本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法,并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系,同时讨论了目前工作中存在的问题和可能的方向。
Apr, 2022
通过自动挖掘时间攻击模式,我们的研究旨在帮助安全从业人员从过去的网络威胁情报报告中挖掘有关恶意行为的结构化信息,并应用于优先处理和主动防御网络攻击。
Jan, 2024
该研究提出了一个适用于领域特定约束条件的框架(称为 FaSTMAN),以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性,使我们能够在更小而密集的网络流中分配复杂查询。最后,基于这些查询,我们可以有效地识别可疑流动的网络。在对来自多个大型欧洲银行的超过 10 亿个交易数据集进行了广泛评估后,结果表明我们的框架在效率和实用性上具有明显的优势。
Sep, 2023
基于轨道交通道岔行为的时间演化预测,比对采集数据以侦测异常,解决数据安全及维护行为问题。
May, 2024
在金融服务行业中,检测异常已成为一项越来越关键的功能。该研究提出了一种基于时间知识蒸馏的标签增强方法,利用旧模型的学习来快速提升最新模型的能力,从而有效减少模型重新训练的时间并改善其性能。
Dec, 2023
通过自然语言处理和机器学习技术,我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统,利用了句法和语义依赖等复杂特征,从而提取主要陈述的主导时态。实验结果表明,与一种基于规则的替代方法相比,该系统具有较高的检测精确度,最终有助于发掘金融决策的预测性知识。
Mar, 2024
本文针对智能交通系统中数据缺失问题,基于隐藏特征分析提出了一种基于时空交通模式的矩阵完成方法,能够准确地估算连续的缺失数据。
Aug, 2022
研究金融交易网络中的临时特征, 以此提高欺诈检测精度,并探讨金融和社交关系的相互作用对于预测友谊、识别供应商和分析时间周期的影响。
Jan, 2023
该论文提出了一种名为 TimeTuner 的新型可视化分析框架,用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联,并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制,展示了其在实际时间序列预测中的适用性。
Jul, 2023
金融文本中存在时间数据分布的变化,如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统?本文通过对跨越三年的真实金融社交媒体数据集进行经验研究,在时间数据分布变化的情况下分析金融情感分析系统的性能下降问题,并基于金融文本的独特时间性质提出了一种结合异常检测和时间序列建模的新方法用于时间金融情感分析。实验证明该方法增强了模型在波动的金融市场中适应不断变化的时间趋势的能力。
Oct, 2023