金融时间序列中加性异常值的鉴别与校正
《时间序列数据异常检测方法研究与应用》
《时间序列数据异常检测方法研究与应用》一、引言时间序列数据是按时间顺序排列的数据集，常用于各种领域如金融、医疗、工业等。
异常检测则是从这些数据中识别出与常规模式不符的异常点或异常事件的过程。
本文将深入探讨时间序列数据异常检测的方法，并分析其在实际应用中的效果。
二、时间序列数据异常检测的重要性时间序列数据异常检测在许多领域都具有重要的应用价值。
在金融领域，可以用于检测股价异常波动、交易欺诈等行为；在医疗领域，可以用于监测患者生理指标的异常变化，以实现早期预警和干预；在工业领域，可以用于监测设备运行状态，及时发现故障并进行维护。
因此，研究时间序列数据异常检测方法具有重要的现实意义。
三、时间序列数据异常检测方法1. 基于统计的方法基于统计的异常检测方法是通过计算数据的统计特征，如均值、方差、标准差等，来识别异常值。
这种方法简单易行，但需要预先设定阈值，且对于复杂的时间序列数据可能效果不佳。
2. 基于机器学习的方法（1）自回归模型：自回归模型通过分析时间序列的历史数据来预测未来的值，然后根据实际值与预测值的差异来判断是否为异常。
（2）循环神经网络（RNN）：RNN能够处理具有时间依赖性的数据，通过学习历史数据来预测未来的趋势和异常。
（3）无监督学习方法：如聚类算法和降维算法等，通过将时间序列数据映射到低维空间或不同的聚类中，来识别与常规模式不符的异常点。
3. 基于深度学习的方法（1）长短期记忆网络（LSTM）：LSTM是一种特殊的循环神经网络，能够有效地处理长时间依赖问题，适用于时间序列数据的异常检测。
（2）变分自编码器（VAE）：VAE通过学习正常数据的生成模型来识别与正常模式不符的异常点。
四、时间序列数据异常检测方法的应用以金融领域为例，基于机器学习的异常检测方法可以用于检测股价异常波动和交易欺诈行为。
首先，通过收集历史股价数据和交易数据，构建时间序列数据集。
然后，采用机器学习算法（如自回归模型、RNN等）对数据进行训练和预测。
时序预测中的异常值检测方法(八)
时序预测中的异常值检测方法随着大数据和人工智能的发展，时序预测在许多领域中变得越来越重要。
时序预测是指根据过去的数据来预测未来的趋势和模式，例如股票价格的预测、天气的预测、交通流量的预测等。
然而，时序数据中往往存在一些异常值，这些异常值可能会严重影响预测的准确性。
因此，在时序预测中，异常值的检测和处理显得尤为重要。
一、基本概念时序数据是按时间顺序排列的数据，它具有时间相关性和时间趋势。
异常值是指与其他观测值明显不同的观测值，它可能是由于测量误差、设备故障或者系统变化导致的。
在时序数据中，异常值可能表现为突然的波动、超出正常范围的极端值等。
二、常见的异常值检测方法1. 统计方法统计方法是最常见的异常值检测方法之一。
这种方法通常使用均值、标准差、分位数等统计量来识别异常值。
例如，可以通过计算数据点与均值的偏差来确定是否为异常值，偏差超过某个阈值则被认为是异常值。
这种方法简单直接，但对数据的分布假设要求较高，而且对于非正态分布的数据效果不佳。
2. 箱线图方法箱线图方法是一种可视化的异常值检测方法。
它通过绘制箱线图来展示数据的分布情况，并根据箱线图中的异常值判断数据的偏离程度。
