W niniejszym opracowaniu przedstawiliśmy związki między współczesnymi trendami w badaniach ekonomicznych a nowymi metodami analizy danych. Jako reprezentanta nowego nurtu analizy danych wybraliśmy metody ślepej separacji. Jest to dynamicznie rozwijająca się gałąź analizy danych, która zapoczątkowana pewnymi badaniami neurofizjologicznymi, przekształciła się w szerokie spektrum podejść rozważanych w kategoriach metod separacji, reprezentacji oraz transformacji danych. Do zasadniczych technik w tym obszarze należą przede wszystkim: analiza składowych niezależnych, nieujemna faktoryzacja macierzy oraz algorytmy AMUSE oraz SOBI. W drugiej części opracowania rozważamy różnice pozyskiwania wiedzy w podejściu indukcyjno-eksploracyjnym, którego reprezentantem mogą być metody separacji, a podejściem aprioryczno-dedukcyjnym typowym dla ortodoksyjnych nurtów ekonomii. Wykazujemy, że wbrew często opozycyjnemu ich przedstawieniu są to zasadniczo podejścia komplementarne. W naszej interpretacji wybór podejścia jest związany z relacją ilości danych do wielkości wiedzy eksperckiej o zjawisku.
EN
In this paper, we present relations between actual trends in economic research and novel methods in data analysis. As the representation of the new data analysis approach we choose the blind signal separation methods. Blind separation methods is a rapidly developed branch of data analysis. It started from some neurophysiological problem and grew to wide range analytical approaches which currently are considered in term of data separation, representation and transformation. The main techniques in this area are: independent component analysis, nonnegative matrix factorization or AMUSE and SOBI algorithms. In the second part of paper we consider knowledge discovery differences in inductive-exploration approach what is typical for blind signal separation methods and apriori-deductive approach what is typical for orthodox economy theories. Against often opposite treatments we suggest complementary interpretation. In our meaning the natural methodological choice is associated with relation data to expert knowledge about given phenomena. In the small data case we need to compensate it by some theorethical assumptions.
Niniejsze opracowanie poświęcone jest problemowi odkrywania wzorców na rynkach finansowych. Jest to zagadnienie wzbudzające gorące dyskusje metodologiczne oraz epistemologiczne. Dla praktyków oraz zwolenników eksploracji danych finansowych istnienie wzorców w danych finansowych jest zasadniczo oczywiste. Z kolei dla przeciwników możliwości identyfikacji wzorców rynkowych ich istnienie oznacza ekonomiczny „darmowy obiad”. Tak przeciwstawne stanowiska są motywacją dla rozważań z praktycznego, akademickiego i technicznego punktu widzenia.
EN
This paper is addressed for problem with financial market pasterns exploration. The financial pattern phenomena rise the hot methodological and epistemological discussions. For practitioners and adherents of financial Data Mining their existence is natural and assumed as default. On other hand opponents say that existing of visible patterns directly provide to economic “free lunch”. Such opposite standpoints are motivations to practical, academic and technical considerations from different point of view.
W niniejszym artykule przedstawimy metodę identyfikacji komponentów destrukcyjnych występujących w podejściu wielomodelowym wykorzystującym algorytmy ślepej separacji sygnałów. Ocena charakterystyki poszczególnych komponentów dokonana zostanie na podstawie autorskich mierników zmienności/gładkości sygnałów. W celu potwierdzenia skuteczności prezentowanej metody przedstawimy praktyczny eksperyment poprawy wyników prognozy zużycia energii elektrycznej.
EN
In this paper we present a method of identification of destructive components in predictive models. This method may be applied in case of a multi-model approach and uses algorithms of blind signal separation. The evaluation of the characteristics of individual components will be based on the proposed metrics for evaluating the variation or smoothness of signals. In order to confirm the effectiveness of the presented method, we will present a practical experiment in which the results of the forecast of short-term electricity consumption are improved. Keywords: prediction, blind separation, ensemble methods, Theta noise measure
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.