Участник:AntonVoronov

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Текущая версия (16:09, 25 сентября 2018) (править) (отменить)
(2019)
 
(15 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.
 
-
* '''Дано:''' 1. 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.
 
-
* '''Базовой 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.
 
-
* '''Дано:''' Не указано.
 
-
* '''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 методы 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)
 

Текущая версия

Личные инструменты