用于多尺度解释库存上下文变化的纠结字符串

2022-6-11 12:14:31

用于多尺度解释股市背景变化的纠结字符串大坂由纪夫、林志远和高崎吉野2隶属关系1；2东京大学工程学院，附属机构2；日清资产管理公司*通信：info@panda.sys.t.u-东京。ac.jp；7-3-1 Hongo，Bunkyo ku Tokyo 113-8656摘要：这里的原始研究问题一般由营销人员提出，即如何解释市场预期时间尺度的变化。Tangled String是一种基于隐喻的序列可视化工具，将序列中的上下文与字符串中的缠结药丸进行比较，在此扩展并转移到检测触发市场变化的股票，以及解释市场中上下文变化的场景。在这里，12年来东京证交所第一部分周涨幅前10位的股票序列数据是由复杂的字符串可视化的。股票价格的变化是各种时间尺度的混合，可以使用TS在所需的时间尺度集中进行解释。此外，还发现TS找到的变化点与每个股票价格的实际变化具有很高的精度。由于TS是从数据驱动创新平台“数据夹克创新者市场”（Innovators Marketplace on data Jackets）创建的，并扩展到满足数据用户的需要，因此本文证明了数据市场对数据驱动创新的贡献。关键词：多时间尺度分析；变更说明；股票市场数据市场1。引言：问题定义股票交易商和分析师通常简单地分为原教旨主义者和技术分析师，即图表学家。前者考虑显著影响股票交易商决策的事件的基本影响，而后者分析图表，即。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:34

股票价格的时间序列。尽管这两类交易商往往被视为不同类型的交易商，但图表学家很自然会在图表以外的数据中考虑社会事件的影响，而原教旨主义者可能会参考股价的顺序数据，。这两种方法的存在部分类似于真实（人类）分析师和机器学习的定位。机器学习工具最近被用来根据数据预测市场需求[4,5,6]，被视为技术分析师思维的部分自动化。然而，仅仅从数据中学习模式很难解释外部事件导致的市场变化，因为外部事件意味着经销商决策的根本原因，而这些根本原因可能不包括在可用数据中。不仅经销商，而且市场的政治规划者不仅需要预测变化，还需要解释变化，即将观察结果的变化与其可能是外部事件的原因联系起来。假设我们有股票市场数据 }, 式中，Bt代表经销商在时间t的高阶偏好中的一个篮子（即项目集i的一组成员，即构成共现单元的项目或单词，例如超市中的购物篮、文档中的一句话或一组顶级定价股票），t是数据的序列长度。此类篮子数据已用于解释市场的模式和变化[7,8,9]。例如，假设医疗保健业务公司股票的周平均价格在一个月内的股市涨幅最大，而去年电子行业的股票涨幅更大。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:37

这一新趋势的原因可能是经销商对医疗保健的兴趣，因为去年年底上映的一部电影呼吁日常食品对人类健康的负面影响。如果股票分析员向经销商播报其分析，并在同期关注16部电影中的2部（当然不在第一集），则可以解释这种因果关系。然后，分析师可能会提出一个策略，在电影上映期间向股票交易商推销医疗保健股票。此外，如果这一新趋势在很长一段时间内被认为是可持续的，那么国家政治部门可以制定一项政策来支持医疗保健企业。在机器学习方法中，在时间序列模型特征（参数模型中的参数）的变化上检测到变化点。例如，通过将数据投影到主成分，如果该方法用于检测成分的相关性、方差和平均值随时间的变化，则变化检测的灵敏度会提高[10]。在离散时间序列（11、12、13）和连续时间序列（14）中检测到捕捉潜在因果关系结构的模型中参数的变化，后者的方法也适用于前者。这里假设参数集的值发生了变化, 从时间t开始-t到t，学习为 [t-t、 t]- [t-t型-t、 t型-t] 在哪里t是要学习的数据的训练时间长度来自，和t是之前给定的时间步长（t-t）表示要比较的（t）。对于较大的t可被视为容忍延迟的一部分，即分析应等待检测到变化的时间长度。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:40

