Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Mining Inconsistencies in Trading Booking Systems |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Institution | University of Zurich |
| Faculty | Faculty of Economics, Business Administration and Information Technology |
| Date | 2008 |
| Abstract Text | In big financial institutions, the application landscape for collecting and controlling trading data is usually quite complex and versatile. Interfaces for data reconciliation between different systems namely front, middle and back office, hold the risk of incon-sistencies, particularly if the data is represented and pre-processed in many different ways. The process of analysis, validation and correction of issues in the reconciliation process usually requires high manual effort. Therefore, the topic of this diploma thesis is the discovery of patterns or correlations in these reconciliation inconsistencies. This allows optimizing the systems and minimizing the manual effort in long term. It is shown by theory and practical examples how to discover novel & potentially useful patterns and hidden logic by applying classic propositional as well as multi-relational data mining approaches. We check whether they make sense in the given live environment of Credit Suisse and how they bring an added value in terms of summarizing data into useful information and knowledge. While considering, applying and evaluating them, the main focus is on achieving a better understanding of the data and the systems. |
| Zusammenfassung | In grossen Finanzinstituten ist die Applikationslandschaft zur Erfassung und Kontrolle von Handelsdaten in der Regel sehr komplex und vielfältig. Die Schnittstellen zum Datenabgleich zwischen verschiedenen Systemen, wie beispielsweise Front-, Middleund Back-Office, bergen die Gefahr von Inkonsistenzen, insbesondere wenn die Daten unterschiedlich repräsentiert oder aufbereitet werden. Abgleichungsfehler mu?ssen mit hohem manuellem Aufwand plausibilisiert und korrigiert werden. Diese Diplomarbeit befasst sich daher mit der Erkennung von Regelmässigkeiten in den Inkonsistenzen des Daten- bzw. Systemabgleichs. Damit können die Systeme langfristig optimiert und der manuelle Aufwand minimiert werden. Es wird theoretisch und anhand konkreter Beispiele aus der Praxis der Credit Suisse systematisch aufgezeigt, wie mit Hilfe von verschiedenen Data Mining Ansätzen und Techniken nach aussagekräftigen Mustern in den Daten gesucht werden kann. Dies schliesst nebst klassischen propositionalen auch multi-relationale Ansätze mit ein. Bei allen Techniken wird gepru?ft, ob sie im vorliegenden Praxisumfeld Sinn machen, wie sie angewendet werden können und welchen Mehrwert in Form von neuem oder erweitertem Wissen damit gewonnen wird. Das Daten- und Systemverständnis steht bei jeweils allen Überlegungen, Anwendungen und Evaluationen klar im Vordergrund. |
| Export |
BibTeX
|