苏木亚及其学术专著《基于谱聚类的金融时间序列数据挖掘方法研究》2017-03-07    文字:

 

一、简历

1.基本信息

姓名:苏木亚(Borjigin Sumuya)

出生年月:1983年10月

籍贯:内蒙古自治区通辽市奈曼旗

学历、学位:博士研究生、管理学博士

工作:内蒙古大学经济管理学院金融系、副教授、硕士生导师

研究方向:金融工程、数据挖掘与商务智能

联系方式:手机:15849344415/电子邮箱:sumuya@imu.edu.cn

2.教育背景

2000.09—2004.07,内蒙古大学理工学院数学系,国家数理学人才培养基地(基础数学),获理学学士学位

2004.09—2007.07,内蒙古大学理工学院数学系,应用数学专业(微分方程),获理学硕士学位

2008.09—2011.12,大连理工大学系统工程研究所,管理科学与工程专业(金融工程),获管理学博士学位

工作经历

2007.07—2008.07,内蒙古教育出版社,自然科学教材编辑部,编辑

2012.01—至今,内蒙古大学,经济管理学院金融系,教师

2015.07—至今,中国科学院,数学与系统科学研究院系统科学研究所,博士后

二、科学研究

论文发表:

1.苏木亚.基于谱聚类的金融时间序列数据挖掘方法研究[M].中国经济出版社, 2013

2. Borjigin Sumuya, Chonghui Guo. Non-unique cluster numbers determination methods based on stability in spectral clustering[J]. Knowledge and Information Systems, 2013(36): 439-458

3. Borjigin Sumuya, Chonghui Guo. Perturbation analysis for the normalized Laplacian matricies in the multiway spectral clustering method[J]. Science China Information Sciences, 2014(57), 112102:1–112102:17

4.郭崇慧,苏木亚.基于独立成分分析的时间序列谱聚类方法[J].系统工程理论与实践, 2011(10): 1921-1931

5.苏木亚,郭崇慧.基于主成分分析的单变量时间序列聚类方法[J].运筹与管理, 2011(6): 66-72

6.苏木亚,郭崇慧.基于谱聚类-独立成分分析-Granger因果检验模型的金融风险协同溢出分析[J].系统管理学报, 2015(1), 63–70

7.苏木亚,郭崇慧.全球主要股票市场对我国股市的多渠道协同波动溢出效应[J].管理评论, 2015 (11): 134-145

9.苏木亚,郭崇慧.基于谱映射的非线性Sharpe模型及其在基金投资风格识别中的应用[J].系统管理学报, 2015,录用

主持的项目:

1.有向加权网络上基于模式的谱聚类研究(61463039),国家自然科学基金项目

2.面向金融风险传播的有向加权图上的谱聚类研究(2014BS0706),内蒙古自然科学基金项目

3.基于有向加权网络的股票市场风险传染研究(2015M581192),中国博士后科学基金第58批面上资助项目

4.金融时间序列数据挖掘模型、算法研究及其在金融市场定量分析中的应用(30105-12 5116),内蒙古大学高层次人才引进项目

3.获奖与荣誉称号

1.大连理工大学优秀研究生, 2009

2.大连理工大学优秀研究生, 2010

3.光华奖学金, 2010

4.大连理工大学2011届优秀毕业生, 2011

5.大连市高校2011届优秀毕业生,2011

6.第五届内蒙古自治区哲学社会科学优秀成果政府奖二等奖, 2016

三、成果简介

1.成果名称

基于谱聚类的金融时间序列数据挖掘方法研究

2.成果类别

专著

3.主要内容

该专著围绕谱聚类方法及其在金融时间序列数据挖掘中的应用展开研究。在理论分析与算法设计部分提出两种谱聚类方法并对谱聚类矩阵进行扰动分析,另外还提出了两种基于成分分析的单变量时间序列谱聚类方法。在实际应用部分利用本文提出的算法首先对欧洲主权债务危机背景下的全球主要股指进行联动性分析,再对国内开放式基金的投资风格进行了识别。

(1)第一章,绪论。包括选题背景、研究意义和国内外相关文献综述以及存在的主要问题。

(2)第二章,基于稳定性的非唯一聚类数目确定方法。在理论分析的基础上提出了基于稳定性的非唯一聚类数目确定方法。在四组仿真数据集及三组UCI基准数据集上测试了算法的性能。

(3)第三章,谱聚类中包含聚类信息的特征向量组自动选取方法。在理论分析的基础上提出了谱聚类中包含聚类信息的特征向量组的自动选取方法。在六组仿真数据集、两组UCI基准数据集和一组股票数据集上测试了算法的性能。

