本发明涉及金融分析，尤其涉及一种金融时序数据的处理方法。
背景技术：
1、传统金融分析依赖于线性模型和随机性假设，而金融市场的非线性、复杂性和混沌特性通常被忽视；不能很好地捕捉金融市场中的非线性和混沌现象，这导致了对市场行为的不准确理解。传统投资分析主要关注基本面和技术指标，忽略了市场参与者的情感和情感对市场的影响；情感分析的重要性被低估，而市场情感波动引发不合理的价格波动。
技术实现思路
1、基于此，有必要提供一种金融时序数据的处理方法，以解决至少一个上述技术问题。
2、为实现上述目的，一种金融时序数据的处理方法，所述方法包括以下步骤：
3、步骤s1：获取金融时序数据；对金融时序数据进行混沌轨迹映射，从而获取金融时序浸润数据；对金融时序浸润数据进行分形采样并进行多尺度分析，从而获取分形嵌套金融时序数据；
4、步骤s2：对分形嵌套金融时序数据进行金融复杂度指标计算，从而获取金融复杂度数据；对金融复杂度数据进行混沌特性提取，从而获取金融混沌特性数据；
5、步骤s3：利用金融混沌特性数据对分形嵌套金融时序数据进行金融网络模型构建，从而获取金融网络模型；对金融网络模型进行投资情感分析，从而获取金融资金流动数据；
6、步骤s4：根据金融资金流动数据对分形嵌套金融时序数据进行高维数据嵌入，从而获取高维空间数据；对高维空间数据进行非线性因果分析，从而获取金融高维嵌入数据；
7、步骤s5：对金融高维嵌入数据进行自适应组合优化，从而获取自适应组合权重数据；基于自适应组合权重数据进行异构分布交易执行，从而获取异构分布交易数据；利用异构分布交易数据对金融高维嵌入数据进行市场流动性矩阵构建，从而获取市场流动性矩阵数据。
8、本发明通过将金融时序数据映射到混沌轨迹上，揭示数据中的混沌特性，增强数据的非线性特性，分形采样和多尺度分析，提取数据的分形特征，使得数据更易于处理，并有助于识别金融市场的短期和长期波动性；算金融复杂度指标有助于理解金融市场的复杂性和动态性，提供了多维度的数据特征，提取金融复杂度数据中的混沌特性，使得我们可以更好地了解市场中的不确定性和动荡，有助于风险管理和决策制定；通过分析金融混沌特性数据，构建金融网络模型，揭示金融市场内部资产之间的关联性和相互作用，分析金融网络模型，了解投资者的情感和情绪，提供了洞察力，用于预测市场资金流动和市场热度；将金融时序数据映射到高维空间，增加数据的维度，有助于提取更多的特征，分析高维数据，发现数据之间的因果关系，为决策提供了更多的信息，尤其是关于市场变动的原因；根据金融高维嵌入数据，优化资产组合，以获得更好的风险收益平衡，执行多样化的交易策略，以适应不同市场条件和资产类别，提供更好的投资回报，通过异构分布交易数据，构建市场流动性矩阵，帮助决策者了解市场的流动性状况，有助于风险管理和决策制定。因此，本发明提供一种金融时序数据的处理方法，针对金融市场中的非线性和混沌现象以及市场参与者的情感和情感对市场的影响进行创新性技术分析，以提高对市场行为的准确理解以及市场情感波动引发的合理性。
9、优选地，步骤s1包括以下步骤：
10、步骤s11：获取金融时序数据；对金融时序数据进行混沌轨迹映射，从而获取金融时序浸润数据；
11、步骤s12：对金融时序浸润数据进行时频转换，从而获取金融时序频域数据；
12、步骤s13：对金融时序频域数据进行频域编码，从从而获取时序频域编码数据；
13、步骤s14：对时序频域编码数据进行频域增强，从而获取时序频域特性数据；
14、步骤s15：根据时序频域特性数据对金融时序频域数据进行频域多尺度分析，从而获取多尺度频域数据；
15、步骤s16：对频域多尺度数据进行光谱分形解构，从而获取光谱分形维度数据；
16、步骤s17：根据光谱分形维度数据对光谱时域数据进行分形维度拓展，从而获取分形嵌套金融时序数据。