箱线图方法适用于数据量较大的情况，并且能够直观地显示异常值的位置和数量。
3. 机器学习方法机器学习方法在近年来在异常值检测中得到了广泛应用。
基于机器学习的异常值检测方法可以利用各种算法来识别异常值，例如孤立森林算法、支持向量机算法等。
这些方法能够更好地适应数据的复杂性，能够处理高维数据和非线性关系，但是需要大量的训练数据和计算资源。
三、时序预测中的异常值处理在时序预测中，异常值的存在会对模型的准确性产生负面影响。
因此，需要对异常值进行处理，常见的处理方法包括删除异常值、替换异常值、平滑异常值等。
1. 删除异常值删除异常值是最简单的处理方法之一，但是也是最具有争议的方法。
因为删除异常值可能会导致数据的丢失，从而影响模型的建立和预测效果。
时间序列中的数据异常检测算法实现与比较
时间序列中的数据异常检测算法实现与比较随着数据科学的兴起，数据异常检测成为了数据分析中重点研究的问题之一。
在大量数据中，有可能存在着数据异常（outliers），它们可能是数据采集过程中的噪声，也可能是数据本身的异常。
检测和处理这些数据异常可以避免错误的分析结果和预测值，进一步提升数据分析的准确性和可靠性。
在时间序列中，每个数据点都有一定的时间顺序关系。
那么如何对时间序列的数据异常进行检测呢？下面将介绍时间序列数据异常检测的算法实现与比较。
一、基于统计方法的异常检测算法统计方法是常见的异常检测算法之一，利用常规统计方法对数据进行分析，判断其是否超出正常范围。
常用的统计方法包括均值、标准差、中位数等。
1. 均值检测方法均值检测方法考虑的是潜在的偏差。
先算出时间序列样本的均值，然后计算每个样本值与均值之间的差值，如果差值超过了预设的阈值，就认为该样本值是一个异常值。
均值检测方法的基本思想是把数据集看成一个整体，在这个整体中如果有数据点偏离了均值就认为这是一个异常。
2. 离群值检测离群值检测算法是一种广为使用的统计方法，基于定义数据点与群体的偏离程度。
方法的核心是对数据点进行聚类或分类，然后对每个聚类或分类结果的中心点以及每个点与中心点的距离进行计算，找到距离较大的点，将其识别为异常点。
二、基于机器学习的异常检测算法机器学习在异常检测中的应用越来越广泛。
通过机器学习算法的训练，可以有效的发掘并识别出数据的异常值，进一步提升数据分析的准确性和可靠性。
1.随机森林随机森林是一种决策树的集合模型，可以有效的应用于异常检测问题。
随机森林的基本原理是，对于训练数据进行预处理和特征提取，然后利用随机子采样和特征选择的方式，实现对数据的分类。
对于每个数据点，首先对其所在的叶子节点进行判断，然后根据随机的验证集进行评估，如果评估值超出阈值，则将数据点识别为异常。
2. KNN算法k最近邻算法是另一种常见的机器学习算法，主要的思想是由k个最相似的点构建一个模型，然后对每个样本进行预测。
数据清洗与整理中的时间序列处理方法与技巧(一)
数据清洗与整理中的时间序列处理方法与技巧引言数据清洗与整理是数据分析的前提步骤，而在进行时间序列数据的处理时，更需要一些特殊的方法与技巧。
本文将介绍一些常用的时间序列处理方法与技巧，帮助读者更好地进行数据清洗与整理。
