Прогнозирование финансовых пузырей (пример)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Пути решения задачи)
(Смотри также)
 
(4 промежуточные версии не показаны)
Строка 30: Строка 30:
== Пути решения задачи ==
== Пути решения задачи ==
-
Временной ряд --- это упорядоченная по времени последовательность значений некоторой произвольной переменной величины. Множеством меток называется конечное множество <>\M$$=(m_1,\dots,m_r)$. Множество меток задается экспертом. Пример множества меток: $\M$$ = \{up, down, plt\}$, где “$up$- метка для обозначения точек возрастания, “$down$” --– убывания, “$plt$--- метка для обозначения плато ~\cite{chekhovich}.
+
Временной ряд - это упорядоченная по времени последовательность значений некоторой произвольной переменной величины. Множеством меток называется конечное множество <tex>M=(m_1,\dots,m_r)</tex>. Множество меток задается экспертом. Пример множества меток: <tex>M = \{up, down, plt\}</tex>, где “<tex>up</tex>” - метка для обозначения точек возрастания, “<tex>down</tex>” - убывания, “<tex>plt</tex>” - метка для обозначения плато.
-
Фиксируем множество меток $\M$. Определим разбиение временного ряда на сегменты
+
Фиксируем множество меток <tex>M</tex>. Определим разбиение временного ряда на сегменты
-
$\bar{s}=(s_1,\dots,s_V)$: $s_k=\{x_i,x_{i+1},\dots,x_{i+l_k}\}$, $s_{k_1} \cup s_{k_2} = \emptyset$
+
<tex>\bar{s}=(s_1,\dots,s_V)</tex>: <tex>s_k=\{x_i,x_{i+1},\dots,x_{i+l_k}\}</tex>, <tex>s_{k_1} \cup s_{k_2} = \emptyset</tex>
-
при $k_1 \ne k_2$, $\bigcup\limits_{k=1}^V s_k = \{x_1,\dots,x_T\}$. Разметкой временного ряда
+
при <tex>k_1 \ne k_2</tex>, <tex>\bigcup\limits_{k=1}^V s_k = \{x_1,\dots,x_T\}</tex>. Разметкой временного ряда
-
$\{x_t\}_{t=1}^T$ назовем пару $(\bar{s},\bar{m})$: $\bar{m}=(m_1,\dots,m_U)$,
+
<tex>\{x_t\}_{t=1}^T</tex> назовем пару <tex>(\bar{s},\bar{m})</tex>: <tex>\bar{m}=(m_1,\dots,m_U)</tex>,
-
$m_i \in \M$ ~\cite{chekhovich}.
+
<tex>m_i \in M</tex>.
-
Основная рассматриваемая задача: разметка временного ряда и определение на её основании сходства временных рядов
+
Основная рассматриваемая задача: разметка временного ряда и определение на её основании сходства временных рядов, синтез и выбор наиболее информативных признаков.
-
~\cite{strijov07timeseries,rudakov,chekhovich}, синтез и выбор наиболее информативных признаков
+
-
~\cite{strijov1,strijov2,vladislavleva,zhao,vlasova}.
+
Предлагается использовать следующие признаки.
Предлагается использовать следующие признаки.
-
\begin{enumerate}
+
1. Бинарные признаки --- наличие в данном временном ряде определенной комбинации повышений и падений цены.
-
\item Бинарные признаки --- наличие в данном временном ряде определенной комбинации повышений и падений цены.
+
2. Действительный признаки --- суммарное изменение цены на этом интервале.
-
\item Действительный признаки --- суммарное изменение цены на этом интервале.
+
Предлагается использовать для построения классификатора логистическую регрессию, а для оценки качества модели - площадь под ROC-кривой. Настройка параметров логистической функции производится градиентными методами оптимизации. Для отбора наилучшей модели рассматривается генетический алгоритм.
-
\end{enumerate}
+
== Смотри также ==
 +
* [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Group774/Kononenko2010FinancialBubbles/doc Ссылка на текст статьи]
 +
* [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Group774/Kononenko2010FinancialBubbles/code Ссылка на код]
-
Активное множество признаков $\A$ --- некоторое подмножество синтезированного набора признаков.
+
{{ЗаданиеВыполнено|Даниил Кононенко|В.В.Стрижов|24 декабря 2010|Ivanov|Strijov}}
-
 
