DTW算法实战：用Python实现动态时间规整匹配股票走势（附完整代码）

DTW算法实战：用Python实现动态时间规整匹配股票走势

在量化投资领域，我们经常需要比较两支股票的价格走势相似度。传统方法如欧氏距离要求序列长度相同，而实际市场中股票交易天数可能不同。动态时间规整(DTW)算法能有效解决这一问题，它通过弹性对齐方式找到两个时间序列之间的最优匹配路径。

1. DTW算法核心原理

DTW算法的核心思想是通过构建距离矩阵，寻找两个序列之间的最佳对齐路径。与弗雷歇距离不同，DTW关注的是累积距离最小化而非最大单点距离。

关键概念解析：

• 弯曲路径(Warping Path)：定义两个序列之间的对应关系
• 累积距离矩阵：记录从起点到每个位置的最小累积距离
• 路径约束：
  • 边界条件：路径必须从(1,1)开始，到(m,n)结束
  • 单调性：路径必须随时间向前移动
  • 连续性：路径不能跳过任何点

import numpy as np

def dtw_distance(series1, series2):
    """
    计算两个序列之间的DTW距离
    :param series1: 第一个时间序列
    :param series2: 第二个时间序列
    :return: DTW距离
    """
    n = len(series1)
    m = len(series2)
    dtw_matrix = np.zeros((n+1, m+1))
    
    # 初始化边界条件
    dtw_matrix[0, 0] = 0
    for i in range(1, n+1):
        dtw_matrix[i, 0] = np.inf
    for j in range(1, m+1):
        dtw_matrix[0, j] = np.inf
    
    # 填充距离矩阵
    for i in range(1, n+1):
        for j in range(1, m+1):
            cost = abs(series1[i-1] - series2[j-1])
            dtw_matrix[i, j] = cost + min(
                dtw_matrix[i-1, j],    # 插入
                dtw_matrix[i, j-1],    # 删除
                dtw_matrix[i-1, j-1]   # 匹配
            )
    
    return dtw_matrix[n, m]

2. 股票数据预处理实战

在应用DTW算法前，需要对股票数据进行标准化处理。金融时间序列具有以下特点：

• 价格尺度不同（高价股与低价股）
• 波动率差异大
• 存在缺失值和异常值

推荐预处理流程：

1. 数据清洗：

   • 处理缺失值（前向填充或线性插值）
   • 去除异常值（3σ原则或IQR方法）

2. 标准化处理：<