Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Próba klasteryzacji dziennych notowań giełdowych
Języki publikacji
Abstrakty
Problem opisany w artykule należy do trudnych, zarówno ze względu na złożoność i specyfikę szeregów czasowych o dużej częstości, ale również z uwagi na konieczność przeprowadzenia wielu pracochłonnych eksperymentów na bardzo dużym materiale empirycznym. Dodatkowym utrudnieniem analizy tego typu danych jest charakter prawie losowy notowań giełdowych, wymagający użycia wielu metod redukujących losowość zjawiska i wielowymiarowość obserwacji. W artykule przedstawiono wyniki grupowania i interpretacji klastrów finansowych szeregów czasowych. (abstrakt oryginalny)
The problem described in the article is quite difficult, both because of the complexity and specificity of time series of high frequency, but also because of the need for labour-intensive experiments, based on huge empirical data. Additional complication of this type of analysis of data is caused by almost random nature of stock quotations, which requires the use of multiple methods for reducing random multidimensionality of readings. The results of clustering of financial time series extracted from the Warsaw Stock Exchange have been presented and discussed. (original asbtract)
Słowa kluczowe
Rocznik
Strony
29-40
Opis fizyczny
Twórcy
autor
- Wrocław University of Economics, Poland
autor
- Wrocław University of Economics, Poland
Bibliografia
- Alcock R.J., Manolopoulos Y. (1999), Time-Series Similarity Queries Employing a Feature-Based Approach, Proc.PCI.
- Falinouss P. (2007), Stock Trend Prediction using News Article. A Text Mining Approach, Master Thesis, Lulea University of Technology, http://epubl.ltu.se/1653-0187/2007/071/index.html.
- Gavrilow M., Anguelov D., Indyk P., Motwani R. (2000), Mining the Stock Market: Which Measure is Best?, International Conference on Knowledge Discovery and Data Mining, Boston, https://eprints.kfupm.edu.sa/50926/.
- Iżykowski M. (2008), Mining of Intraday Stock Quotations using Warsaw Stock Exchange Database, MBA thesis, Wrocław University of Economics, Wrocław.
- Jain A.K., Murty N.M., Flynn P.J. (1999), Data Clustering: A Review, ACM Computing Surveys, Vol. 31, No. 3, pp. 264-323.
- Piccardi C., Calatroni L., Bertoni F. (2011), Clustering financial time series by network community analysis, International Journal Of Modern Physics, Vol. 22, No. 1, pp. 35-50.
- Tsay R. (2002), Analysis of Financial Time Series, Wiley.
- Witten I., Eibe F. (2005), Data Mining, Practical Machine Learning Tools and Techniques, Elsevier, Morgan-Kaufmann Publ., 2nd Edition, Amsterdam.
- Wittman T. (2002), Time-Series Clustering and Association Analysis of Financial Data, A final project in a graduate course on data mining CS 8980 Project, http://www.math.ucla.edu/~wittman/thesis/project.pdf.
- Wu H., Salzberg B., Zhang D. (2004), Online Event-driven Subsequence Matching over Financial Data Streams, Proceedings of ACM SIGMOD International Conference on Management of Data, pp 23-34.
- Yalamova R. (2009), Correlations in Financial Time Series during Extreme Events - Spectral Clustering and Partition Decoupling Method, Proceedings of the World Congress on Engineering., Vol. II, pp.1376-1378.
- Yang K., Shahabi C. (2004), A PCA-Based Similarity Measure for Multivariate Time Series, Proceedings of MMDB'04, Washington.
- Ziegler H., Jenny M., Gruse T., Keim D. (2010), Visual Market Sector Analysis for Financial Time Series Data, IEEE Conference on Visual Analytics Science and Technology, pp. 83-90.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171210827