Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Intelligent Systems in Modeling Phase of Information Mining Development Process Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Non-Conformity Detection in High-Dimensional Time Series of Stock Market Data

verfasst von : Akira Kasuga, Yukio Ohsawa, Takaaki Yoshino, Shunichi Ashida

Erschienen in: Trends in Applied Knowledge-Based Systems and Data Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

It is desired to extract important information on-line from high-dimensional time series because of difficulty in reflecting the data fully in decision making. In econometric techniques, previous works primarily focus on prediction of price. To make decision in business practice, it is important to focus on human-machine interaction based on chance discovery. Here we propose Non-Conformity Detection as a method for aiding to humans to discover chances. Non-Conformity Detection is designed to detect a noteworthy point that behaves exceptionally compared to surrounding points in time series. In the experiment, the method of Non-Conformity Detection is applied to the time series of 29 stocks return in the electrical machine industry. As the result, four dates among the detected top five non-conformity points coincide with the important dates that professional analysts judged for making investment decision. These results suggest Non-Conformity Detection support the discovery of chances for decision making.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Decision Making Based on Different Dimension Direction
Nächstes Kapitel Recent Study on the Application of Hybrid Rough Set and Soft Set Theories in Decision Analysis Process
Literatur
1.
2.
Ohsawa, Y., Nara, Y.: Decision process modeling across internet and real world by double helical model of chance discovery. New Gener. Comput. 21(2), 109–121 (2003)CrossRefMATH
3.
Maeno, Y., Ohsawa, Y., Ito, T.: Catalyst personality for fostering communication among groups with opposing preference. In: Okuno, H.G., Ali, M. (eds.) IEA/AIE 2007. LNCS (LNAI), vol. 4570, pp. 806–812. Springer, Heidelberg (2007)CrossRef
4.
Chiu, T.-F., Hong, C.-F., Chiu, Y.-T.: Visualization of financial trends using chance discovery methods. In: Nguyen, N.T., Borzemski, L., Grzech, A., Ali, M. (eds.) IEA/AIE 2008. LNCS (LNAI), vol. 5027, pp. 708–717. Springer, Heidelberg (2008)CrossRef
5.
Ohsawa, Y., Nishihara, Y.: Innovators’ Marketplace: Using Games to Activate and Train Innovators. Understanding Innovation. Springer, Heidelberg (2012)CrossRef
6.
Ohsawa, Y., Liu, C., Suda, Y., Kido, H.: Innovators marketplace on data jackets for externalizing the value of data via stakeholders requirement communication. In: 2014 AAAI Spring Symposium Series, pp. 45–50 (2014)
7.
Bernanke, B.S., Boivin, J.: Monetary policy in a data-rich environment. J. Monetary Econ. 50(3), 525–546 (2003)CrossRef
8.
Lin, J., Keogh, E., Lonardi, S., Chiu, B.: A symbolic representation of time series, with implications for streaming algorithms. In: Proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, pp. 2–11. ACM (2003)
9.
Hayakawa, K.: Recent development of high-dimensional time series analysis. J. Jpn. Stat. Soc. Series J 43(2), 275–292 (2014)MathSciNetMATH
10.
Stock, J.H., Watson, M.W.: Macroeconomic forecasting using diffusion indexes. J. Bus. Econ. Stat. 20(2), 147–162 (2002)MathSciNetCrossRef
11.
12.
Chao, J., Shen, F., Zhao, J.: Forecasting exchange rate with deep belief networks. In: The 2011 International Joint Conference on Neural Networks, pp. 1259–1266 (2011)
13.
Ludvigson, S.C., Ng, S.: The empirical riskreturn relation: a factor analysis approach. J. Financ. Econ. 83(1), 171–222 (2007)CrossRef
14.
Hirai, S., Yamanishi, K.: Detecting changes of clustering structures using normalized maximum likelihood coding. In: Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 343–351. ACM (2012)
15.
16.
Chen, J.R.: Making subsequence time series clustering meaningful. In: Fifth IEEE International Conference on Data Mining, p. 8. IEEE (2005)
17.
Idé, T.: Why does subsequence time-series clustering produce sine waves? In: Fürnkranz, J., Scheffer, T., Spiliopoulou, M. (eds.) PKDD 2006. LNCS (LNAI), vol. 4213, pp. 211–222. Springer, Heidelberg (2006)CrossRef
18.
Wang, K., Zhang, J., Li, D., Zhang, X., Guo, T.: Adaptive affinity propagation clustering. Acta Automatica Sinica 33(12), 1242–1246 (2008)MATH
19.
Kriegel, H.-P., Kröger, P., Schubert, E., Zimek, A.: Outlier detection in axis-parallel subspaces of high dimensional data. In: Theeramunkong, T., Kijsirikul, B., Cercone, N., Ho, T.-B. (eds.) PAKDD 2009. LNCS, vol. 5476, pp. 831–838. Springer, Heidelberg (2009)CrossRef
Metadaten
Titel
Non-Conformity Detection in High-Dimensional Time Series of Stock Market Data
verfasst von
Akira Kasuga
Yukio Ohsawa
Takaaki Yoshino
Shunichi Ashida
Copyright-Jahr
2016
Buch
Trends in Applied Knowledge-Based Systems and Data Science

Print ISBN: 978-3-319-42006-6

Electronic ISBN: 978-3-319-42007-3

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-42007-3_60

Premium Partner

    Bildnachweise