在[8]中，作者指出，需要从这个角度来看，很难快速解释变化。另一方面，在本文中，重点是检测序列中的事件，为符合分析师或交易商目的的时间尺度的变化提供有意义的解释。对于上面的机器学习观点，这对应于关于检测到的值为的变化点t为用户提供，而不是t、作为有用的信息，即使缺乏准确性，也可以通过添加外部信息来解释变化。经销商不仅可以检测变化，还可以解释变化，可以考虑使用方法从顺序数据中学习潜在主题。通过动态主题模型（DTM）获得连续的时间段，每个时间段与有限数量的潜在主题（没有与主题对应的已知标签）空间中的向量相关【15】。通过对销售数据应用DTM，可以将消费者兴趣的变化检测为与主题向量的不连续变化相对应的所获得的时间段之间的边界。如果消费者c的行为以Bt、c而不是上述Bt的形式反映在数据上，则主题跟踪模型（TTM）也可以用来分析每个消费者的变化【9】。还学习了主题的层次结构[16]。这些主题模型有可能解释观察到的事件背后的变化，并与潜在主题相关联，这些主题是一种外部信息，代表时间序列中各个时期的趋势。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:43

另一方面，本文的目的是处理一个目标序列，它可能是不同时间尺度的多个事件序列的混合物，可以不同地解释为各种场景，由变化点上的事件触发的从/到趋势的转变。例如，如果我们按年度时间尺度看，十年来的股价序列可以解释为时尚商业领域的变化，但如果我们按月份的时间尺度看，我们可能会发现不同的变化点，例如政客的广播言论对经销商态度的影响，这与行业趋势的变化不同。因此，我们现在可以将D视为代替 } 如上所述，其中i代表时间刻度，Bt是Bi，t的并集，表示{1，2，…，n}中的所有i。注意，不同i的Bi，t之间存在交点。因此，这里的问题是和其中，enti，t和exti，t分别表示时间t的事件，该事件作为所考虑的第i个时间尺度趋势的入口和出口。如果在时间t上没有事件扮演角色，则enti、t和exti、t都应将NULL作为值。然而，如果一个工具只是分析以将这些集合显示为输出，那么它们之间的链接就无法显示，因此对于人类分析师或原教旨主义者来说，解释仍然很困难。通过为两类经销商（如果我们可以分类的话）提供所需的参考信息，数据可视化方法可能成为整合原教旨主义者和技术分析师方法的关键技术。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-11 12:14:46

例如，如果显示了价格过渡的关键转折点，以便经销商能够将信息与股票市场相关事件的外部信息结合起来，那么纯粹的股价图表可能会成为这方面有用的可视化工具。此外，股票地图和新闻中文字的16幅图形可视化图中的第3幅提供了关于市场中人们对股票相关事件的积极/消极情绪的提示【17,18】。在本文中，我们扩展并应用了纠结串（TS），它处理模式无序的序列，即各种时间尺度的模式共存，使得趋势和趋势边界难以识别。这样的序列通常出现在推特等社交网站的通信日志中，或者在参与者不了解或不明确了解社会主题或市场趋势的市场中。在股票价格序列的背后，不同的投资者购买和/或出售股票的原因确实不同，这反映了他们在不同时间尺度上对社会动态的兴趣，以不同的方式理解市场。在这种情况下，一个段如果形成，就不能以特定的典型模式或特定的词频分布为特征。通过使用TS，不仅可以获得上述输出集，还可以可视化趋势与前后趋势的关系。2、从数据市场发明的缠结字符串在本节中，我们介绍了缠结字符串（以下简称为[19，20]）作为序列数据分析和可视化的方法。该工具有望实现前一节中所述的目的，即分割各种模式共存的序列，这些模式随着事件发生顺序的改变而重复出现。A.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:49

纠结字符串的起源TS的原始版本是创新者数据夹克市场（IMDJ）的副产品，这是一个类似市场的创意支持系统【21，22】。在IMDJ中，数据提供者显示数据和/或可能的数据分析方法，数据用户对数据和分析技术提出需求。TS是根据供应商对IMDJ中潜在数据用户提出的要求的响应创建的。TS分析和可视化给定序列数据中的事件，其中每个事件的重要性根据其在序列中的位置计算。这种可视化设计符合IMDJ中提出的用户需求。为了实现下面的方法M1以满足需求R1，已经为那些希望从SNS中关于灾难的消息（DJ1）中检测出社会影响最大的消息的人发明了TS，同时考虑到之前和后续消息中的上下文。选择这些词语后，将使用有关灾害的其他信息（DJ2）来验证所选词语对应的信息的可信度需求R1：收集对业务决策有用的信息o方法M1：按顺序评估消息的影响，并将其与外部信息链接o实现M1的数据：{DJ1：通信日志文本，DJ 2：灾难信息}TS的性能已证明满足上述R1和其他人在分析时间线中的文本时的要求，以及基于传感器的办公室人员活动日志【19】。TS也被要求如下所示。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

