MétaCan
Menu
Retour à la cohorte
Enregistrement W4235343288 · doi:10.32920/ryerson.14653989.v1

Financial data visualization based on power-law degree distribution

2021· preprint· en· W4235343288 sur OpenAlexaff
Haibei Wu

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueComplex Systems and Time Series Analysis
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésVisualizationComputer scienceDegree distributionZoomScalabilityComplex networkData miningData visualizationNode (physics)Theoretical computer scienceDatabaseEngineering

Résumé

récupéré en direct d'OpenAlex

Problems in the field of data visualization are "how to define the layout algorithm to discover the hidden relationships in the financial data" and "how to design and develop a reliable system to implement the layout algorithm". Although there were many solutions to deal with the problems, the methods mainly focused on visualizing network topologies or social networks. This thesis develops a novel tree layout algorithm based on a power-law degree distribution and a robust flash web application system to investigate relationships in financial time-series data. Compared to previous tree layout algorithms, this novel layout algorithm is flexible, scalable, and easy to implement. Additionally, this thesis presents the design structure and important features in the novel graph visualization system. This system provides a number of unique characteristics. For example, if a new focus node is selected, the feature of animating zooming with degree separations will track an animating transition from one to another layout for users. At last, based on many experiments, the thesis demonstrates the profound applications and practices of this system. When utilizing the visualization system to display the data in world crude oil price, we discover that the price fluctuations of crude oil within Organization of the Petroleum Exporting Countries (OPEC) or non-OPEC group are correlated, but price fluctuations of crude oil between difference groups are uncorrelated.

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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,967
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,102
Tête enseignante GPT0,268
Écart entre enseignants0,165 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetComplex Systems and Time Series AnalysisTravaux en français237 207