一、异常值处理异常值在时间序列数据中是一种常见的情况，可能由于设备故障、数据录入错误等原因产生。
为了准确分析时间序列数据，需要对异常值进行处理。
常用的方法有：1. 简单移动平均：通过计算一段时间内的平均值，将异常值替换为该平均值，从而平滑曲线。
2. 离群点检测：利用统计学方法，如Z-分数或箱线图，判断是否为异常值，然后可以删除或修正这些值。
二、缺失值处理在时间序列数据中，缺失值的存在会对后续分析产生不良影响，因此需要对其进行处理。
以下是一些处理方法：1. 删除法：如果缺失值的比例较低，则可以直接删除带有缺失值的样本或特征。
2. 插值法：通过插值方法填充缺失值。
常用的插值方法有线性插值、多项式插值和样条插值等。
三、平稳化处理时间序列数据通常存在趋势性和季节性的变化，这给后续的分析带来了困难。
为了消除这些不稳定性，需要进行平稳化处理。
以下是一些常见的平稳化方法：1. 对数变换：将数据取对数，可以减小数据的波动幅度。
2. 差分法：通过计算相邻观测值之间的差异，消除数据的趋势和季节变化。
3. 移动平均法：计算一段时间内的平均值，减少数据的高频波动。
四、周期性分析时间序列数据中常常存在一定的周期性变化，对于周期性分析可以采取以下方法：1. 自相关图：绘制不同滞后值的自相关系数，用于观察数据的相关性模式。
2. 傅里叶变换：将时间序列信号转换为频谱信号，可以观察数据中的周期性成分。
3. 季节图：绘制每个季节中的观测值，用于观察季节性的变化。
五、趋势分析时间序列数据中的趋势变化对于预测和决策至关重要，以下是一些常见的趋势分析方法：1. 线性趋势分析：利用最小二乘法拟合一条直线，通过斜率判断数据的趋势。
金融数据分析中的极值检测与异常点处理方法研究
金融数据分析中的极值检测与异常点处理方法研究引言金融数据分析已经成为决策者们制定战略和规划的重要依据。
然而，金融数据中常常存在一些极端值或异常点，这些值可能对数据的分析和模型构建产生不良影响。
因此，研究金融数据中的极值检测与异常点处理方法对于确保数据的准确性和提高决策质量至关重要。
本文将介绍金融数据分析中常用的极值检测与异常点处理方法，并分析它们的优劣和适用场景。
一、极值检测方法1.1 基于统计学方法的极值检测基于统计学方法的极值检测是最常用的一种方法。
其中，最常见的是基于均值和标准差的Z-score方法。
该方法计算每个数据点与均值之间的标准偏差，并将超过给定阈值的数据点识别为极值。
然而，该方法对于非正态分布的数据效果较差，而且对于极值较多的金融数据也容易受到干扰。
另一种基于统计学方法的极值检测方法是基于百分位数的方法。
该方法通过计算数据点的百分位数，并将超过给定阈值的数据点识别为极值。
这种方法不需要假设数据服从特定的分布，相对于Z-score方法更具鲁棒性。
然而，该方法在处理极度稀有事件的极值时效果较差。
1.2 基于距离的极值检测基于距离的极值检测方法通常用于检测数据空间中的局部异常或离群点。
其中，最常见的方法是K近邻算法。
该方法通过计算数据点与其K个最近邻之间的距离来确定异常点。
距离较大的数据点会被识别为异常点。
该方法对于多变量数据和非线性关系的检测效果较好，但对于高维数据和大数据集的运算复杂度较高。
另一种基于距离的极值检测方法是孤立森林算法。