17、本发明通过混沌轨迹映射，将原始金融时序数据映射到混沌轨迹空间，使数据具有混沌属性，为后续的分析提供了更多的非线性特性；时频转换将时序数据转换为频域数据，使我们能够分析不同频率成分的贡献，从而更好地理解金融时序的波动特性；频域编码可以帮助我们将频域信息编码为更紧凑的形式，减少数据的维度，同时保留关键的频域特性；频域增强可以提高频域数据的质量，增强其中的有用信息，减少噪音，使频域特性更为明显和准确；多尺度分析能够揭示金融时序数据在不同时间尺度下的频域特性，有助于理解其复杂性和变化；光谱分形维度数据提供了更多关于频域数据的分形特性信息，有助于深入了解数据的复杂结构；分形维度拓展可以将频域特性和分形特性融合到时域数据中，生成分形嵌套金融时序数据，使数据更具复杂性，为进一步的金融分析提供了更多信息。
18、优选地，步骤s16包括以下步骤：
19、步骤s161：对频域多尺度数据进行多尺度成分重构，从而获取多尺度重构数据；
20、步骤s162：基于多尺度重构数据对多尺度频域数据进行频域成分关联分析，从而获取频域成分关联数据；
21、步骤s163：利用频域成分关联数据对多尺度频域数据进行复杂度成分解构，从而获取频域成分复杂度数据；
22、步骤s164：基于频域成分复杂度数据进行光谱衰减数据生成，从而获取光谱衰减数据；
23、步骤s165：对光谱衰减数据进行光谱反变换，从而获取光谱时域数据；
24、步骤s166：对光谱时域数据进行分形维度分析，从而获取光谱分形维度数据。
25、本发明通过多尺度成分重构有助于从频域多尺度数据中提取出各种时间尺度的成分，有益于更好地理解金融时序数据中的周期性、季节性和趋势性成分，以及它们之间的相互关系，多尺度重构数据提供了不同时间尺度的信息，有助于更准确地分析金融市场的波动性和周期性；频域成分关联分析了解频域数据中不同成分之间的关系，包括它们的相互影响和相关性，有助于揭示金融市场中不同频域成分之间的相互作用，从而更好地理解市场波动的动力学和驱动因素；复杂度成分解构有助于将频域数据分解成不同的复杂度成分，这些成分代表了数据的复杂性水平，理解金融市场数据的复杂性特征，并识别复杂性的时变性，对于制定更精确的预测和决策模型非常重要；生成光谱衰减数据有助于理解不同频率成分对金融市场波动的贡献，以及它们在不同时间尺度上的重要性；通过进行光谱反变换，可以将频域数据转换回时域数据，有助于还原金融市场的时域波动特性，这一步骤允许我们在时域上更详细地分析金融市场数据，并捕捉到更多的细节信息；对光谱时域数据进行分形维度分析有助于测量金融市场数据的分形特性，即其自相似性和自相似维度，有益于更好地理解金融市场数据的自相似性结构，揭示长期和短期动态之间的关系，以及市场的复杂性特征。
26、优选地，步骤s2包括以下步骤：
27、步骤s21：对分形嵌套金融时序数据进行金融分形特性分解，从而获取分形特性子序列数据；
28、步骤s22：对分形特性子序列数据进行复杂度指标计算，从而获取子序列复杂度指标数据；
29、步骤s23：根据子序列复杂度指标数据对分形特性子序列数据进行复杂度加权合并，从而获取金融复杂度数据；
30、步骤s24：对金融复杂度数据进行多尺度复杂性分析，从而获取多尺度复杂性指标数据；
31、步骤s25：对多尺度复杂性指标数据进行数据熵计算，从而获取多尺度数据熵；
32、步骤s26：基于多尺度复杂性指标数据以及多尺度数据熵进行复杂度分布模型构建，从而获取复杂度分布模型；
33、步骤s27：根据复杂度分布模型进行混沌特性提取，从而获取金融混沌特性数据。
34、本发明通过分形分解将分形嵌套金融时序数据细分成不同的分形特性子序列，有助于更好地理解金融市场的复杂性结构，并为进一步分析提供了更多的细节信息；计算每个分形特性子序列的复杂度指标有助于量化其复杂性，这些指标可用于比较不同子序列的复杂性水平，为后续的分析提供基础；通过复杂度加权合并，可以将不同分形特性子序列的信息合并成一个整体的金融复杂度数据，有助于综合考虑各子序列的贡献，为更综合的金融复杂度分析提供了数据基础；分析金融复杂度在不同时间尺度上的变化有助于理解金融市场的多尺度特性，可以揭示市场中长期和短期复杂性的动态性；数据熵的计算提供了对不同尺度上的信息多样性的度量，有助于分析金融市场在不同时间尺度上的信息熵，揭示信息流的多样性，以及市场的不确定性特征；构建复杂度分布模型可以帮助理解金融市场的复杂性分布特性，这种模型可以揭示金融市场中不同复杂度水平的分布；混沌特性提取通过分析复杂度分布模型中的非线性特征，可以帮助识别潜在的混沌行为，有助于更好地理解金融市场中的非线性特性，以及预测的混沌情况。
