时间序列K-means在金融数据因果推断与机制聚类中的应用
统计金融
2025-06-12 v7
摘要
本文研究了时间序列K-means（TS-K-means）在金融时间序列数据的因果推断与机制聚类中的应用。传统聚类方法如K-means常依赖静态距离度量（如欧氏距离），难以充分捕捉金融收益固有的时间依赖性。通过引入动态时间规整（DTW）作为距离度量，TS-K-means解决了这一局限，提升了时间依赖金融数据聚类的鲁棒性。本研究将加性噪声模型混合模型（ANM-MM）框架与TS-K-means结合，从而促进更精确的因果推断与机制聚类。该方法通过仿真验证并应用于真实金融数据，证明了其在增强复杂金融时间序列分析（特别是识别因果关系及基于潜在生成机制聚类数据）方面的有效性。结果表明，TS-K-means优于传统K-means，尤其在较小数据集上，同时在数据集规模变化时保持鲁棒的因果方向检测。
引用
@article{arxiv.2202.03146,
title = {Time-Series K-means in Causal Inference and Mechanism Clustering for Financial Data},
author = {Minheng Xiao},
journal= {arXiv preprint arXiv:2202.03146},
year = {2025}
}