Mapping coupled time-series onto a complex network
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
Abstract In order to extract hidden joint information from two possibly uncorrelated time-series, we explored the measures of network science. Alongside common methods in time-series analysis of the economic markets, the mapping joint structure of two time-series onto a network provides insight into hidden aspects embedded in the couplings. We quantise the amplitude of two time-series and investigate relative simultaneous locations of those amplitudes. Each segment of a quantised amplitude is considered as a node. The simultaneity of the amplitudes of the two time-series is considered as the links in the network. The frequency of occurrences forms the weighted links. In order to extract information, we need to measure to what extent the coupling deviates from the coupling of two uncoupled series. Also, we need to measure to what extent the couplings inherit their charachteristics from a Gaussian distribution or a non-Gaussian distribution. We mapped the network from two surrogate time-series. The results show that the couplings of markets possess some features which diverge from the same features of the network mapped from white noise, and from the network mapped from two surrogate time-series. These deviations prove that there exist joint information and cross-correlation therein. By applying network's topological and statistical measures and the deformation ratio in joint probability distribution, we distinguished basic structures of cross-correlation and coupling of cross-markets. It was discovered that even two possibly known uncorrelated markets may possess some joint patterns with each other. Thereby, those markets should be examined as coupled and weakly coupled markets.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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