Regime Learning and Prediction on Time-series Data

该项目着眼于制度的检测和实施，包括对金融体系的应用分析，对金融体系中的制度变革进行预测。Un régime correspond à une structures dynamique telle que que la volatilité，les tendance，la dépendance entre les activis financiers，etc. L'analyse du changement de régime à détector de telles structures et leurs durées，et de prédire si et comment les structures changeront d'un régime à un autre.这是一个涉及众多领域的重大问题，特别是气候学、生态学、金融和经济学、能源学、气象学、医学、旅游学。因此，投资基金管理人必须了解金融体系内制度变化的影响，以便对投资决策的最佳化作出良好的结构变化预测，从而最大限度地提高收益并减少风险。该项目旨在了解金融市场的横向动态，并探索一种新的方法来检测制度和预测制度的变化。在解决粮食价值问题时，我们提出了一个新的框架，它渗透了金融生态系统的活力和特征。我们欢迎更多的创新者。我们对保护人和保护人进行了探索和研究，以实现这些制度。我们应评估异常价值对制度变革的影响。我们对非线性预测模型进行了探索。我们要确定担保制度的规则和金融活动之间的关系，收集关于制度形成和持续时间的资料，并了解第三方对担保管理的了解。我们在生存分析、深层分析和基于主题的新的表述模式的基础上，对新的制度变迁预测模式进行了思考和探讨。

Ce projet porte sur la détection et la caractérisation de régimes, ainsi que la prévision de changement de régime dans les données de séries temporelles, avec des applications en analyse de données financières. Un régime correspond à une structure dynamique telle que la volatilité, les tendances, la dépendance entre les actifs financiers, etc. L'analyse du changement de régime vise à détecter de telles structures et leurs durées, et de prédire si et comment les structures changeront d'un régime à un autre. C'est une question clé dans de nombreux domaines, notamment la climatologie, l'écologie environnementale, la finance et l'économie, l'énergie, la météorologie, la médecine, voire le tourisme. À titre d'exemple, les gestionnaires de portefeuille de fonds de couverture gagneraient à comprendre les implications des changements de régime dans un écosystème financier puisqu'une bonne prédiction des changements structurels à venir leur permettrait d'optimiser les décisions d'investissement, c'est-à-dire de maximiser les bénéfices et réduire les risques. Ce projet vise à comprendre la dynamique transversale du marché financier en explorant une nouvelle approche pour la détection de régimes et pour la prédiction des changements de régime. En abordant le problème du point de vue du forage de données, nous construirons un nouveau cadre permettant la découverte de la dynamique et des caractéristiques de l'écosystème financier. Notre approche comprend plusieurs composants innovants. Nous découvrons et explorons des patrons séquentiels et trajectoires pour caractériser les régimes. Nous évaluons les effets des valeurs aberrantes sur les changements de régime. Nous explorons des trajectoires afin de construire des modèles de prédiction non linéaires. Nous cherchons à identifier les règles de causalité et les relations entre les actifs financiers, afin de fournir des informations sur la formation et la durée du régime et à tirer parti de ces connaissances pour la gestion de portefeuille. Nous concevons et développons de nouveaux modèles de prédiction des changements de régime en nous basant sur l'analyse de survie, l'apprentissage profond et les nouveaux modèles de représentation basés sur motifs.