Periodic pattern analysis of non-uniformly sampled stock market data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Periodic pattern detection is an important data mining task that highlights the temporal regularities within the data. It aims at finding if a partial or full pattern has a cyclic repetition in the considered time series or data sequence. Periodicity is found in large number of datasets including m eteorological data, transaction count, computer network traffic, power consumption, sunspots, Electrocardiography (ECG), biological sequences such as DNA and protein [33]. Periodic pattern analysis not only helps in understanding the behavior of the data but also contributes in predicting the future trends of the data. There are several algorithms reported in the literature for periodicity detection in time series and biological sequences [3,34] but none of these algorithms discuss the non-uniformly sampled data. General assumption in the time series and sequence data is that the consecutive data values are sampled at regular or uniform interval of time. But this assumption hardly holds in real datasets; for example the stock market data analyzed in this paper record various features for each working day. This data has a quite a few missing values for weekly and arbitrary holidays. Although handling this issue is not very complex but requires careful handling. In this paper we analyze the stock market data in detail and show how the periodic pattern analysis may provide the understanding of the data to predict the future trends. Our experimental results show that consideration of missing values in stock market data results in much larger number of interesting results than the trivial periodicity detection approach ignoring the missing values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle