نوفه زدايي از سري هاي زماني مالي با استفاده از آناليز موجك

Denoising of financial time series using wavelet analysis

هر مجموعه از ضرايب موجك بخشي از سري­زماني را در مقياس­ هاي زماني متفاوت در بر­دارد. پياده ­سازي تبديل موجك، با بهره ­گيري از بهترين موجك ­ها در سطوح مناسب تاثير بسزايي در نتايج تحليل­ هاي مالي خواهد­داشت. در اين پژوهش هدف، بيان اهميت مفهوم مقياس-زمان و به­ كارگيري فواصل زماني متفاوت در بررسي رفتار بازارهاي مالي است تا مشخص شود كه آيا حذف نوفه از سر ي­زماني مي­تواند دقت تصميم ­گيري ما براي آينده را بالا ببرد؟ بدين منظور ابتدا 16 شاخص انتخاب شده از بورس اوراق بهادار تهران به كمك نرم ­افزار R و با استفاده از تبدل موجك تا پنج سطح براي 250 داده تجزيه كرده وسپس از تمامي آن­ها نوفه ­زدايي نموديم. در مرحله بعد دو روش براي سنجش نوفه ­زدايي بكار برديم يكي خوشه ­بندي شاخص­هاي منتخب به روش دندروگرام و ديگري پيش ­بيني سري­زماني شاخص كل با500 داده وبا استفاده از داده­ هاي نوفه­ زدايي شده به دو روش موجك هار و دابشيز. نتايج هر دو روش حكايت از عملكرد بهتر نوفه ­زدايي با استفاده از موجك دابشيز در اين سري ­هاي زماني داشت. هدف اصلي ما به نوعي استفاده از آناليز موجك و نوفه ­زدايي از سري­ هاي زماني با استفاده از آن در مباحث مالي بود

every series of Wavelet coefficients includes part of time series in the scale of different time series. Implementation of the wavelet transform, using the best Wavelet at the right levels has significant impact on the results of the results of the financial analysis. the purpose of this study is to explanation of the importance of the concept of scale-time and the use of different time intervals in checking the behavior of the financial markets to be determined whether the removing noise from the time series can accurate the decisions we have to make in the future or not? Therefore we analyzed 16 selected index of the Tehran Stock Exchange using software "R" and using Wavelet transformation up to five levels for 250 data then put them all under noise removing process. In the next step we used two methods for evaluation the noise removing process. one clustering all the selected index in the dendrogram method and the other one time series predictions of total index which includes 500 data and the use of the data that has been noise removed into two methods of Haar wavelet and Daubechies. The results of both method claim better performance using Wavelet removing noise using Daubechies wavelet in this series. our main goal is using the wavelet analysis and noise removing from time series and using that in financial topics