کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6948563 1451080 2014 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A kernel entropy manifold learning approach for financial data analysis
ترجمه فارسی عنوان
یک روش یادگیری چندجملهای آنتروپی هسته برای تجزیه و تحلیل داده های مالی
کلمات کلیدی
یادگیری منیفولد، آنالیز مالی، تعبیه کردن کمینه، متریک اطلاعات،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
چکیده انگلیسی
Identification of intrinsic characteristics and structure of high-dimensional data is an important task for financial analysis. This paper presents a kernel entropy manifold learning algorithm, which employs the information metric to measure the relationships between two financial data points and yields a reasonable low-dimensional representation of high-dimensional financial data. The proposed algorithm can also be used to describe the characteristics of a financial system by deriving the dynamical properties of the original data space. The experiment shows that the proposed algorithm cannot only improve the accuracy of financial early warning, but also provide objective criteria for explaining and predicting the stock market volatility.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Decision Support Systems - Volume 64, August 2014, Pages 31-42
نویسندگان
, ,