该方法基于随机森林的构造思想，通过构建一颗包含尽可能少的异常点的二叉搜索树来识别异常点。
该方法适用于高维数据和大数据集，并且对于噪声数据具有较好的鲁棒性。
然而，当数据中存在多个异常点时，孤立森林算法的效果可能会下降。
二、异常点处理方法2.1 数据清洗数据清洗是处理异常点的首要步骤。
在清洗过程中，可以使用一些基本的数据处理方法，如去除重复值、缺失值和异常值。
异常值的检验方法和判断标准
异常值的检验方法和判断标准1. 引言1.1 异常值的重要性异常值在数据分析中扮演着至关重要的角色，它们可能会对我们的分析结果产生影响，甚至导致我们做出错误的决策。
正确地检测和处理异常值至关重要。
异常值可能会影响我们对数据集的整体分布的理解。
如果数据中存在异常值，那么数据的均值、方差等统计量可能会被扭曲，从而误导我们对数据的解读。
通过寻找和排除异常值，我们可以更准确地描述数据的特征。
异常值也可能会影响我们建立的统计模型的准确性。
在一些情况下，异常值可能会对模型参数的估计造成严重偏差，从而影响我们对数据的预测能力。
及时发现和处理异常值可以提高我们建立的模型的质量。
1.2 异常值的定义异常值是指在数据集中与其他观测值明显不同的数值，它们可能是由于测量误差、数据录入错误或者真实现象导致的极端数值。
异常值在数据分析中具有重要性，因为它们可能对统计分析和模型建立产生影响，导致结果不准确或失真。
异常值的存在会影响数据的分布、均值和方差等统计性质，因此在数据处理和分析过程中需要进行检测和处理。
通常情况下，异常值可以通过与数据的整体分布进行比较来确定，例如通过绘制箱线图、直方图或散点图等可视化方法来识别异常值。
除了可视化方法外，统计学方法如Z-score、IQR等也常用于检测异常值。
机器学习方法如聚类分析、异常检测算法等也可以用来识别异常值。
专家经验在实际数据处理中也是重要的，经验丰富的专家可以通过直觉和经验判断数据中的异常值。
异常值在数据分析中起着重要作用，正确的检测和处理异常值可以确保数据分析结果的准确性和可靠性。
在实际应用中，我们需要综合考虑不同的方法来识别异常值，并根据具体情况选择合适的处理方法。
2. 正文2.1 可视化方法可视化方法是一种直观、直觉的异常值检验方法，通过图形展示数据的分布情况，可以帮助我们识别异常值。
常用的可视化方法包括箱线图、散点图、直方图等。
箱线图是一种常用的可视化方法，可以直观地展示数据的中位数、四分位数和异常值情况。
时序预测中的异常值检测方法
时序预测中的异常值检测方法时序预测是一种重要的数据分析方法，它在各种领域中都有广泛的应用，如金融、医疗、气象等。
然而，在实际应用中，时序数据往往会受到各种异常值的影响，从而影响到预测的准确性。
因此，异常值检测在时序预测中具有重要的意义。
本文将介绍几种常用的异常值检测方法，并对它们的优缺点进行分析。
首先，一种常用的异常值检测方法是基于统计学的方法。
这种方法主要是利用统计学的原理和方法来检测异常值。
例如，常用的方法有均值-标准差方法、箱线图方法等。
其中，均值-标准差方法是通过计算数据的均值和标准差，然后判断数据是否落在均值加减若干倍标准差的范围内来进行异常值检测。
而箱线图方法则是通过计算数据的四分位数范围来判断异常值。
