论文部分内容阅读
特征提取的目的是获得能够被机器识别的数学特征。区别于传统的金融时间序列的特征提取与相似性度量方法,提出了一种基于径向基函数RBF神经网络一步预测误差序列特征提取与相似性度量方法。该方法将时间序列之间的相似性度量换化成特征矢量之间的相似性度量,并且建立了特征矢量与物理信息的关联,能够有效的检测出异常的金融交易行为模式。实验证明该方法相对于传统的直接距离、傅立叶变换、ARMA模型法具有明显优势。