35、优选地，复杂度指标计算通过复杂度指标计算进行计算处理，其中复杂度指标计算具体为：
36、
37、式中，c表示子序列的复杂度，n表示数据中的数据点数量，i表示一个序列中的数据点的索引值，ai表示第i个数据点的横坐标值，bi表示第i个数据点的纵坐标值，ci表示第i个数据点用于调整三角函数内部角度的系数，e表示自然对数的底，fi表示第i个数据点的用于加权求和的指数值，gi表示第i个数据点用于计算乘积的乘法因子。
38、本发明构造了一种复杂度指标计算公式，用于对分形特性子序列数据进行复杂度指标计算；公式中部分代表了每个数据点的角度变化率的平方，通过计算角度变化率，有助于捕捉数据点之间的曲线变化情况，特别是对于复杂曲线，这有助于量化其复杂性；部分是对每个数据点的加权指数值的指数总和，加权指数允许对不同数据点的贡献进行加权，有助于强调重要数据点，对数据点的贡献进行非线性加权，从而更好地捕捉数据的非均匀性和复杂性；部分是每个数据点的乘法因子的累积根的立方根，乘法因子可以用于调整数据的幅度，因此这一部分有助于考虑幅度的变化，立方根操作可以使数据的复杂性更平滑，以更好地表达整个序列的复杂性。
39、优选地，步骤s3包括以下步骤：
40、步骤s31：利用金融混沌特性数据对分形嵌套金融时序数据进行复杂度加权链接，从而获取金融网络相关性数据；
41、步骤s32：基于金融网络相关性数据进行金融网络初级模型构建，从而获取金融网络初级模型；
42、步骤s33：对金融网络初级模型进行动态复杂网络演化，从而获取金融网络模型；
43、步骤s34：对金融网络模型进行社群检测，从而获取金融资产社群数据；
44、步骤s35：获取投资者情感文本数据；利用投资者情感文本数据对金融资产社群数据进行投资者情感与传播分析，从而获取投资者情感传播数据；
45、步骤s36：对金融网络模型以及投资者情感传播数据进行金融资产路向关联，从而获取金融市场资产关系数据；
46、步骤s37：对金融市场资产关系数据进行资金流动分析，从而获取金融资金流动数据。
47、本发明通过将金融混沌特性数据与分形嵌套金融时序数据进行复杂度加权链接，有助于识别金融资产之间的关联程度，使得网络更加贴合市场实际情况；通过基于金融网络相关性数据构建金融网络初级模型，可以获得一个初始的金融网络结构，该结构可以为后续的分析提供基础，有助于了解金融市场中的主要资产之间的关系；动态复杂网络演化可将金融网络初级模型映射到更接近实际市场情况的状态，有助于捕捉金融市场中资产之间的变化关系，并为更准确的分析提供基础；社群检测可以识别金融资产的社群，揭示哪些资产具有相似的市场行为和特性，有助于构建更精确的金融网络模型和更好地理解资产之间的关系；通过分析投资者情感文本数据与金融资产社群数据，您可以了解市场中投资者情感如何传播和影响资产价格，有助于更好地理解市场波动和投资者情感对市场的影响；将金融网络模型与投资者情感传播数据相结合，可以帮助您了解资产之间的关系如何受到投资者情感和情感传播的影响，有助于更好地理解市场的资产动态和趋势；通过对金融市场资产关系数据进行资金流动分析，可以追踪资金在市场中的流动路径，了解哪些资产受到更多关注和投，有助于资产配置和风险管理的决策。
48、优选地，步骤s35包括以下步骤：
49、步骤s351：获取投资者情感文本数据；对投资者情感文本数据进行情感情绪图谱构建，从而获取投资者情感图谱；
50、步骤s352：对金融资产社群数据以及投资者情感图谱进行情感社交匹配，从而获取情感社交网络数据；
51、步骤s353：对情感社交网络数据进行情感传播路径分析，从而获取情感传播路径数据；
52、步骤s354：对情感传播路径数据进行情感传播影响关系探索，从而获取情感传播影响数据；
53、步骤s355：对情感传播路径数据进行传播速度估计，从而获取情感传播速度数据；
54、步骤s356：对情感社交网络数据进行情绪网络动态度量，从而获取情绪演化数据；
55、步骤s357：根据情感传播路径数据、情感传播影响数据、情感传播速度数据以及情绪演化数据进行投资者情感传播预测，从而获取投资者情感传播数据。
