A kernel entropy manifold learning approach for financial data analysis

شناسایی ویژگی های ذاتی و ساختار داده های با ابعاد بزرگ، یک کار مهم برای تحلیل مالی است. این مقاله یک الگوریتم یادگیری چندجملهای آنتروپی هسته ای را ارائه می دهد که متد اطلاعات را برای اندازه گیری روابط بین دو نقطه داده های مالی استفاده می کند و نمایه ای مناسب از داده های مالی با ابعاد کم را ارائه می دهد. الگوریتم پیشنهادی همچنین می تواند برای توصیف ویژگی های یک سیستم مالی با به دست آوردن خواص دینامیکی فضای داده اصلی استفاده شود. این آزمایش نشان می دهد که الگوریتم پیشنهادی می تواند نه تنها دقت صحت اخطار اخذ مالی را بهبود بخشد، بلکه معیارهای عینی برای توضیح و پیش بینی نوسانات بازار سهام را نیز ارائه می دهد.