Regime Learning and Prediction on Time-series Data

本计画探讨时间序列资料之型态辨识与表征，以及型态转换预测，并应用于金融资料分析。一个制度对应于一个动态的结构，如波动性，趋势，模式，金融资产之间的依赖关系。状态转换分析的目的是检测这种结构及其持续时间，并预测结构是否以及如何从一个状态转换到另一个状态。它是许多领域的关键问题，包括气候动力学，环境生态学，金融经济学，能源，气象学，医学，甚至旅游业。例如，对冲基金的投资组合经理可以从了解金融生态系统中制度转换的影响中受益，因为对即将发生的结构性变化的预测使他们能够优化投资决策，即最大限度地提高利润和降低风险。了解电力消费的状态转换有助于电力公司预测负荷和管理电力的生产或购买。本项目旨在通过研究状态识别和RS预测的新方法来发现横截面市场动态。通过从数据挖掘的角度来处理这个问题，我们将建立一个新的非参数/半参数框架，以便于发现金融生态系统中的动态和特征。我们的方法包括几个创新的组成部分。我们搜索和探索特征空间中的序列模式和轨迹来表征政权。我们评估了异常值对制度变化的影响。我们搜索和探索状态空间的轨迹，以便使用非线性机器学习模型进行RS预测。我们试图确定因果关系规则和金融资产之间的关系，以及它们在预测重要金融事件方面的有效性，以提供有关制度形成和持续时间的见解，并利用这些见解进行投资组合管理。我们通过探索生存分析，深度学习和模式特征来设计和开发新的预测模型。(cr)#（f）该项目涉及制度的检查和实施，因为它预测了在金融体系中的制度变化，并分析了金融体系的应用。Un régime corresponds to an structure dynamique telle que la volatilité，les tendances，la dependance entre les actifs financiers，etc. L'analyze du changement de régime vise à detector 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。我们要确定信贷规则和金融机构之间的关系，

This project investigates regime identification and characterization, and regime switching prediction in time series data, with applications in financial data analysis. A regime corresponds to a dynamic structure such as volatility, trends, patterns, dependence between financial assets. Regime switch analysis aims to detect such structures and their duration, and to forecast whether and how the structure changes from one regime to another. It is a key issue in many fields including climate dynamics, environmental ecology, financial economics, energy, meteorology, medicine, even tourism. As examples, portfolio managers of hedge funds could benefit from understanding the implications of regime switches in a financial ecosystem since the prediction of upcoming structural changes allows them to optimize the investment decisions, i.e. maximizing profits and reducing risks. Understanding regime switches in electricity consumption helps an electricity company forecast loads and manage the production or purchase of electricity.This project aims to discover cross-sectional market dynamics by investigating a new approach to regime identification and RS prediction. By approaching the problem from a data mining perspective, we will build a novel non-parametric/semi-parametric framework that eases the discovery of dynamics and features in the financial ecosystem. Our approach includes several innovative components. We search for and explore sequential patterns and trajectories in feature spaces to characterize regimes. We assess effects of outliers on regime changes. We search for and explore trajectories at the regime space in order to enable the use of non-linear machine learning models for RS prediction. We seek to identify causality rules and relationships between financial assets and their effectiveness in predicting important financial events, to provide insights on regime formation and duration and to leverage these insights for portfolio management. We design and develop new prediction models by exploring survival analysis, deep learning and pattern features.#(cr)#(lf)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