可人4

2022-6-11 12:14:52

o要求R2：检测市场中消费者行为引爆点的事件o方法M2：通过TS获得一个序列中的高影响事件，并将其与外部信息相结合，以解释因果关系o实现M2的数据：{DJ3：消费或购买历史记录，DJ4：社会事件和新闻}，R2以股票市场为目标市场，以股票经销商为消费者。如果我们认为这纯粹是TS的应用，那么这里的新颖之处在于，我们将M1中的通信日志与M2中的消耗日志进行类比，并将M1的需求方法数据关系与R2中M2的需求方法数据关系进行类比。在TS中，序列由一个字符串建模，其中每个纠缠部分称为一个丸。避孕药被定义为一系列事件，从事件（项目的外观）到序列中相同项目的外观。一粒药丸可能包括其他药丸，任何其他药丸都不包括的最大药丸以后称为药丸。为了减少歧义，让我们将表示项目（本文中定价的股票）的符号称为标记。在自然语言文本中，同一标记可能表示不同的项目，同一项目可能由不同的标记表示。另一方面，当我们指代币所指的实体时，该实体称为项目。在本文中，每个项目表示一个ID号的股票（一个表示唯一股票的标记），其价格上涨称为事件。因此，项目和标记彼此唯一对应，事件是项目在序列中的特定时间（或特定位置的标记）的外观。由于共享相同的标记，序列上形成的药丸可能会彼此相遇。因此，带有药丸的绳子可能会与自身交叉，形成更大的药丸。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:55

例如，请参见图1中w1\'和w1之间的子字符串。这里，包括{w1\'，s2}和{w1，s6}的两个药丸分别在s2和s6接合，形成一个药丸，因为s2和s6的标记相同。序列中的事件按结果分为两类：（1）pills中的事件和（2）连接pills的子串上的其他事件。一个标记可能在一个固定的时间窗口内多次出现在一个药丸中，这意味着一个项目在对应于该药丸的趋势中重复出现。另一方面，连线上的事件代表了基本的上下文流，从避孕药代表的趋势到下一个趋势。从这个意义上讲，通过导线连接药丸有望用来解释序列的变化。通过药丸和电线构成的结构，我们旨在可视化顺序数据，使用户能够解释上下文或因果流。下面让我们展示TS算法，其中序列中所有事件的周期遵循初始设置步骤。图1：。一个与字符串相关的缠结字符串的示例。缠结字符串的原始版本算法（从[19]修订而来，没有改变其含义）初始设置：字符串={s1，…..si，…..sj，…..sL}，导线={w1，w 2，w 3，…，wL}={s1，s2，s3，…，sL}，对于i=1到L：pill（si）=si，其中pill（s）表示包含事件s的pill。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:14:58

pill\\u weight（si）=wire\\u weight（si）=0对于W，一个预设窗口，执行以下循环：对于i=W+1到L：邻居（si，W）={si-W，s i-W+1…，…，si-1}如果sj（<i）邻居（si，W）{令牌（si）=令牌（sj）}：j=最小{j | sj邻居（si，W），令牌（si）=令牌（sj）}r（si）=r（sj）#将si放置在r（sj），与sj Wire=Wire \\{sj，sj+1，…，si-1}相同的位置#将从sj到si-1的子序列从Wire pill（si）=…=pill（sj+1）=pill（sj）#将si和sj生成的所有事件以相同的pill pill\\u weight（sj）+=i–j#将循环的长度添加到pill中事件sj的权重，否则r（si）=r（s i-1）+a{r（s i-1）-r（si-2）}#地点s i，在从s i-1到s i（a：一个实常数）的线的延伸中，如果发送的每个pill结束，则sext=pill wire\\u weight（sent）=wire\\u weight（sext）=ext–ent中的第一个和最后一个事件#将pill大小指定为16个中的5个的线端上每个事件的权重，这里si表示符号标记（si）出现在给定字符串的第j个位置的事件，而不是符号本身。也就是说，标记（si）对于一个符号是唯一的，并且多个i的si可以对应于相同的符号。在初始设置中，没有缠绕，但存在一根电线，这是给定的顺序。因此，在这个阶段，字符串和导线上的事件可以通过{1，2，…，L}中k的每个wk和sk之间的成对对应关系来关联，其中L是字符串的长度。在初始设置后的循环中，字符串中的每个事件si都将逐个获取。对于每个si，在W的时间距离内，从si之前的事件中搜索与si具有相同标记的事件sj。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:01

