模型的時間序列比線性時間序列有更強的“記憶”性，因而影響也更為持久。有人研究表明有些時間序列的非線性性就是由于異常點所引起的。傳統(tǒng)的時間序列分析中，異常點常被認為是“噪聲”數(shù)據(jù)或無用數(shù)據(jù)而加以排除。但是近年來，人們已經認識到異常點中可能蘊藏著大量有用的信息，這些信息在實際應用中有著

3、重要的參考和應用價值，如商業(yè)領域的客戶流失、網絡入侵、信用卡詐騙等。 遺傳算法(Genetic Algorithms)是一種啟發(fā)式的Monte Carlo演化算法，它模仿自然界進化原理和遺傳變異機制，可以在大范圍內自適應隨機地搜索復雜非線性函數(shù)的全局最優(yōu)解。本文主要利用“精英”策略的遺傳算法估計EXPAR(指數(shù)自回歸)模型的參數(shù)，這將極大地改善傳統(tǒng)方法的估計效率。 用檢驗的方法診斷時間序列異常點的一個關鍵就是決定檢驗統(tǒng)計