DCCA互相关系数 理论
Cross-correlation analysis of stock markets using EMD and EEMD 源自2.4小节
DCCA方法是由Podobnik和Stanley[31]最近提出的,用于分析同时记录的非平稳时间序列之间的幂律互相关系,是互相关系研究的有力候选工具。因此,在以往的许多研究中,DCCA方法被用来研究相互关系[33-40]。DCCA过程可以简单描述如下:
考虑这两个时序:和,i=1,2,...,N,并且两时序长度相等为N。
σDCCA方法如下:
1. 序列概况可以表示为:
ps:减去均值不是必须的,因为在第三步去趋势部分会消除。
2. 对X和Y等长度划分s个不重叠的部分,一共个,=[N/s],而N可能不是时间尺度s的倍数,因此会出现剩余的情况,为了能考虑这个余部序列,同样的过程从每个时序【即X和Y】的另一端开始重复,因此可以得到2个小段。
ps:本文设定100<s<N/4
3. 由每个序列的最小二乘拟合,计算2小段每个的局部趋势,后续由和表示。然后计算原始时间序列与拟合多项式的差值:
第一个式子是正向的,先循环每个 小段里的时序i,再循环外部分的小段。
第二个式子是反向的。
4. 对所有分段求平均,得到波动函数:
5. 通过分析与s的对数曲线图,确定波动函数的缩放行为:。缩放指数λ表示两个时间序列 和 之间的互相关程度。
λ=0.5 缺乏互相关
λ>0.5 有持续的长期的互相关
λ<0.5 有反持续互相关
当只分析一个时间序列时(= ),去趋势协方差退化为。λ指数量化了长期幂律互相关[41,42],但λ不能量化互相关水平。
为了量化互相关的程度,我们可以应用DCCA互相关系数[32],定义为比率在去趋势协方差函数和去趋势方差函数之间,即:
上式将我们引入了非平稳时间序列的一种新的互相关尺度。σDCCA取值范围为 -1<=σDCCA<=1。σDCCA = 0表示序列之间不存在互相关,σDCCA = 1表示完全互相关,正相关,σDCCA = -1表示负相关。值得注意的是,有一个例外,如果和,都是随机序列,则σDCCA = 1,但两个随机序列不存在互相关关系。DCCA互相关系数在很多情况下都有应用。
参考文献:
[31] B. Podobnik, H.E. Stanley, Detrended cross-correlation analysis: a new method for analyzing two nonstationary time series, Phys. Rev. Lett. 100 (2008) 084102.
[32] G.F. Zebende, DCCA cross-correlation coefficient: Quantifying level of cross-correlation, Physica A 390 (2011) 614–618.
[33] B. Podobnik, D. Horvatic, A.M. Petersen, H.E. Stanley, Cross-correlations between volume change and price change, Proc. Natl. Acad. Sci. USA 106 (2009) 22079–22084. 30
[34] W.X. Zhou, Multifractal detrended cross-correlation analysis for two nonstationary signals, Phys. Rev. E 77 (2008) 066211.
[35] B. Podobnik, I. Grosse, D. Horvatic, S. Ilic, P.Ch. Ivanov, H.E. Stanley, Quantifying cross-correlations using local and global detrending approaches, Eur. Phys. J. B 71 (2009) 243–250.
[36] Z.Q. Jiang, W.X. Zhou, Multifractal detrending moving average cross-correlation analysis, Phys. Rev. E 84 (2011) 016106.
[37] A. Lin, P. Shang, X. Zhao, The cross-correlations of stock markets based on DCCA and time-delay DCCA, Nonlinear Dynam. 67 (2012) 425–435.
[38] A. Lin, P. Shang, H. Zhou, Cross-correlations and structures of stock markets based on multiscale MF-DXA and PCA, Nonlinear Dynam. 78 (2014) 485–494.
[39] D. Horvatic, H.E. Stanley, B. Podobnik, Detrended cross-correlation analysis for non-stationary time series with periodic trends, Europhys. Lett. 94 (2011) 18007.
[40] I. Gvozdanovic, B. Podobnik, D. Wang, H.E. Stanley, 1/f behavior in cross-correlations between absolute returns in a US market, Physica A 391 (2012) 2860–2866
[41] X. Zhao, P. Shang, Y. Pang, Power law and stretched exponential effects of extreme events in Chinese stock markets, Fluct. Noise Lett. 9 (2010) 203–217.
[42] J. Xia, P. Shang, J. Wang, Estimation of local scale exponents for heartbeat time series based on DFA, Nonlinear Dynam. 74 (2013) 1183–1190.
DCCA互相关系数 理论相关推荐
- DCCA互相关系数 实例 python
数据来源: PhysioBank ATM 下面资源还在审核的话,就用上面的链接下载 MIT- BIH 正常窦性心律数据 nsrdb-16265 针对数据ECG1和ECG2进行DCCA分析. 绿色为EC ...