这里，W表示窗口的宽度，以周为单位（例如，W=3表示宽度为3周），由事件反向搜索中的邻居（si）表示，即时间范围的长度[i-W+1，i]。如果发现这样的事件sj，则获取一个pill作为sj和si之间字符串的子字符串。因此，si和sj属于同一个药丸（即，药丸（sj）=药丸（sj））。si和sj被视为同一趋势中同一标记的两个外观。从表面上看，这一趋势是重复标记集的出现，但并不一定意味着出现的具体原因的存在。注：如果后续子序列（W篮子内）中的某个标记与药丸中的标记匹配，则药丸可能最终成为较大药丸的一部分。然后，sj和si之间的子字符串将从表示所有导线的Wire中删除。如图1所示，wk的后缀号k可能不同于表示事件si的对应节点的i，因为在过程中，sj和si之间的连线将从连线中删除，如图1所示。另一方面，如果在si之前的W篮子窗口中找不到令牌（令牌（sj））等于令牌（si）的事件，例如sj，则si和邻居（si）中的所有事件将作为一根导线存在。在所有循环之后，2D空间中的位置（位置i）被分配给每个si。当在pill pill（sj）中添加新事件si作为节点时，由pill\\u weight（sj）表示的扩展pill的权重增加i–j，即此处添加到pill的事件数。也就是说，由于吸收si，药丸尺寸增加，这归因于从sj到sj的新路径在药丸（sj）形成过程中的贡献。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:04

所有周期结束后，作为每个药丸中第一个和最后一个事件（即最小和最大t的st）的sent和sext的权重，分别由wire\\u weight（sent）和wire\\u weight（sext）表示，取药丸大小的值。这意味着药丸的大小被计算为加载在连接到药丸的导线边缘上的重量。根据这些重量值，可获得以下关键事件：药丸中的关键事件（可视化为药丸中的项目）：最高pill\\u重量值的事件s。如果在一粒药丸的W个连续事件中，s重复频率越高，则该值往往越大。导线上的关键事件（显示为字符串中药丸入口/出口处放大的红色/绿色节点）：顶部wire\\u weight（u）值的事件（u）。这些事件不像避孕药中的关键事件那样频繁，但在解释序列中的上下文转换方面发挥了重要作用，例如市场中的主要趋势变化。我们给药丸的入口打电话，给出口打电话。因此，在TS中，如果相应项目在药丸中重复，则事件被视为药丸中的关键事件，而启动或停止药丸的事件被视为电线上的关键事件或电线药丸集合点。例如，假设TS作为等式（1）应用于序列字符串。字符串=1、2、3、2、3、4、3、4、5、6、2、5、6、7。（1）在这种情况下，如图1和图2（a）所示，由标记“2”表示的项目出现的事件将启动第一个避孕药，包括其本身以及“3”和“4”，因为“2”是字符串重新访问的第一个标记。也就是说，“2”在也是第三个s3之后分配给事件s1。令牌“3”访问三次，即作为{s2、s4、s6}访问，而“4”访问两次{s5、s7}。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:07

在这个避孕药中，“4”是重复的最后一个标记，被视为出口，是连接下一个避孕药的导线的起点。在这里，TS可视化了序列的流程，突出显示了将集群（即pill）连接到下一个频繁单词的连接线。电线上的事件看起来可能并不突出，因为它们不是频繁出现的药丸中的“流行”事件。然而，在线节点在序列的主流中起着至关重要的作用，因为如果这些事件丢失，整个结构中的连接将被切断。虽然从这个意义上讲，图1和图2（a）中的标记“3”的事件应该是一个候选的连线成员，因为如果我们去掉“3”，结构会被破坏，这里“3”不是连线，而是第一个pill中的主要事件，因为第一个pill中的其他事件与“3”相连窗口宽度W在解决本文所述问题时起着重要作用，因为将W设置为较大的值意味着找到较长时间尺度的丸的入口和出口。虽然获得的药丸时间长度与W不成正比，但通过改变W，我们可以获得缠结串结构的明显变化，并可以找到不同时间尺度的变化点。在图2（a）的情况下，“2”出现两次，因为从第一个和第二个“2”到序列中的距离为7，窗口宽度W设置为5。另一方面，如图2（b）所示，如果W设置为大于相同项目的出现周期，则W的变化会导致结构发生根本变化。实际上，结构从图2（a）更改为（b），从“4”到“3”失去连接，并将（a）中的两个簇统一为（b）中的一个簇。然而，随着W的进一步增加，结构不会发生更大的变化。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 12:15:10

