|
|
| (10 промежуточных версий не показаны.) |
| Строка 1: |
Строка 1: |
| - | == 2019 ==
| |
| - | === Задача 1 ===
| |
| - | * '''Название:''' Прогнозирование направления движения цены биржевых инструментов по новостному потоку.
| |
| - | * '''Задача:''' Построить и исследовать модель прогнозирования направления движения цены. Задано множество новостей S и множество временных меток T, соответствующих времени публикации новостей из S. 2. Временной ряд P, соответствующий значению цены биржевого инструмента, и временной ряд V, соответствующий объему продаж по данному инструменту, за период времени T'. 3. Множество T является подмножеством периода времени T'. 4. Временные отрезки w=[w0, w1], l=[l0, l1], d=[d0, d1], где w0 < w1=l0 < l1=d0 < d1. Требуется спрогнозировать направление движения цены биржевого инструмента в момент времени t=d0 по новостям, вышедшим в период w.
| |
| - | * '''Данные:'''
| |
| - | *# Финансовые данные: данные о котировках (с интервалом в один тик) нескольких финансовых инструментов (GAZP, SBER, VTBR, LKOH) за 2 квартал 2017 года с сайта Finam.ru; для каждой точки ряда известны дата, время, цена и объем.
| |
| - | *# Текстовые данные: экономические новости за 2 квартал 2017 года от компании Форексис; каждая новость является отдельным html файлом.
| |
| - | * '''Литература:'''
| |
| - | *# Usmanova K.R., Kudiyarov S.P., Martyshkin R.V., Zamkovoy A.A., Strijov V.V. Analysis of relationships between indicators in forecasting cargo transportation // Systems and Means of Informatics, 2018, 28(3).
| |
| - | *# Kuznetsov M.P., Motrenko A.P., Kuznetsova M.V., Strijov V.V. Methods for intrinsic plagiarism detection and author diarization // Working Notes of CLEF, 2016, 1609 : 912-919.
| |
| - | *# Айсина Роза Мунеровна, Тематическое моделирование финансовых потоков корпоративных клиентов банка по транзакционным данным, выпускная квалификационная работа.
| |
| - | *# Lee, Heeyoung, et al. "On the Importance of Text Analysis for Stock Price Prediction." LREC. 2014.
| |
| - | * '''Базовый алгоритм:''' Метод, использованный в статье (4).
| |
| - | * '''Решение:''' Использование тематического моделирования (ARTM) и локальных аппроксимирующих моделей для перевода последовательности текстов, соответствующих различным временным меткам, в единое признаковое описание. Критерий качества: F1-score, ROC AUC, прибыльность используемой стратегии.
| |
| - | * '''Новизна:''' Обоснование новизны и значимости идей (для редколлегии и рецензентов журнала).
| |
| - | * '''Авторы:''' В.В. Стрижов (эксперт), К.В. Воронцов (эксперт), Иван Запутляев (консультант)
| |
| | | | |
| - | === Задача 2 ===
| |
| - | * '''Название:''' Исследование опорных объектов в задаче метрической классификации временных рядов.
| |
| - | * '''Задача:''' Функция DTW - это расстояние между двумя временными рядами, которые могут быть нелинейно деформированы друг относительно друга. Она ищет наилучшее выравнивание между двумя объектами, поэтому ее можно использовать в задаче метрической классификации объектов.
| |
| - | Один из методов решения задачи метрической классификации - измерение расстояний до опорных объектов и использование вектора этих расстояний в качестве признакового описания объекта.
| |
| - | Метод DBA - это алгоритм построения центроидов (опорных объектов) для временных рядов на основе расстояния DTW. При построении расстояния между временным рядом и центроидом различные пары значений (например пиковые значения) более характерны для одного из классов, и влияние таких совпадений на значение расстояния должна быть выше.
| |
| - | Необходимо исследовать различные способы построения опорных объектов, а также определение их оптимального числа. Критерием является качество работы метрического классификатора в задаче.
| |
| - | В методе DBA для каждого центроида предлагается создавать вектор весов, который демонстрирует "значимость" измерений центриода, и использовать его в модифицированной функции расстояния weighted-DTW.
| |
| - | * '''Данные:''' Данные описывают 6 классов временных рядов с акселерометра мобильного телефона. https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group274/Goncharov2015MetricClassification/data/
| |
| - | * '''Литература:'''
| |
| - | *# DTW: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.215.7850&rep=rep1&type=pdf
| |
| - | *# DBA: https://hal.sorbonne-universite.fr/hal-01630288/document
| |
| - | *# weighted DTW: http://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=ia&paperid=414&option_lang=rus
| |
| - | * '''Базовый алгоритм:''' Реализовать базовые методы:
| |
| - | *# Выбор подмножества объектов обучающей выборки как опорных
| |
| - | *# Предварительная обработка аномальных объектов
| |
| - | *# Кластеризация объектов обучающей выборки для построения центроидов внутри кластера
| |
| - | *# Использование метода DBA для построения опорных объектов
| |
| - | *# Использование методов численной оптимизации для поиска оптимального вектора весов с заданными ограничениями
| |
| - | * '''Решение:''' Расширение типов ограничений на вид вектора весов: бинарный вектор, одинаковый вектор для всех центроидов, бинарный одинаковый вектор для всех центроидов. Такое решение позволит экономить затраты энергии при работе датчиков мобильного устройства.
| |
| - | Исследование литературы и комбинация up-to-date методов.
| |
| - | * '''Новизна:''' Не проводилось комплексного исследования различных способов построения центроидов и опорных элементов вместе с выбором их оптимального числа.
| |
| - | * '''Авторы:''' Алексей Гончаров (эксперт)
| |