- WPF 修改屏幕亮度
在 WPF 中可以使用 Dxva2 或 GDI 的方法调整屏幕亮度或获取屏幕亮度 比较推荐使用 Dxva2 的方法修改亮度,但不是所有的屏幕都支持的.假定某个设备有多个屏幕,此时可以使用 User32 ...
- etcd 笔记(01)— etcd 简介、特点、应用场景、常用术语、分布式 CAP 理论、分布式原理
1. etcd 简介 etcd 官网定义: A highly-available key value store for shared configuration and service discov ...
- LLVM数据流分析的理论
LLVM数据流分析的理论 标量优化(scalar目录): 死代码消除(BDCE.cpp[code],ADCE.cpp[code],DCE.cpp[code]), 全局值编号(GVN.cpp[code] ...
- 参数服务器训练基本理论
参数服务器训练基本理论 参数服务器训练是分布式训练领域普遍采用的编程架构,主要解决以下两类问题: • 模型参数过大:单机内存空间不足,需要采用分布式存储. • 训练数据过多:单机训练太慢,需要加大训练 ...
- ARM NEON指令集优化理论与实践
ARM NEON指令集优化理论与实践 一.简介 NEON就是一种基于SIMD思想的ARM技术,相比于ARMv6或之前的架构,NEON结合了64-bit和128-bit的SIMD指令集,提供128-bi ...
- CPU消耗,跟踪定位理论与实践
CPU消耗,跟踪定位理论与实践 一.性能指标之资源指标定位方案 1.打tprof报告方法 抓取perfpmr文件 60秒. perfpmr.sh 60 从结果文件中取出tprof.sum 或直接抓取t ...
- 机器学习入门(09)— 偏导数、梯度概念、梯度下降法理论和实现
1. 偏导数概念 对于式 4-6 而言 式(4.6)有两个变量,求导数时有必要区分对哪个变量求导数,即对 x0 和 x1 两个变量中的哪一个求导数.另外,我们把这里讨论的有多个变量的函数的导数称为偏导 ...
- 学习动力之“学习金字塔 (爱德加•戴尔)”理论
一.什么是学习金字塔? 学习金字塔是美国缅因州的国家训练实验室研究成果,它用数字形式形象显示了:采用不同的学习方式,学习者在两周以后还能记住内容(平均学习保持率)的多少.它是一种现代学习方式的理论.最 ...
最新文章
- Angular http跨域
- Eclipse进行可视化的GUI开发3大GUI插件
- 从头开始学习vue-router
- load styles.php,wordpress后台管理超时没反应:load-scripts.php载入缓慢出错
- Kotlin 第三讲——集合篇1
- MySQL架构设计相关的方式方法和软件介绍
- 笨办法学 Python · 续 练习 31:正则表达式
- android 浮层菜单弹出,Android PopupWindow实现微信右上角的弹出菜单
- linux ipc shmget 例子,Linux IPC之共享内存C 事例(示例代码)
- python连接mysql代码_Python连接MySQL的实例代码
- HTML5+CSS期末大作业:环保网站设计——环境保护(10页) 含设计报告 HTML+CSS+JavaScript 静态HTML环境保护网页制作下载 DIV+CSS环保网页设计代码...
- DOS-设置开机自启动
- 批处理bat下载FTP服务器上某个目录下的文件
- 搭建并实现智能DNS
- Java 笔试练习 01: T1~19
- 计算机显卡升级不符,电脑升级之显卡篇:电脑显卡也有升级需要,但显卡不匹配也用不了...
- 哔哩哔哩(B站)品牌投放,优质潜力up主如何找?
- 一分钟集成类似抖音、头条、腾讯视频、网易新闻、飞猪、咸鱼等常用标题栏
- C语言|博客作业04
- Java线程池「异常处理」正确姿势:有病就得治
热门文章
- Summary for linux
- 【QT实现TCP和UDP协议通信(二)】
- 论文笔记:Tip-Adapter: Training-free CLIP-Adapter for Better Vision-Language Modeling
- 中石油中石化的数字化变革:中国石油数字化油田迈入物联网与云计算时代!
- Esxi6.7-7.0设置自动启动无效原因
- 聊聊不确定性和确定性------化不确定性为确定性
- java五子棋聊天功能_Java基于享元模式实现五子棋游戏功能实例详解
- 2.4 设计评选优秀教师和学生的程序,其类结构如图 12.5 所示。当输入一系列教师 或学生的记录后,将优秀学生及教师的姓名列出来。 图 12.5 类结构 类 base char name[8]; 含
- “裸考”通过CATTI考试的经历
- 基于STM32F103单片机的智能药盒喂食器智能插座系统