这两种方法都比较简单易行，但是在一些情况下可能会对正常数据误判为异常值，因此在实际应用中需要谨慎选择阈值。
除了统计学方法外，基于机器学习的异常值检测方法也得到了广泛的应用。
机器学习方法能够更好地挖掘数据的内在特征，从而提高异常值检测的准确性。
常见的机器学习方法包括孤立森林、LOF（局部异常因子）、One-Class SVM等。
其中，孤立森林是一种基于树的方法，它通过构建随机森林来寻找异常值。
而LOF方法则是通过计算每个数据点周围的密度来判断异常值。
这些方法在实际应用中通常会比统计学方法更准确，但是需要大量的数据和计算资源来进行训练和预测。
另外，基于时间序列模型的异常值检测方法也是一种常见的方式。
时间序列模型能够更好地捕捉数据的动态特性，因此可以更准确地判断异常值。
常见的时间序列模型包括ARIMA、SARIMA、LSTM等。
这些模型通过对数据进行建模和预测，然后根据预测误差来判断异常值。
这种方法在时序预测中具有很好的效果，但是需要更多的领域知识和技术经验来进行应用。
综上所述，异常值检测在时序预测中具有重要的意义。
不同的异常值检测方法各有优缺点，在实际应用中需要根据具体情况来选择合适的方法。
金融数据科学中的异常值检测算法研究
金融数据科学中的异常值检测算法研究随着金融数据的规模和复杂程度不断增加，传统的统计学方法已无法满足金融数据分析的需求。
因此，采用数据科学方法对金融数据进行分析已成为趋势。
在数据科学中，异常值检测是一项重要任务，而在金融数据科学中更是不可或缺的一部分。
金融数据中的异常值可以被定义为与大多数数据在数量级或属性方面明显不同的数据点。
异常值可能是因为数据输入错误、数据采集偏差、异常事件或欺诈行为。
如果不及时发现和处理，异常值会导致预测模型的偏差，影响金融机构的决策和业务流程。
因此，异常值检测的算法是金融数据科学中的关键算法之一。
下面，将介绍金融数据科学中常用的异常值检测算法。
1. 箱线图法箱线图法是一种传统的异常值检测算法，适用于一维数据。
箱线图由五个元素组成：最小值、第一四分位数、中位数、第三四分位数和最大值。
异常值是小于下四分位数或大于上四分位数1.5倍四分位距的数据点。
该方法简单易用，但只适用于单变量数据的检测。
2. Z-score法Z-score法是通过计算每个数据点与平均值的标准差之间的差异来检测异常值。
z得分是指将每个数据点减去整个数据集的平均值，然后除以总体标准差。
异常点是z得分大于或小于某个阈值的数据点，通常为3或2.5。
该方法适用于一维和多维数据的检测，但对于非正态分布的数据效果可能有所降低。
3. 孤立森林法孤立森林法是一种基于树形结构的异常值检测算法。
该算法首先构建一棵随机树，将所有数据点随机划分到不同的叶子节点中。
然后，根据数据点所在的叶子节点的深度估计数据点的异常值得分。
异常值得分越低，表示数据点越可能是异常值。
该方法适用于高维数据的检测，但需要调整模型参数来获得最佳结果。
4. Mahalanobis距离法Mahalanobis距离法是一种基于多元正态分布的异常值检测算法。
该算法计算每个数据点与整个数据集的马氏距离，而不是欧几里得距离。
马氏距离考虑了数据的协方差矩阵，因此对于相关性高的数据可以更准确地检测异常值。