(4)第四章,谱聚类矩阵的扰动分析。以矩阵扰动理论为工具对多路归一化割谱聚类方法的合理性进行说明。

(5)第五章,基于成分分析的单变量时间序列谱聚类方法。在分析利用成分分析法对单变量时间序列降维原理的基础上提出了两种基于成分分析的单变量时间序列谱聚类方法。在仿真数据集和真实股票时间序列数据集上对比了几种单变量时间序列聚类方法的聚类效果。

(6)第六章,谱聚类方法在金融时间序列数据挖掘中的应用。首先,以多路归一化割谱聚类方法为工具对欧洲主权债务危机下的全球主要股指进行联动性分析。其次,以多路归一化割谱聚类方法和独立成分分析法为工具对国内开放式基金进行投资风格识别进行研究。

(7)第七章,结论与展望。总结研究结论、主要创新点,并展望未来研究工作。

本专著的各章节之间有如下关系:在第一章介绍选题背景、研究意义和国内外相关研究情况的基础上总结存在的主要问题。在第二章和第三章针对已有方法的缺陷提出两种谱聚类方法。第四章的结论在理论上保证了第二章和第三章提出的算法的合理性。利用谱聚类方法对实际金融时间序列数据聚类时可能需要降维,因此在第五章结合成分分析法提出了基于成分分析的单变量时间序列谱聚类方法。第六章是第二章所提算法和第五章所提算法的实际应用。第七章为全文的总结部分。

4.理论方法

该专著围绕谱聚类方法及其在金融时间序列数据挖掘中的应用展开研究。其中在理论分析部分利用矩阵扰动理论和最优化理论对多路归一化割谱聚类方法进行了理论分析;在算法设计部分首先利用矩阵分析理论和优化理论设计了基于稳定性的非唯一聚类数目确定方法,其次利用矩阵理论、时间序列分析方法、多元统计方法和盲源分离模型提出了基于成分分析的单变量时间序列谱聚类方法;在实证分析部分,利用数据挖掘方法和GARCH、VAR、脉冲响应、方法分解、Granger因果检验模型、主成分分析法、独立成分分析法和Sharpe模型等对欧洲主权债务危机下全球主要股指的联动性和开放式基金的投资风格识别问题展开研究。

5.创新点

(1)通过对谱聚类的有效性和稳定性展开研究,首先能够找出数据集既合理又稳定的聚类数目,其次在理论上保证了多路归一化割谱聚类方法的合理性。

(2)通过对独立成分分析法应用于单变量时间序列降维原理进行理论解释,尤其通过分析独立成分分析法的含混性对其降维结果的影响,保证了基于独立成分分析的单变量时间序列谱聚类方法的合理性。

(3)通过利用多路归一化割谱聚类方法和独立成分分析法对真实金融时间序列数据进行分析,克服了传统定量分析方法需要较多的假设条件或性能较弱等缺点,提高了金融时间序列聚类分析效果。

6.实用价值与社会影响力

(1)谱聚类方法是综合性能较好的一种聚类方法。谱聚类具有易于执行、不对数据分布进行假设等优点。但是不论从理论分析、算法设计以及实际应用等角度看,谱聚类方法都有诸多问题尚未解决。研究成果有助于进一步丰富商务智能的理论和方法。

(2)金融时间序列数据广泛存在于实际的商业活动和经济生活中。金融时间序列数据分析的研究一直是学术界的热点之一。证券市场是最为活跃的金融市场之一,也是一个国家的“经济晴雨表"。股票和基金是两种重要的证券交易工具。与此同时,极其丰富并且公开的股票和基金历史数据的获取比较方便,因而本文的应用领域选择股票数据分析和基金数据分析。

(3)数据挖掘是一门极具发展前景的新兴交叉学科。金融时间序列数据挖掘方法能够有效地发现丰富的金融时间序列数据当中蕴含的知识和规律,为金融时间序列的深入分析提供了新的思路和视野。

综上所述,从研究角度看,该专著的成果对于丰富商务智能的理论和方法具有一定价值;从实用角度看,本书的研究成果对金融监管部门和金融机构以及投资者进一步了解金融市场的变化规律、进行有效的金融监管、提高投资效率等提供理论支持和技术支撑,并对促进金融市场技术分析理论与方法的不断创新与深入发展,丰富金融管理与投资分析的新方法和新思路等具有一定理论与现实意义。

该专著入选中国经济文库之应用经济学精品系列(二),并被北京大学图书馆、北京师范大学图书馆和内蒙古大学图书馆等90家高等学校的图书馆收藏。

-------- 相关新闻 --------

读取内容中,请等待...