该算法的另一个优点是，计算时间为O（L）的顺序，即与序列长度呈线性关系。对于TS的实际使用，TS输出中每个节点和边的位置通过有线拉伸模型进行了修改【23】，这是一种专门开发的方法，用于可视化具有起始和结束节点的图形。图2：。宽度（W）为6和7（W的单位为周）的缠绕绳。B、 TS的一个扩展，用于处理篮集数据初始设置的篮数据纠结字符串：字符串={#n1，s1，s2…，#n2，s…，…s…，#nT，…sL}，其中#n：每个时间t的分隔符。Wire={w1，w 2，w 3，…，wT}其中wj是{nj，s，…，smj（就在#nj+1之前）}对于字符串中的每个s：pill（s）=wj其中sj是wj的成员pill\\u weight（s）=Wire\\u weight（s）=0对于w，预设窗口，执行以下循环：对于字符串中的每个si/{n1，#n2，…，nT}：邻居（si，w）=∪ wk-W+1，…，其中si是wk的成员。如果sj（<i）邻居（si，W）s.t.标记（si）=标记（sj）：j=最小{j | sj邻居（si，W），s.t.标记（si）=标记（sj）}r（si）=r（sj）#将si放置在r（sj），与sj Wire=Wire \\{wp，…，wk-1}相同的位置，其中sj是wp的成员。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 12:15:13

pill（s）={si}中所有s的pill（sj）∪ {wp，…，wk-1}pill\\u weight（sj）+=i–j#循环的长度添加到pill中事件sj的权重，否则r（si）=r（s i-1）+a{r（s i-1）-r（si-2）}将s i放置在从s i-1到s i（a：一个实常数）的直线延伸中，如果发送的每个pill的结束，sext=pill wire\\u weight（sent）=wire\\u weight（sext）=ext–ent#将pill大小指定为上述分机中16个分机中7个分机上每个事件的权重，初始设置中的si表示所有事件的第i个，字符串中的“#n”除外，其中字符串对应于给定的目标序列，“#n”表示篮子之间的分隔符。其他设置与前面显示的原始TS类似。在顺序篮数据的扩展TS中，当添加最新事件si时，从si的前邻居（即si之前最近的W篮）中搜索与si相同标记的sj。如果发现sj这样的事件，sj和si之间的子串将变成图1所示的pill。然后，si所在篮子中的所有事件与sj所在篮子中的所有事件加入相同的药丸。如果sj是药丸中的第一个重访事件，则进入组合药丸的是sj，而出口是药丸中的最后一个重访事件（si，如果si是最后一个重访）。3、结果：这里给出的结果是双重的。在3.1中，显示了每周排名靠前的涨价股票的数据概要。在3.2中，我们展示了TS获得的药丸入口和出口与市场中每W的股票平均价格从4、5和6开始上移的一致性。此外，由股票分析专家给出的趋势变化的定性解释，也适用于纠结串的输出数据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-11 12:15:16

然后在3.3中。，我们展示了入口和出口与股票价格的主要变化的一致性。3.1. 股票涨价数据这里的“纠结字符串”（以下简称TS）适用于股票价格数据，其中每周涨价率排名前十的股票为(http://www.kabu-data.info/neagari/neagari_hizuke_w_1.htm). 这些数据取自2007年7月6日至2019年1月4日期间592周的东京股市第一部分。原始数据包括与一家公司相对应的每家公司的名称，但这里我们只取表1中每个公司的股票ID号。每组10只顶级股票被视为一个篮子，如表1所示。我们还使用了日本股票价格趋势（日经指数平均值）的数据来评估TS在检测股市上涨/下跌价格变化方面的表现。表1：。每周追加定价库存号的数据。1否。2否。3……，…，…编号102007.7.6#n…，…，…2007.7.13#n…，…，…，…，n…，…，…，2019.1.4#n…，…3.2。TS的可视化随窗口宽度W的变化TS的可视化如图3至图5所示。在这里，红色和绿色的字母分别表示sent和sext，即事件开始和结束。每个图3、4和5的图（b）中不包括所有sent和sext，但仅包括（a）中相对较大的字母，即，由于空间的限制，算法中显示的wire\\u权重较大。然而，在（a）和（b）中，G之后的绿色节点G和红色节点R之间的距离远小于R和R之后的绿色节点G\'之间的距离。也就是说，药丸的大小（从红色事件到下一个绿色事件）大于将药丸连接到下一个药丸的电线路径（从绿色到红色）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:19

