在本文中,我们开发一种新方法来测量的非平稳时间序列之间的非线性相互作用的基础上,去趋势互关联系数分析。我们描述一个非线性相互作用可能是通过消除其他变量的影响在两个同时发生的时间序列。通过应用两个人为产生的信号,我们表明,该方法是可靠地工作来决定两个信号的互相关行为。我们还说明了这个方法的应用在金融领域和航空发动机系统。这些分析表明,提出的措施,来自去趋势互关联系数分析,可用于去除的影响其他变量之间的互相关两个同时发生的时间序列。
有许多实际系统的输出信号不稳定,表现出复杂的自相关或互相关在一个广泛的时间尺度。输出信号可以通过幂律特征的相关性。一个方法,已被证明是非常有用的检测两个固定变量之间的相互关系的程度,是皮尔逊相关系数(
然而,在实际的系统中,非线性和非平稳的特点。因此,PCC可能不适合描述两个变量之间的相互关系是非线性和非平稳的。处理PCC的缺点,消除趋势互相关分析(DCCA)方法和DCCA系数提出了斯坦利和Podobnik [
最近,多重分形分析的一个主要利益跨学科领域的研究人员发现和理解隐藏信息的扩展属性。在这些研究中,其中许多应用气象学的多重分形分析
两个变量之间的互相关可能受其他变量的影响。因此,我们必须警惕假相关而调查互相关的可能性。然后,偏相关和偏相关系数的方法因此提出衡量两个随机变量之间的关联程度(
最近,去趋势部分互相关分析和多重分形去趋势部分互相关分析(MFDPXA)可以测量之间的互关联非线性时间序列的影响提出了共同的外部力量(
为了消除伪相关,提高估计性能量化两个非平稳的时间序列之间的内在互动,本文提出的方法<我t一个lic> n我t一个lic>阶多重分形去趋势部分互相关分析,将多重分形去趋势的偏相关系数互相关分析。
剩下的纸是组织如下。在下一节中,我们介绍了多重分形DCCA系数方法和提出的方法<我t一个lic>
n我t一个lic>阶多重分形去趋势部分互相关分析。节
为了清晰起见,我们首先总结了多重分形的DCCA系数算法。两个系列<我nline-formula>
步骤1:构造每个系列的形象通过消除平均值:
在哪里<我nline-formula>
步骤2:把配置文件<我nline-formula>
步骤3:为每一个段<我nline-formula>
和<我nline-formula>
在哪里<我nline-formula>
第四步:计算多重分形去趋势协方差的平均波动函数<我nline-formula>
一般来说,<我nline-formula>
为<我nline-formula>
第五步:评估多重分形DCCA系数:
为<我nline-formula>
第六步:计算多重分形去趋势部分之间的互关联系数<我nline-formula>
命名为一阶多重分形去趋势偏互关联系数(一阶MFDPCC系数)<我nline-formula>
为<我nline-formula>
考虑之间的互相关<我nline-formula>
一般来说,<我t一个lic>
n我t一个lic>阶多重分形去趋势部分互关联系数(<我t一个lic>
n我t一个lic>阶MFDPCC系数)如下:
一般来说,<我t一个lic>
n我t一个lic>这些控制变量时阶部分互相关是必要的<我nline-formula>
为了测试提出的鲁棒性<我t一个lic>
n我t一个lic>-controlling-variables MFDPCC系数法、幂律地阐述时间序列<我nline-formula>
我们计算影响程度的函数<我nline-formula>
白噪声序列的影响<我nline-formula>
进一步例证的潜在效用<我t一个lic> n我t一个lic>-controlling-variables MFDPCC系数法分析真实世界的数据,我们研究每日收盘价十五包括圣保罗股市指数(IBOV),道琼斯指数(收),纳斯达克指数(NASDAQ指数),标准普尔500股票价格综合指数(SPX),富时全球股票指数系列(FISE),法国CAC - 40 (FCHI),德国DAX指数(GDAXI),日经255指数(N255),韩国综合指数(KS11),恒生指数(HSI),澳大利亚标准普尔200 (AS51),孟买指数(SENSEX),俄罗斯指数(RTS),上证综合指数(SSEC),和深圳综合指数(SZI)。数据集来自04年1月,1993年1月3日,2019年。
图
DCCA系数的均值之间的股票系列。
DCCA系数的均值之间SZI和股票市场在发达国家(GDAXI,最高峰,KS11 AS51)小于0.3。这表明SZI有弱与发达国家股票市场的关系。DCCA系数的均值SZI和恒生指数之间处于一种中间状态,这表明中国股票市场的互相关的存在。
接下来,我们分析的影响其他十三个股市之间的互相关特性SSEC SZI,通过应用一阶DPCC系数的影响程度。之间的互相关特性影响SSEC SZI,最大的影响程度<我t一个lic>
我我t一个lic>通过恒生指数= 0.05,显示了中国股市之间的信息交换,见图
一阶去趋势部分互相关的影响程度在股票市场和一阶多重分形去趋势的影响程度偏互关联系数在股市(嵌入)。
在分析过程中,我们观察到HSI SSEC之间的互相关特性的影响和SZI影响程度的函数<我nline-formula>
为了捕捉多重分形的变化之间的互相关两个非平稳的时间序列受到共同的外部力量,多重分形去趋势部分采用互相关分析(MFDPXA) (
的多重分形谱<我nline-formula>
在这里,我们使用MFDPXA方法进行互相关分析,给SZI和SSEC时间序列的多重分形谱的HSI在多重分形谱显示了重要影响,见图