基于时间序列的异常值检测方法
基于时间序列的异常值检测方法随着数据科学的迅速发展，时间序列数据的异常检测在许多领域中变得越来越重要。
时间序列数据是按照时间顺序排列的数据集合，例如股票价格、气温、交通流量等。
异常值检测是指在给定数据集中寻找与其他观测值显著不同的数据点。
异常检测对于金融市场的交易、工业生产中的设备故障监测、医疗诊断中的疾病监测等领域都有着重要的应用。
针对时间序列数据异常值检测的方法有很多种，本文将介绍几种常用的方法及其优缺点。
一、基本统计方法基于统计的方法是最简单直接的异常值检测方法之一。
通常使用均值、中位数、标准差等统计量来描述数据的分布，然后将与这些统计量显著不同的值定义为异常值。
如果某个数据点的值远远超出了平均值加减多少个标准差的范围，则可以将其定义为异常值。
虽然基于统计的方法简单易懂，但是这种方法对于数据的分布形态要求较高，且对于噪声干扰较大的数据处理效果不佳。
二、移动平均法移动平均法是一种基于时间序列的平滑技术，其基本原理是通过取一定大小的时间窗口，在这个窗口内计算数据点的平均值，然后将得到的平均值作为该窗口的中心点。
当某个数据点与其所在窗口的平均值相差较大时，即可将其定义为异常值。
移动平均法能够消除噪声的影响，对于周期性变化的数据也有较好的适用性，但是对于窗口大小的选择有一定的主观性，并且在窗口大小选择不当时容易漏检或误检。
三、时间序列分解方法时间序列分解是将时间序列数据分解为趋势、季节和残差三个部分的方法。
异常值通常会体现在残差部分，因此可以通过检查残差的值来进行异常值检测。
时间序列分解方法能够较好地处理周期性变化和趋势变化，但是对于季节性较为复杂的数据效果不佳。
四、机器学习方法除了基础的统计方法和时间序列分析方法外，机器学习方法也被广泛应用于时间序列的异常值检测中。
常见的机器学习方法包括基于规则的方法、基于聚类的方法、基于分类的方法以及基于异常检测算法的方法。
这些方法有着较强的适用性，能够较好地处理各种复杂的时间序列数据，但是需要大量的训练数据和参数调优，且实现起来相对较为复杂。
python 时间序列异常值处理
Python时间序列异常值处理时间序列是指按照时间顺序排列的一系列数据点的集合。
在实际应用中，时间序列数据往往会存在异常值，这些异常值可能是由于测量误差、设备故障、人为错误等原因引起的。
处理时间序列数据中的异常值对于准确分析和预测具有重要意义。
本文将介绍如何使用Python来处理时间序列数据中的异常值。
我们将讨论以下几个方面：1.异常值检测方法2.异常值处理方法3.Python库介绍4.示例代码和实践案例1. 异常值检测方法在开始处理时间序列数据中的异常值之前，首先需要进行异常值检测。
以下是几种常用的异常值检测方法：1.1 基于统计学方法基于统计学方法是最常见和简单的异常检测方法之一。
它基于样本数据的统计特性来判断是否存在异常点。
常用的统计学方法包括：•均值与标准差检测法：假设正态分布，通过计算样本数据与均值之间的差异来判断是否为异常点。
•箱线图法：通过绘制箱线图来识别是否存在超出上下限范围之外的数据点。
•Z-Score法：计算数据点与均值之间的差异，并将其标准化为Z-Score，根据设定的阈值来判断是否为异常点。
