Not logged in.
Quick Search - Contribution
Contribution Details
Type | Dissertation |
Scope | Discipline-based scholarship |
Title | Catching the drift : when regimes change over time |
Organization Unit | |
Authors |
|
Supervisors |
|
Institution | Universität Zürich |
Faculty | |
Date | 2008 |
Abstract Text | The goal of this thesis is the identification of relationships between data streams. These relationships may change over time. The research contribution is to solve this problem by combining two data mining fields. The first field is the identification of such relationships, e.g. by using correlation measures. The second field covers methods to deal with the dynamics of such a system which require model reconsideration. This field is called “concept drift” and allows to identify and handle new situations. In this thesis two different approaches are presented to combine these two fields into one solution. After that, these two approaches are assessed on synthetic and real-world datasets. Finally, the solution is applied to the finance domain. The task is the determination of dominant factors influencing exchange rates. Finance experts call such a dominant factor “regime”. These factors change over time and thus, the problem is named “regime drift”. The approach turns out to be successful in dealing with regime drifts. |
Zusammenfassung | Das Ziel dieser Arbeit ist die Identifikation von Zusammenhängen zwischen Datenströmen. Hinzu kommt, dass sich diese Zusammenhänge über die Zeit hinweg verändern können. Das Neue an dieser Arbeit ist die Kombination zweier unterschiedlicher Data Mining Domänen. Die erste Domäne ist die Erkennung von Zusammenhängen zwischen Datenströmen. Diese Zusammenhänge können zum Beispiel durch Korrelationen dargestellt werden. Die zweite Domäne bietet Methoden für die Behandlung der Dynamik solcher Systeme indem neue Sitationen erkannt und geeignete Massnahmen ergriffen werden. In dieser Arbeit werden zwei Lösungen vorgestellt wie diese zwei Data Mining Domänen kombiniert werden können. Anschliessend werden diese Lösungen an künstlichen und realen Datensätzen getestet. Nach den erfolgreichen Tests wird die Lösung auf Finanzdaten angewendet. Die Aufgabe ist die Bestimmung von dominanten Faktoren auf Wechselkurse. Solche dominanten Faktoren werden von Experten als “Regime” bezeichnet. Da in diesem Beispiel diese Faktoren über die Zeit hinweg ändern, wird dieses Problem “Regime Drift” genannt. Die Arbeit schliesst mit der Folgerung, dass dieser Ansatz erfolgreich mit “Regime Drifts” umgehen kann. |
PDF File | Download |
Export |
BibTeX
EP3 XML (ZORA) |