图3（a）中TS显示的序列将窗口宽度W设置为4，对应于图3（b）中日经指数的时间序列。因为TS在11年的数据中获得了19粒药丸，所以将W设置为4意味着以大约0.58年的时间分辨率调查药丸。在16年的这8个周期中，我们没有发现红/绿节点的时间与日经平均指数股票价格的长期变化点之间的明显一致性。另一方面，图4（a）和（b）中的结果用于将W设置为5。因为我们获得了11年的7粒药丸，W=5意味着时间分辨率约为1.6年。在这种情况下，我们发现红/绿节点的时间与日经指数的长期变化之间存在实质性的一致性。也就是说，图4（b）中的7个红色节点中，有5个在日经指数6个月或更长时间单调增长之前的3个月内，4个红色节点在类似长度增长之前的1个月内，3个红色节点在1个月内开始1个y增长。最后，图5中的结果是W=6。因为（a）中的11年有3粒，W=6意味着时间分辨率约为3.7年。图5（a）中的两个红色节点与股票价格开始单调上涨6个月或更长时间的月份一致，一个是2年增长的开始。为了定性解释考虑到红色/绿色节点的变化，以及更多统计评估药丸和相关库存的进出一致性，让我们在下一章讨论。3.3. 股票价格变化和TS中的两种变化点接下来，我们评估了从药丸进入和退出到股票价格变化（即上涨和下跌）的一致性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:22

例如，在图6中，入口和出口往往与高价格趋势持续期的开始和停止相一致。图6举例说明了股票价格在入口处上涨的几种情况。另一方面，开始服用（出现在入口）避孕药的股票的价格在退出开始服用的避孕药时趋于下降。为了评估这些趋势，如表2左半部分所示，让我们比较时间长度的趋势t药丸入口前后，对于作为入口出现的库存（TS中的红色字母：参见图7（g）了解）。表2右半部分还显示了对现有库存的比较（TS中的绿色字母：见图7（h））。注：我们没有在表2中包括W=1或2的情况，因为药丸的数量分别为132和93，这意味着平均药丸长度为1个月和1.4个月，即比任何t我们选择（至少3个月）进行评估。此处包括W=3，因为获得了43粒药丸，这意味着平均药丸长度为3.0个月。在这些结果中，两种变化点股票（即作为入口和出口出现的股票）的价格在出现后立即大幅上涨。另一方面，在退出避孕药时（如图7（b）、（e），对应于（h）），入口处股票价格上涨的概率相对小于入口处股票价格上涨的概率（图7（a）、（d），对应于（g））。此外，对于出现在药丸入口的股票，退出后价格上涨的概率（如图7（c）、（f），对应于（i））小于进入时的概率（图7（a）和（d））。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-11 12:15:25

这些趋势尤其代表了W的较大值。这一趋势将在后面的讨论中解释。在本文中，我们没有将这些结果与[4、5、6]中的机器学习预测方法进行比较，因为其目的是（1）检测变化点，在这些变化点上可以在不同的时间尺度上预测未来的上涨/下跌趋势，并且（2）通过相同的可视化方法从股市的变化点解释或预测长期趋势，未受到现有方法的质疑。此外，表2中获得的精度值高于通过此类机器学习技术对股票涨跌价的预测（例如，在[4]中最好的情况下为65%），尽管长期趋势精度的变化很难，因为在遥远的未来情景中存在不确定性。也就是说，面对这一困难，表2（a）中TS在最坏情况下预测中/长期（3个月或更长时间）增长的精度对于避孕药入口事件是81%，即使增长大于标准偏差也是71%。这些百分比甚至比现有方法更高，这些方法在寻找市场平均值下降的前兆或变化率振荡因子作为买卖信号方面实现了高精度【25】。我们还通过在每个入口和每个出口后输入长度为dt的时间序列数据，检查了获得变化点（入口/出口）的容错延迟。因此，对于4个月或更大W的所有避孕药入口和出口，我们发现dt设置为3个月或更大时获得的入口和出口相同。第9页，共16页图3。W=4（周）的TS结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:28

在（a）中，每个红色/绿色小部件显示X:Y：（Z），其中X、Y和Z分别表示库存ID、其时间（从目标序列开始算起的一周）和从开始算起的药丸数量。第10页，共16页图4。W=5（周）的TS结果。第11页，共16页图5。W=6（周）的TS结果。第12页，共16页图6。与股票价格变化相比，避孕药入口和出口示例见表2。药丸入口或出口处股价上涨/下跌的总计数，统一W=3、4、5、6的计数。这里，对<股票ID，时间>进行唯一计数（所有W的每对一次）。数字显示了股票价格从期间（长度）开始上涨/下跌的情况计数t）每个入口/出口t前后。指在一定期限内每种股票价格的标准差t在t之前。对于较大的t因为数据周期相同（2007年7月至2019年1月）。入口（红色）出口（绿色）t3 mo.6 mo.12 mo.24 mo.3 mo.6 mo.12 mo.24 mo.decrease4（.11）7（.19）5（.14）4（.12）6（0.15）4（0.11）6（0.18）3（0.09）增加32（.89）29（.81）29（.85）27（.88）34（.85）34（.89）28（.82）30（0.91）增加>27.75.26.72.27.79.22.71.24.60.26.69.23.68.22.67.13/16图7入口/出口处入口/出口项目的价格上涨率。讨论让我们从实现本文最本质目的的角度来讨论上述结果的意义。也就是说，我们的目标是帮助分析师在不同的时间尺度上解释市场趋势。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:31