1.2 基于机器学习方法除了基于统计学方法之外，还可以使用机器学习方法来检测时间序列数据中的异常值。
常用的机器学习方法包括：•聚类分析：通过将数据点分组成簇，检测与其他簇不同的簇作为异常点。
•孤立森林：通过构建一棵随机分割树来检测孤立的数据点作为异常点。
•支持向量机：通过将正常样本和异常样本映射到高维空间中，利用超平面来分离正常和异常样本。
2. 异常值处理方法一旦检测到时间序列数据中的异常值，我们可以采取以下几种处理方法：2.1 删除异常值最简单的处理方式是直接删除掉检测到的异常值。
这种方式适用于异常值对整体分析结果影响较小或者无关紧要的情况。
但需要注意，在删除异常值之前需要进行充分的验证和确认。
2.2 替换异常值当删除异常值会导致丢失重要信息或者数据量过少时，可以考虑将异常值替换为其他合理的数值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
０ 引 言
金 融 时 间序 列 是 记 录 金融 市 场 的交 易 数 据 ．但 经
Ａ ＭＡ模 型 中 出 现 的异 常 值 情 况 下 参 数 估计 和 检验 的 Ｒ 研 究 表 明 ．异 常值 的 出现 影 响 了参 数 估 计 和 检 验 的有 效 性 ：ｒｎｅ Ｆａｓｓ＆ Ｇ ｉｅｓＩＣ ａ ｅ ｈ ｓｌＩ，ｈｒ ｓ＆ Ｄ ｍｅ２ 别 对 ｊ ］ ｌ ａ 分 Ｅ ］
ＧＡＲ ＣＨ（ ． ）ｍｏ ｅ ｏ ｆ ａ ｃ ａ ｔ ｅ ｅ ． １１ ｄ ｌ ｎ ｎ ｉｌｉ ｓｒ ｓ ｔ ｉ ｍｅ ｉ
关 键 词 ： 融 时 间序 列 ； 性 异 常值 （ Ｏ）鉴 别 与 校 正 ； Ａ Ｈ（ ， ） 型 金 加 Ａ ； Ｇ ＲＣ １ １模
Ｋｅ ｒ ｓ ｆ ａ ｃａ ｉ ｓｓｒ ｓ Ａｄ ｉｖ ｕｅｌ ｒ（ ｙ ｗｏ ｄ ： ｎ ｎ ｉｌ ｍｅ ｅ ｅ ； ｄｔ ｅＯ ｔｒ ｅｓ ＡＯ） ｉｅ ｔ ｃ ｔ ｎ ａ ｄａ ｊｓｍｅ ； ｉ ｔ ｉ ｉ ｉ ； ｎｉ ａｉ ｎ ｄｕ ｔ ｔＧＡＲＣ １ １ ｄ ｆ ｏ ｉ Ｈ（ ， ）ｍｏ ｅ ｄｌ
的 鉴 别 和 校 正 做 了初 步 的 研 究 Ｅ ｇｅ４ Ｂ ｌ ｒｌｖｓ ｎ ｌｆ和 ｏｌ ｅ ｒ ｒＳｏ ｅ ｍｏ ｅ ｒ ｅ ｔｄ ｂ Ｂ ｓ ｔ ｔ ｓＴ ｅ ｒ ｓ ｌ ｓ ｏ ｈ ｒ ｃ ｄ ｒ ｓｅｆ ｃｉｅ． ｆ ｒ ｄ ｌ ｎ ｒ０ ｆ ｈ ｄ ｌａ ｅ ｔｓｅ ｙＪ ｔ ｉ ｉ ｈ ｅ ｕ ｔ ｈ ｗｓｔｅ ｐ ｏ ｅ ｕ ｅ ｉ ｆ ｔ ｔ ａ ｓｃ ｅ ｖ ａｔ ｅ ＡＯｓ （ ｄ ｉ ｖ ｔ ｒ ｅ ｓ Ａ ｄｔ ｅ Ｏｕ ｅｌ ｒ ） ｉ ｉ
ａｊｓ ｅｔ Ａ Ｃ （ ， ）ｍ ｄｌ ａ ｔ ｘｅｓｋｒ ｓ ｎ ｏａ ｌｙｃｕｔｒ ｇｏ ｎｎｉ ｉ ｅｙｗ ｌ ａｉｓ ｅｂ ｓｏ ｄ ｔ ｎ，Ｇ Ｒ Ｈ １ １ ｏｅ ｃｎｆ ｃｓ ｕｔ ｉ ａｄｖｌｔｉ ｌｓ ｉ ｆ ａｃ ｌ ｍｅｖｒ ｅ ，ｄ ｔ ｔ ｉ ｆ ａ ｕｍ ｉｅ ｏｓ ｉｔ ｅｎ ｉ ｆ ａｔ ｌ ｕ ｓｈ ａ
摘 要 ：借 鉴 Ｆａ ｓ ｎ １ ｅＬ（ ９ ９ 和 Ｃ ａ ｅ ａ ｄ Ｄ ｍｅ （ ０ ５ 提 出的 鉴 别和 校 ｉ 金 融 序 列 加 性 异 常值 的 方 法 。 ｒｍｅ ａ ｄ Ｇｌ ｓｌ １ ９ ） ｉ ｊ ｈｒ ｓ ｎ ａ Ｔ ２０ ） ｌ Ｍ ｆ ＿ 以