应用于标量变量,一阶MFDPCC将检测的内在相互作用的控制变量的相关性。变量时间序列时,这个应用程序相当于删除零延迟的相关性,而延迟相关性不考虑
在本节中,我们估计的延迟效应HSI SSEC之间的相关性和SZI使用时间延迟的影响程度<我nline-formula>
延迟的时间延迟影响程度<我nline-formula>
我们现在分析的2-controlling-variables影响其他十三个股市之间的互相关特性SSEC SZI,给一组两个控制变量。在图
的影响程度2-controlling-variables去趋势部分互相关。
我们注意到结构的矩阵是对称的,十字路口的行元素<我t一个lic>
我我t一个lic>和列<我t一个lic>
j我t一个lic>表示控制变量的影响<我nline-formula>
关于影响程度<我nline-formula>
的影响程度2-controlling-variables多重分形去趋势部分互相关。
先前的研究表明,航空发动机气路参数,如低压转子转速(<我t一个lic>
NgydF4y2Ba1),高压转子速度(<我t一个lic>
NgydF4y2Ba2),燃料流量(WF)了解航空发动机系统中发挥重要作用[
标准的均值DCCA系数时间序列的航空发动机气路系统参数。
我们在这里调查之间的偏相关<我t一个lic> NgydF4y2Ba1,<我t一个lic> NgydF4y2Ba2给定一组八个控制变量,包括WF、废气温度(废气温度),<我t一个lic> NgydF4y2Ba2跟踪振动通道B (N2TB)、进气压力(P2),高压压缩机出口温度(T3)、低压压缩机出口温度(T2.5),和其他温度(T2和T2.95)。
在图
一阶去趋势部分互相关的影响程度在航空发动机系统和一阶多重分形去趋势的影响程度偏互关联系数在航空发动机系统(左上角图)。
结果的影响程度<我nline-formula>
此外,我们在上述应用MFDPXA方法<我t一个lic>
NgydF4y2Ba1,<我t一个lic>
NgydF4y2Ba2时间序列考虑T3共同的影响因素。它是观察从图
多重分形谱<我nline-formula>
这里,我们估计T3的延迟效应之间的相关性N1和N2使用时间延迟的影响程度<我nline-formula>
延迟的时间延迟影响程度<我nline-formula>
下一个观察问题的影响程度2-controlling-variables DPCC系数在航空发动机系统。我们现在分析两个控制参数之间的互相关的影响<我t一个lic>
NgydF4y2Ba1,<我t一个lic>
NgydF4y2Ba2。在图
的影响程度2-controlling-variables去趋势部分互相关为航空发动机系统。
关于影响程度<我nline-formula>
的影响程度2-controlling-variables多重分形去趋势部分互相关为航空发动机系统。
航空发动机的参数<我t一个lic> NgydF4y2Ba1,<我t一个lic> NgydF4y2Ba2选择显示引擎推力这取决于油门杆角。因此,它们之间的互相关是强大的。的温度和压力参数与许多因素有关,包括压缩机功率、燃烧效率、油门杆角,等等。因此,这些三组使航空发动机的动态交互功能。这些结果估计的影响,温度和压力参数之间的互相关<我t一个lic> NgydF4y2Ba1,<我t一个lic> NgydF4y2Ba2。
在本文中,我们提出了<我t一个lic> n我t一个lic>阶多重分形去趋势部分互相关分析方法和<我t一个lic> n我t一个lic>-controlling-variables多重分形去趋势部分互相关分析方法对于理解之间的交互两个非平稳的时间序列。比较这些新方法和经典的措施,介绍了影响程度的函数。然后,我们应用<我t一个lic> n我t一个lic>-controlling-variables多重分形去趋势部分互相关分析股票市场和航空发动机性能参数和测量的影响程度函数部分互相关在一个动态系统。
了解许多实际系统的输出信号表现出复杂的互相关,互相关和偏相关主题的调查。的信息<我t一个lic> n我t一个lic>变量MFDPCC帮助人们研究复杂系统的信息交换。给出了两个例子,股票市场和航空发动机系统。股票时间序列,我们的结果表明,关于关闭索引值,几乎没有中国股市之间的信息交换和欧美股市,而SSEC, SZI,恒生指数,通过一阶MFDPCC方法和2-controlling-variables MFDPCC,显示中国股市频繁和丰富的信息交换。对于航空发动机的性能参数,我们的结果表明,有一些发动机转子系统之间的信息交换和航空发动机参数,如高压压缩机的出口温度和燃料流量。
我们相信MFDPCC方法可用来检测内在多个动力系统之间的交互,因此它可以广泛应用于许多研究领域,如航空发动机健康监测系统和协方差的投资组合是用来探索资产收益之间的交互。
多重分形去趋势部分互相关分析是用于删除可能间接相关,但这也可能删除有价值的信息。这个问题需要进一步调查,实验和理论。因此,本文的结果应该被认为是在多重分形去趋势部分互相关分析的初步结果。因此,我们希望这项研究将扩展分析过滤信息。
股票市场数据用于支持本研究的发现可以从相应的作者。航空发动机的数据用于支持本研究的发现没有提供,因为商业秘密。
作者宣称没有利益冲突。
教育部的金融支持基金(中国教育部)项目批准号下的人文和社会科学19 yjc910001和中央大学的基础研究基金批准号3122014 k013感激地承认。