56、本发明通过构建情感情绪图谱，可以更好地理解投资者情感和情绪的复杂结构，分析情感词汇之间的关系，为后续的情感社交匹配和情感传播路径分析提供了有力的工具；情感社交匹配将金融资产社群和投资者情感图谱联系起来，揭示了投资者和金融市场之间的情感关联，有助于更好地了解情感对市场的影响；通过分析情感传播路径，可以追踪情感信息是如何在社交网络中传播的，识别潜在的关键节点和路径，为后续的情感传播影响关系和传播速度估计提供了数据基础；探索情感传播的影响关系帮助理解情感信息如何通过社交网络传播并对市场产生影响，有助于识别具有重要影响力的节点和关系，为决策提供更多见解；估计情感传播速度了解情感信息的传播速度，从而更好地预测情感信息对市场的实际影响；度量情绪的演化帮助追踪情感如何随时间变化，从而更好地了解市场参与者的情绪趋势，有助于识别市场情感的周期性和趋势；通过情感传播路径、影响关系、传播速度和情绪演化数据进行预测，可以更好地预测投资者情感如何在未来影响市场。
57、优选地，步骤s4包括以下步骤：
58、步骤s41：根据金融资金流动数据对分形嵌套金融时序数据进行高维数据嵌入，从而获取高维空间数据；
59、步骤s42：基于高维空间数据进行高维空间网络构建，从而获取高维空间网络数据；
60、步骤s43：对高维空间网络数据进行高维节点中心性计算，从而获取高维节点中心性数据；
61、步骤s44：对高维节点中心性数据进行时间序列嵌套并进行数据降维，从而获取时间序列嵌套数据；
62、步骤s45：对时间序列嵌套数据进行非线性因果分析，从而获取金融高维嵌入数据。
63、本发明通过引入更多的维度，能够提供更多的信息，以便更好地理解市场行为和趋势，高维数据嵌入可以减小信息丢失的风险，有助于更准确地表示金融市场的状态；通过分析高维网络的拓扑结构，可以识别关键节点和子网络，有助于了解市场内部结构，高维空间网络可以更全面地理解不同资产之间的关联性和依赖性；中心性指标可以用于评估不同节点的风险，可帮助我们监测市场的动态演化，识别潜在的变化和不确定性；数据降维有助于减少冗余信息和复杂性，使数据更易于分析和理解，通过时间序列嵌套和降维，可以选择最重要的特征和维度；非线性因果分析有助于理解资产之间的因果关系，揭示隐藏的市场驱动因素。
64、优选地，高维节点中心性计算通过高维节点中心性计算进行计算处理，其中高维节点中心性计算具体为：
65、
66、式中，g表示高维节点中心性节点的重要程度，m表示网络中的节点数，j表示网络中第一节点的索引值，pj表示节点j的特征向量，θj表示节点j的相位角度，djk表示节点j和节点k之间的距离，α表示用于调整距离项权重参数，xj表示节点j的坐标值，ejk表示节点j和节点k之间的能量，k表示网络中第二节点的索引值，e表示自然对数的底，β表示能量项的权重值，γ表示正则化参数，ω表示高维节点中心性计算误差修复值。
67、本发明构造了一种高维节点中心性计算公式，用于对对高维空间网络数据进行高维节点中心性计算；公式中部分是特征向量pj和相位角度θj的组合，对节点的特性进行考虑，log2(pj)用于强调特征向量中的高频信息，而tan(θj)2引入了相位信息，这样的组合允许计算节点的特征对其在高维网络中的中心性的贡献；部分表示节点j和节点k之间的距离djk对中心性的贡献，通过引入距离项，可以考虑网络中节点之间的空间关系，使得更远的节点在中心性计算中具有更低的权重，sin(α)用于调整距离项的权重参数，使其适应不同网络结构；部分涉及节点j的坐标xj和节点之间的能量ejk的二阶导数，这部分在中心性计算中引入了空间布局信息和节点之间的能量传递，通过考虑坐标和能量的变化率，可以更精确地评估节点在高维空间网络中的中心性；ω项用于校正计算误差，确保高维节点中心性计算结果更加准确，有助于纠正存在的计算偏差和误差，提高了计算的准确性和稳定性。
68、优选地，步骤s5包括以下步骤：
69、步骤s51：对金融高维嵌入数据风险和收益分析，从而获取风险收益分析报告；
70、步骤s52：根据风险收益分析报告进行自适应组合权重生成，从而获取自适应组合权重数据；
