项目名称: 领域知识驱动下的金融数据流异常模式研究

项目编号: No.71401188

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 管理科学

项目作者: 李爱华

作者单位: 中央财经大学

项目金额: 23万元

中文摘要: 数据流是金融领域中非常重要的一种数据类型,由于金融数据流的快速到达、不稳定性、数据规模巨大等特性,传统的金融数据分析方法与理论面临着新的挑战,难以满足该领域的需求。本课题围绕金融数据流异常模式发现展开研究:一方面,将构建领域知识驱动下金融数据流异常检测的理论体系和方法,具体包括:领域知识——数据流异常发现——实证分析三位一体的金融数据流异常检测理论体系、领域知识驱动下有无导师指导的金融数据流异常模式检测方法、基于数据流相似性理论的异常模式检测方法,其研究内容将充实流数据挖掘理论尤其是实时动态数据挖掘理论;另一方面,结合行为金融学理论,针对金融数据流异常点研究结果展开实证分析与讨论,将对传统金融市场微观理论进行检验和补充。该研究及相关结论有助于政府和投资机构进行风险防范与监控, 具有重要的理论研究意义和实际应用价值。

中文关键词: 金融数据;异常检测;数据挖掘;领域知识;

英文摘要: Data stream is a very important data type in the financial sector, and it is with the following characteristics. First, data stream arrives quickly. Second, it is unstable. And third, the number of data is huge and so on. Traditional analysis methods

英文关键词: financial data;outlier detection;data mining;domain knowledge;

成为VIP会员查看完整内容
1

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。
对抗机器学习在网络入侵检测领域的应用
专知会员服务
31+阅读 · 2022年1月4日
【干货书】Python金融分析,714页pdf掌握数据驱动金融
专知会员服务
90+阅读 · 2021年12月17日
数据价值释放与隐私保护计算应用研究报告,64页pdf
专知会员服务
39+阅读 · 2021年11月29日
专知会员服务
78+阅读 · 2021年5月27日
专知会员服务
44+阅读 · 2021年3月24日
【WSDM2021-Ttutorial】深度学习异常检测,111页ppt
专知会员服务
150+阅读 · 2021年3月10日
专知会员服务
30+阅读 · 2021年2月7日
面向健康的大数据与人工智能,103页ppt
专知会员服务
103+阅读 · 2020年12月29日
产品异常场景设计:5招搞定弱网和离线场景的产品设计
人人都是产品经理
0+阅读 · 2022年4月5日
解读:《金融数据安全 数据安全评估规范》
THU数据派
5+阅读 · 2022年1月18日
别人写的是业务调研报告,为什么你的只是访谈记录?
人人都是产品经理
0+阅读 · 2021年11月22日
基于知识图谱的问答系统
PaperWeekly
21+阅读 · 2021年2月8日
20个安全可靠的免费数据源,各领域数据任你挑
机器学习算法与Python学习
12+阅读 · 2019年5月9日
侦测欺诈交易(异常点检测)
GBASE数据工程部数据团队
19+阅读 · 2017年5月10日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
Risk and optimal policies in bandit experiments
Arxiv
0+阅读 · 2022年4月18日
Arxiv
0+阅读 · 2022年4月15日
Arxiv
25+阅读 · 2018年1月24日
小贴士
相关VIP内容
对抗机器学习在网络入侵检测领域的应用
专知会员服务
31+阅读 · 2022年1月4日
【干货书】Python金融分析,714页pdf掌握数据驱动金融
专知会员服务
90+阅读 · 2021年12月17日
数据价值释放与隐私保护计算应用研究报告,64页pdf
专知会员服务
39+阅读 · 2021年11月29日
专知会员服务
78+阅读 · 2021年5月27日
专知会员服务
44+阅读 · 2021年3月24日
【WSDM2021-Ttutorial】深度学习异常检测,111页ppt
专知会员服务
150+阅读 · 2021年3月10日
专知会员服务
30+阅读 · 2021年2月7日
面向健康的大数据与人工智能,103页ppt
专知会员服务
103+阅读 · 2020年12月29日
相关资讯
产品异常场景设计:5招搞定弱网和离线场景的产品设计
人人都是产品经理
0+阅读 · 2022年4月5日
解读:《金融数据安全 数据安全评估规范》
THU数据派
5+阅读 · 2022年1月18日
别人写的是业务调研报告,为什么你的只是访谈记录?
人人都是产品经理
0+阅读 · 2021年11月22日
基于知识图谱的问答系统
PaperWeekly
21+阅读 · 2021年2月8日
20个安全可靠的免费数据源,各领域数据任你挑
机器学习算法与Python学习
12+阅读 · 2019年5月9日
侦测欺诈交易(异常点检测)
GBASE数据工程部数据团队
19+阅读 · 2017年5月10日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2010年12月31日
国家自然科学基金
3+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员