Ｇ ＲＣ 模 型 为例 ， Ａ Ｈ 对我 国的 上证 综合 指 数 和 深圳 成 分 指数 进 行 了加 性 异 常值 的 鉴 定 与校 正 ． 并对 校 正 后 的 残差 进行 了正 态检
ｉ ｎ ｎ ｉ ｌＴｉ ｅ Ｓ ｒｅ ｎ Ｆｉ ａ ｃ ａ ｍ ｅ ｉｓ
张学 功 Ｚ ａ ｇＸｕ ｇ ｎ ｈ ｎ ｅ ｏ ｇ
（ 中科 技 大 学 经 济学 院 ． 汉 ４ ０ ７ ） 华 武 ３ ０ ４
（ｃ ｏ ｌ ｆＥ ｏ ｏ ｃ ， ａｈ ｎ ｎｖ ｒｉ ｆ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ， ｈ ｎ４ ０ ７ Ｃｈｎ ） Ｓ ｈ ｏ ｃ ｎ ｍｉｓ Ｈｕ ｚｏ ｇＵ ｉｅｓｔ ｏ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ Ｗｕ ａ ３ ０ ４， ｉａ ｏ ｙ Ｓ
Ａｂ ｔａ ｔ ｓｒ ｃ：Ｍｅｈ ｄ ｏ ｄｔ ｅＯｕｅｌ ｒ ｄ ｎｉｃ ｔ ｎ ｐｏ ｅ ｕｅ ｅ ｅｏ ｅ ｙＦ ａ ｓｓａ ｄ Ｇ ｉ ｅｓ （ ９ ９）ａ ｄ ｈ ｒｅ ｎ ｔｏ ｆ Ａｄ ｉｖ ｔｒｅｓＩｅ ｔ ａｉ ｒｃ ｄ ｒ ｄ ｖ ｌｐ ｄｂ ｒｎ ｅ ｎ ｈｊ ｌ １ ９ ｉ ｉ ｉ ｆ ｏ ｓ ｎ Ｃ ａｌｓａ ｄ
Ｖａ ｅＥ ｇｎｅｉｇＮ ．， ０ ｌ ｎｉｅｒ ｏ２ ０ ９ ｕ ｎ ２
价值 工 程 ２０ ０ ９年 第 ２期
金 融时间序列 中加性异常值 的鉴别与校正
Ｉｅ ｔ ｃ ｔ ｎａ ｄＡｄｕ ｔ ｎ ｆ ｄｔ ｅＯｕｅｌ ｒ ｄ ｎｉ ａｉ ｎ ｊ ｓｍｅ ｔ ｉｖ ｔｒｉ ｓ ｉ ｆ ｏ ｏ Ａｄ ｉ ｅ
Ｄａ （ ０ ５ ｓｕ ｅ ｎｅｔ ｔ ｎｏ ｍｅ ２ ０ ）ｉ ｓ ｄｉ ｓｉ ｉ ｆａＧＡＲＣ （ ， ）ｍｏ ｅ． Ｓ ｏ ｏｉ ｎ ｅ ｎ Ｚ Ｅ ｃ ｍｐ ｎ ｎ ｎ ｅ ｒ ｓｄｔ ｔｈ ｍａ ｏ Ｈ １１ ｄ １ Ｓ Ｅ ｃ ｍｐ ｓ ｅｉｄ ｘａ ｄ Ｓ Ｓ ｏ ｏ ｅ ｔｉｄ ｘａｅｕ ｅ ｏｆ ｅ ｔ ｉｔ
常会 遇到非 可控 和意料之外 的非 重复信息 的干扰 ． 比
如颁 布 新 监 管政 策 、 大 灾 难 、 重 或政 治 上 的原 因 的影 响
Ａ Ｃ Ｒ Ｈ模 型中出现 的异常值 问题的处理问题做了初步
的研 究 国 内对 于 时 间 序列 中 隐含 异 常 值 的鉴 别 以及 相 应 的模 型参 数 估 计 的 修 正 问题 的研 究 尚 未开 展 本 文 以金 融 时 间 序 列 中 常 用 的 ＡＲＣ Ｈ模 型 为 例 ． 对 Ａ Ｃ 模 型 中 的 加 性 异 常 值 （ ｄｉｖ ｕｌ ｒＡ ＲＨ Ａ ｄ ｉ Ｏ ｔｅ． Ｏ） ｔｅ ｉ
验 。 果表 明该 方 法 效 果显 著 ， 行 异 常值 校 正 后 的 Ｇ ． Ｈ（ ， ）更好 地拟 合 金 融 时 间序 列 中的 尖峰 厚 尾 和 波 动丛 聚性 的特 结 进 ＡＰＣ １ １ ，
性， 纠正 了正 态 分布 的 Ｇ ＲＣ １ １ 对 时 间序 列拟 合 的偏 误 Ａ Ｈ（ ， ）