71、步骤s53：基于自适应组合权重数据进行交易信号序列生成，从而获取交易信号序列数据；
72、步骤s54：利用交易信号序列数据对金融高维嵌入数据进行异构分布交易执行，从而获取异构分布交易数据；
73、步骤s55：对金融高维嵌入数据进行市场深度分析，从而获取市场深度图数据；
74、步骤s56：根据市场深度图数据进行流动性指标计算，从而获取流动性指标数据；
75、步骤s57：利用流动性指标数据以及异构分布交易数据对金融高维嵌入数据进行市场流动性矩阵构建，从而获取市场流动性矩阵数据。
76、本发明通过对高维嵌入数据进行风险和收益分析，提供了关于各资产的风险和回报的详细洞察；通过自适应生成投资组合权重，能够最大限度地提高投资组合的预期收益，同时将风险控制在可接受的范围内；通过生成交易信号序列，提供了明确的交易指导，帮助投资者决定交易时机，增加了交易决策的透明度和系统性，有助于最大程度地利用投资组合的潜在收益；通过执行异构分布交易，最大化了交易效率，减少滑点和成本，优化了交易执行策略，以实现更好的交易结果；通过对高维嵌入数据进行市场深度分析，提供了市场深度信息，帮助预测市场走势和波动，增加了对市场流动性的理解，有助于更好的交易决策，提供了更精确的市场分析，以改善交易策略；通过计算流动性指标，提供了定量的流动性度量，帮助评估市场的可交易性，增加了流动性风险的可识别性，有助于风险管理，改善了交易策略的执行，以减少流动性风险；通过构建市场流动性矩阵，提供了对市场内资产流动性的整体视图，帮助评估资产之间的流动性相关性，支持更好的资产配置和交易策略决策，以最大程度地利用市场流动性。
77、本发明通过将金融时序数据映射到混沌轨迹上，揭示数据中的混沌特性，增强数据的非线性特性，分形采样和多尺度分析，提取数据的分形特征，使得数据更易于处理，并有助于识别金融市场的短期和长期波动性；算金融复杂度指标有助于理解金融市场的复杂性和动态性，提供了多维度的数据特征，提取金融复杂度数据中的混沌特性，使得我们可以更好地了解市场中的不确定性和动荡，有助于风险管理和决策制定；通过分析金融混沌特性数据，构建金融网络模型，揭示金融市场内部资产之间的关联性和相互作用，分析金融网络模型，了解投资者的情感和情绪，提供了洞察力，用于预测市场资金流动和市场热度；将金融时序数据映射到高维空间，增加数据的维度，有助于提取更多的特征，分析高维数据，发现数据之间的因果关系，为决策提供了更多的信息，尤其是关于市场变动的原因；根据金融高维嵌入数据，优化资产组合，以获得更好的风险收益平衡，执行多样化的交易策略，以适应不同市场条件和资产类别，提供更好的投资回报，通过异构分布交易数据，构建市场流动性矩阵，帮助决策者了解市场的流动性状况，有助于风险管理和决策制定。因此，本发明提供一种金融时序数据的处理方法，针对金融市场中的非线性和混沌现象以及市场参与者的情感和情感对市场的影响进行创新性技术分析，以提高对市场行为的准确理解以及市场情感波动引发的合理性。
1.一种金融时序数据的处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的金融时序数据的处理方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的金融时序数据的处理方法，其特征在于，步骤s16包括以下步骤：
4.根据权利要求1所述的金融时序数据的处理方法，其特征在于，步骤s2包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，复杂度指标计算通过复杂度指标计算进行计算处理，其中复杂度指标计算具体为：
6.根据权利要求1所述的金融时序数据的处理方法，其特征在于，步骤s3包括以下步骤：
7.根据权利要求所述的金融时序数据的处理方法，其特征在于，步骤s35包括以下步骤：
8.根据权利要求1所述的金融时序数据的处理方法，其特征在于，步骤s4包括以下步骤：
9.根据权利要求8所述的方法，其特征在于，高维节点中心性计算通过高维节点中心性计算进行计算处理，其中高维节点中心性计算具体为：
10.根据权利要求1所述的金融时序数据的处理方法，其特征在于，步骤s5包括以下步骤：
