資源描述：
《美元走勢與黃金價格的動態(tài)相關性研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在教育資源-天天文庫。
1、美元走勢與黃金價格的動態(tài)相關性研究1、相關定義1.1、動態(tài)相關性的概念界定與研究視角動態(tài)相關性指的是一個市場的變動不僅要受自身條件的影響,還要受到來自其他市場信息的影響,并且二者之間的關系會隨著時間的變動而發(fā)生變化。國內(nèi)外關于市場間的動態(tài)相關性主要集中在價格變動的一階矩方面,即通過引入單位根檢驗、協(xié)整檢驗、格蘭杰因果檢驗、脈沖響應函數(shù)等分析方法對于市場價格間的引導關系研究。但市場間的動態(tài)相關性研究不只是價格的先后引導關系,還有更深層次的自身價格波動率與其他市場價格波動率之間的相互影響、相互制約的關系,前者是價格間的引導關系,后者是價格間的波動率溢出效應。二者的區(qū)
2、別在于,價格溢出效應主要描述的是對確定因素的可預期反應,而波動溢出效應指的是對非確定因素的隨機反應。在股指期貨市場與現(xiàn)貨市場的動態(tài)相關性研究中,價格溢出效應的研究可以讓我們初步了解股指期、現(xiàn)貨市場之間的聯(lián)系,但波動溢出效應的研究反應的是市場參與者對于新息的反應,同時又加劇了市場的波動,這些更應該作為動態(tài)相關性研究的重點。1.2、共享變量的相關性定義在工具的語義挖掘模塊中,為了挖掘具有潛在原子語義的共享變量對,我們采用了數(shù)據(jù)挖掘中概率論與數(shù)理統(tǒng)計方法中的最近鄰方法[56-58],在挖掘前,首先我們必須解決三個問題:(1)什么類型的變量是語義挖掘算法所關心的?理論上
3、,程序中所有變量間都存在一定的關聯(lián),但因為本工具主要是關注于原子性違例問題,而根據(jù)原子性違例的定義可知,其中所涉及到的變量都是被多個線程所共享,并且變量在訪問過程中至少會被某些線程進行寫操作。因此,算法在分析中可以過濾變量訪問中的臨時變量以及只讀變量的訪問信息。共享變量的定義如下。定義1:(共享變量)設線程t?T,變量v?V;對變量v,該變量的寫訪問線程集合記為W(v),可知W(v)?T,同理變量的讀訪問線程集合記為R(v),R(v)?T,則共享變量集合Vs可表示為:Vs?{vis
4、?t1,t2?R(vis)?W(vis):t1?t2?t1?W(vis)}(2)
5、如何定義變量訪問的距離?為了衡量變量之間的關系,算法必須首先給出變量訪問之間的距離定義。變量訪問距離定義的方法可以采用兩次變量訪問間間隔的語句數(shù)作為距離,也可以采用訪問間經(jīng)歷的分支數(shù)作為距離等。因為考慮本算法是把變量距離作為判斷原子性區(qū)域的標準,而程序的原子性區(qū)域跟方法有重要聯(lián)系,所以在本算法中采用上海交通大學工學碩士學位論文第三章動態(tài)檢測工具的設計及實現(xiàn)31了訪問之間的方法跨度距離作為變量訪問的距離度量方式。算法在分析程序運行軌跡時,構建上下文敏感的方法調(diào)用圖,我們把調(diào)用圖中方法結點之間的距離定義為該方法所包含的變量訪問之間的距離,圖3-9給出了調(diào)用圖中距離較
6、近的變量訪問序列示例,而這三類示例是程序中很可能具有原子語義的關聯(lián)變量訪問,在該圖中結點表示方法,箭頭表示調(diào)用關系。F1F1F1F2F2F3F1:{access(x),access(y)}FF21::{{aacccceessss((yx))}}FF32::{{aacccceessss((xy))}}(1)同方法訪問序列(2)相鄰方法訪問序列(3)同父結點訪問序列圖3-9可能相關的近距離變量訪問序列示例Figure3-9Examplesofmay-correlatedvariablesaccesses在調(diào)用圖中,我們把方法結點所在棧的深度作為結點的y坐標,把棧中同
7、一深度下棧的寬度作為結點的x坐標,這樣我們就可以為變量訪問之間定義距離公式。在此給出兩個變量訪問的距離定義:定義2:(線程內(nèi)”訪問”-”訪問”距離)對于變量訪問acc1和acc2,兩變量訪問之間的距離為:24
8、1,2
9、()()accacc?xacc1?xacc2?yacc1?xacc2相對普通的距離定義,本算法對距離做了一定的變動:基于一個方法體內(nèi)可能存在多個被調(diào)用方法,而被調(diào)用方法之間即棧寬度結點相關于調(diào)用上下文即棧深度結點,相比棧深度差別結點這種相關性即可能成為原子性區(qū)域的可能性更強,故為了強調(diào)結點深度偏差對距離的影響,我們對普通距離計算方式進行修正,保證挖
10、掘出的相關聯(lián)變量在棧深度的跨度盡量小,即相關聯(lián)變量訪問序列整體趨近于如圖3-9所示示例情況。(3)怎樣確定變量之間的相關性?這部分主要目的是挖掘出經(jīng)常一起訪問的相關聯(lián)變量。通過前面定義的變量訪問間的距離,我們利用變量訪問距離計算變量間的距離。設變量的訪問為vα(v,t)?At,其中v,t分別表示被訪問的變量以及發(fā)生訪問所在線程,則變量距離相關定義如下:上海交通大學工學碩士學位論文第三章動態(tài)檢測工具的設計及實現(xiàn)32定義3:(線程內(nèi)”訪問”-”變量”距離)在某線程中,變量訪問αi(v,t)與變量v‘之間的距離為本線程中變量v‘距離αi(v,t)最近的訪問與變量訪問α
11、i(v,t)之間的距離,
