Using real-time cluster configurations of streaming asynchronous features as online state descriptors in financial markets

ما در حال حاضر یک طرح برای کشف و تشخیص دولتی آنلاین، بدون نظارت از داده های جریان، چند منظوره، داده های ناهمزمان در بازارهای مالی با فرکانس بالا. همبستگی های آنلاین با استفاده از برآوردگر فوریه بی فایده و بی فایده محاسبه می شود. سپس الگوریتم خوشه بندی با حداکثر احتمال احتمالا با سرعت بالا برای پیدا کردن پیکربندی خوشه ویژگی که بهترین توصیف ساختار در ماتریس همبستگی است. ما فرض می کنیم که این پیکربندی ویژگی یک توصیفگر نامزد برای وضعیت زمانی سیستم است. با استفاده از پیکربندی شباهت پیکربندی خوشه ساده، می توانیم فضای حالت را براساس پیکربندی های غالب تنظیم کنیم. نمایندگی پیشنهادی دولت نیاز به پیش پردازش اطلاعات برای داده های انسان برای خصوصیات ویژگی دولتی را حذف می کند، به عامل عامل یادگیری امکان می دهد ساختار در جریان داده ها را پیدا کند، تغییرات سیستم را تشخیص دهد، فضای حالت درک شده را به شمار آورد و سیاست های انتخاب مناسب انتخاب شود.