+
-
Предлагается использовать для построения классификатора логистическую регрессию, а для оценки качества модели - площадь под ROC-кривой ~\cite{vorontsov}. Настройка параметров логистической функции производится градиентными методами оптимизации ~\cite{vorontsov}. Для отбора наилучшей модели рассматривается генетический алгоритм ~\cite{strijov2}.
+
-
 
+
-
== Смотри также ==
+
-
* [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/FinancialBubbles/doc Ссылка на текст статьи]
+
-
* [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/FinancialBubbles/code Ссылка на код]
+
-
== Литература ==
+
-
{{Задание|Даниил Кононенко|В.В.Стрижов|24 декабря 2010|Ivanov|Strijov}}
+
[[Категория:Практика и вычислительные эксперименты]]
[[Категория:Практика и вычислительные эксперименты]]

Текущая версия

Содержание

Аннотация

Рассматривается метод прогнозирования финансовых пузырей на основании информации, данной экспертом о наличии пузырей во временных рядах. Предлагается способ синтеза и отбора признаков, описывающих временной ряд. Алгоритм основан на разметке интервалов роста и падения временного ряда и применении логистической регрессии для настройки параметров линейной модели и оценки ее качества. Проведен вычислительный эксперимент на данных о ценах на сырье с 1995 по 2010 год.

Постановка задачи

Дана выборка \{x^i,y^i\}, x^i=(x^i_1,\dots,x^i_T) \in R^T, {i=1\dots l} - временные ряды, размеченные экспертом. Для простоты будем считать, что длина всех рядов одинакова и равна T. Здесь целевая переменная y_i \in \{0,1\}: y_i=1, если в данном ряде есть пузырь, и y_i=0 иначе.

Предполагается, что временной ряд представляет из себя <<историю возникновения>> пузыря и сам пузырь (период раздувания и лопания). Период, который мы считаем историей, фиксируется экспертом или является параметром алгоритма.

Необходимо предложить признаковое описание временного ряда 
$$
g(x^i)=(g_1(x^i),\dots,g_n(x^i)).
$$
На основании этого описания требуется решить задачу классификации --- построить модель $f:R^w \times R^T \rightarrow \{0,1\}$, где $R^w$ - пространство параметров модели.

Задача разбивается на следующие этапы.

1. Порождение множества числовых признаков (g_1(x), \dots, g_N(x)), описывающих временной ряд.

2. Предложение критерия качества модели.

3. Выбор наилучшей модели.


Пути решения задачи

Временной ряд - это упорядоченная по времени последовательность значений некоторой произвольной переменной величины. Множеством меток называется конечное множество M=(m_1,\dots,m_r). Множество меток задается экспертом. Пример множества меток: M = \{up, down, plt\}, где “up” - метка для обозначения точек возрастания, “down” - убывания, “plt” - метка для обозначения плато.

Фиксируем множество меток M. Определим разбиение временного ряда на сегменты \bar{s}=(s_1,\dots,s_V): s_k=\{x_i,x_{i+1},\dots,x_{i+l_k}\}, s_{k_1} \cup s_{k_2} = \emptyset при k_1 \ne k_2, \bigcup\limits_{k=1}^V s_k = \{x_1,\dots,x_T\}. Разметкой временного ряда \{x_t\}_{t=1}^T назовем пару (\bar{s},\bar{m}): \bar{m}=(m_1,\dots,m_U), m_i \in M.

Основная рассматриваемая задача: разметка временного ряда и определение на её основании сходства временных рядов, синтез и выбор наиболее информативных признаков.

Предлагается использовать следующие признаки.

1. Бинарные признаки --- наличие в данном временном ряде определенной комбинации повышений и падений цены.

2. Действительный признаки --- суммарное изменение цены на этом интервале.

Предлагается использовать для построения классификатора логистическую регрессию, а для оценки качества модели - площадь под ROC-кривой. Настройка параметров логистической функции производится градиентными методами оптимизации. Для отбора наилучшей модели рассматривается генетический алгоритм.

Смотри также


Данная статья была создана в рамках учебного задания.
Студент: Даниил Кононенко
Преподаватель: В.В.Стрижов
Срок: 24 декабря 2010


В настоящее время задание завершено и проверено. Данная страница может свободно правиться другими участниками проекта MachineLearning.ru.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.

Личные инструменты