在图3和图4中，我们发现2012年12月前后的影响变化较大（图3中的股票编号为4404，图4中的股票编号为4651），这与日本首相安倍开始推动经济向上发展的政治决定相对应，称为安倍经济学。在此期间之后，投资者倾向于购买稳定行业的股票，如医疗保健（36604350）和能源（4651）以及IT（4229），这些股票被认为是低风险的，即低波动性的，这一上升趋势得到了加强，因为自2013年4月以来，日本银行推出的利率下降导致政府债券失去了信任。尽管根据图3、图4和图5中显示避孕药关键事件的黑色字母（定义见第2-A小节），智能手机软件转移基于大数据开发的游戏和城市发展技术的趋势已经成为一种趋势，但专家（分析师和听分析的投资者）以其对低风险股票的偏好引领市场，这导致了新的趋势。此处较大的字母（红色：药丸入口，绿色：出口）表示算法中定义的较大导线重量的事件。低波动性股票并没有导致新的长期趋势显示为避孕药的关键事件，但通过触发避孕药的开放，促进了创新产业的发展。更多关于图5，最大（最大导线重量）绿色节点7022位于2016年7月，而不是2012年底。实际情况是，在上述2013年4月以来的低利率背景下，日本[27]和美国[28]的长期利率从2016年7月开始上调。从股票分析师的角度来看，这在解释投资者利益的总体变动情景方面提供了信息。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 12:15:34

也就是说，自2012年安倍经济学开始以来，由于日本政府推出的低利率（2016年14月16日年初的负利率），一直投资于政府债券的投资者转向购买低波动性股票，如特定的电气/精密机械、医疗保健和医疗系统。根据股票分析师对其总体印象的评论，这些低波动性股票自2012年底以来价格上涨，并在2014年和2016年进一步改善。建筑公司的股票也从类似的利益集团购买。另一方面，由于日本和美国自2016年7月以来的长期利率上涨，与之前讨论的安倍经济学降低利率的低风险股票价格上涨相反，高风险股票相对于低风险（即低波动性）股票被购买。因此，超高速电信数字设备、集成大数据（地图和医疗保健）和人工智能的智能手机软件以及深圳等创新企业所在城市的城市工程等新兴行业的股票最近开始上涨，股票6875是图6中为数不多的长时标药丸入口之一。表2中的结果可以解释为出现在避孕药入口的股票，因为入口意味着股票频繁购买趋势的开始。另一方面，退出的股票可能会直观地感觉到价格下跌。然而，退出时的股票意味着具有足够高的影响力，足以打破目前的趋势，因此这往往成为投资者关注的新焦点。相反，对于出现在相同药丸入口的库存，在药丸出口处会发现下降趋势。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-11 12:15:37

如第3节所述，图7中发现的其他趋势解释如下。（1）趋势从避孕药的入口开始，并在避孕药期间持续。因此，在趋势期间，开始时（避孕药入口）的股票价格继续上涨（图7（a）、（d））。（2）趋势在避孕药退出时结束，这可能意味着股票在结束时的影响，但由于趋势随着避孕药的消失而消失，因此趋势会在短时间内消失。结果，股票在终点的价格上涨了一次，但下降的速度要快于入口处的股票（图7（b）、（e））。（3）趋势在避孕药出口处结束。因此，一粒药丸入口处的股票价格在同一粒药丸退出后比进入后下降更快（图7（c）、（f））。（4） W越短，股票价格越高，因为W越短意味着股票的频繁重复。然而，即使是长时间的W，在趋势开始的时期内，随着入口的不断增加，价格也会不断上涨（见图7）。因此，我们建议投资者考虑在所有股票出现作为入口或出口时进行定位，并在避孕药退出时或与窗口宽度W的长度呈负相关的长度延迟内出售入口股票。5。结论在这里，我们将TS扩展并应用于股票价格上涨的数据，在这些数据中，各种时间尺度的模式共存，趋势的边界很难确定。在股票价格序列的背后，不同的投资者购买和/或出售股票的原因确实不同。通过使用TS，可以可视化市场趋势之间的联系，以帮助解释在所需时间尺度内市场提取模式的变化。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:40

因此，股票价格的变化被解释为各种时间尺度的混合，包括政治决策引起的中期变化和行业创新引起的长期变化。此外，还发现TS发现的作为药丸入口的变化点与每个股票价格的变化具有更高的精度，价格增长的精度超过70%。该精度还因TS表示的字符串中库存的时间刻度和位置（例如，在丸的入口/出口或其他位置）以及丸进入后的计时而不同。目前，根据我们目前获得的降价概率，在避孕药出口出售股票的成功与在开始避孕药时购买同一只股票的成功还不确定。在未来的工作中，我们将结合外部知识或数据来完善这种确定性，正如IMDJ中方法M2所期望的那样。TS的优势还在于：（1）整体股票市场和（2）每只股票的价格的趋势变化都可以用一个字符串来解释，而（1）和（2）已经在之前的工作和文献中分别进行了分析或讨论（例如，上面的[24]和[25]）。分析全球市场动态与每只股票16次局部变化中的15次之间的相互关系的方向与以下事实一致：前者由后者组成，后者受前者的影响。因此，使用一个可视化输出预测两者的能力符合分析师对效率的要求。由于TS是根据IMDJ中所示的需求创建的，因此本文提供了数据市场产品具有实用性的证据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:43

补充材料：数据可用性：我们使用了日本股价趋势图上的数据（日经指数：https://indexes.nikkei.co.jp/en)用于评估TS在检测股市上涨/下跌价格变化方面的性能。这种数据的科学使用在https://indexes.nikkei.co.jp/nkave/archives/file/license_协议\\u jp。pdf。作者贡献：IMDJ、大坂由纪夫和小林Teruaki上缠结弦的概念化，方法论，软件，大坂由纪夫；验证，大坂由纪夫和吉野隆明。资金：该项工作由JST CREST编号JPMJCR1304、JSPS KAKENHI JP16H01836和JP16K12428资助。致谢：我们感谢股票分析师对结果和股票分析所采用的纠结字符串方法发表评论。利益冲突：作者声明没有利益冲突。参考文献1。Jagtiani，J.、Lemieux，C.，《另类数据和机器学习在Fintech借贷中的作用：来自借贷俱乐部消费者平台的证据》，Lemieux Federal Reserve Bank of Chicago 2018，WP18-15 doi:10.21799/frbp。wp。2018.15 2. Lux，T.，《投机市场的社会经济动力学：相互作用的主体、混沌和收益分布的厚尾》，J.经济行为与组织，1998，33143-165 doi:10.1016/S0167-2681（97）00088-7 3。Lespagnol，V.和Rouchie，J.，《交易量和市场效率：基于代理的基础知识异质模型》，HAL archives ouvertes，2014，https://halshs.archives-ouvertes.fr/halshs-00997573/丁，X.，张，Y.，刘，T.，段，J.，事件驱动股票预测的深度学习，Proc。国际人工智能联合会议，2015年，2327-2333。5.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-11 12:15:46

Dash，R.，Dash，P.K.，一个将技术分析与机器学习技术相结合的混合股票交易框架，J.Finance&Data Sci。2016年，2（1），42-57内政部：10.1016/j.jfds。2016.03.002 6. Rajput，V.，Sarika Bobde，S.，股市预测技术文献调查，国际计算机科学与移动计算杂志2016，5（6），500–506 7。Kaura，M.，Kanga，S.，市场篮子分析：使用关联规则挖掘国际计算建模与安全会议（CMS 2016）识别市场数据的变化趋势，ProMedia Computer Science 2016，85，78–85，doi:10.1016/j.procs。2016.05.180 8. Ohsawa，Y.Rev SociaNetwork Strat 2018，12（2），第183–203页，内政部：10.1007/s12626-018-0023-8 9。岩田，T。；渡边，S。；山田，T。；和上田，N。。用于分析消费者购买行为的主题跟踪模型。第21届国际人工智能联合会议2009年，1427-1432年。Abdulhakim，Q.、Alharbi，B.、Wang，S.和Zhang，X.，一个基于PCA的多维数据流变化检测框架：多维数据流中的变化检测，Proc。第21届ACM SIGKDD国际知识发现和数据挖掘会议，2015，935-944。内政部：10.1145/2783258.2783359 11。Kleinberg，J.：流中的突发性和层次结构。数据挖掘和知识发现2003，7（4），373–397。内政部：10.1145/775047.775061 12。Fearnhead，P和Liu，Z针对多个转换点问题的在线推理。J、皇家统计学会：B辑2007，69（4）ISSN 1369-7412，内政部：10.1111/J.1467-9868.2007.00601。x 13。Y.Hayashi和K.Yamanishi，《顺序网络变化检测及其在广告影响关系分析、数据挖掘和知识发现中的应用》，2015年，29:137–167。内政部：10.1007/s10618-013-0338-6 14。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