エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
DEIM2023 第15回データ工学と情報マネジメントに関するフォーラム
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
DEIM2023 第15回データ工学と情報マネジメントに関するフォーラム
株価変動分析においても機械学習の時系列データクラスタリング手法が広く使われている.代表な距離定義... 株価変動分析においても機械学習の時系列データクラスタリング手法が広く使われている.代表な距離定義はk-Shape法のSBD,及びDTWなどであるが,これらは入力データの標準化を前提とするので,重要な分散(リスク)情報を捨て去ってしまうという問題がある.株価分析においては,現在も,1952年にハリー・マーコウィッツが創案した「収益率の平均 (平均リターン) とリスク(リターンの標準偏差)の散布図」による分析法が広く使われている.この手法ではリスク情報を捨てずに用いているが,より詳細な変動パターン(V字回復,S字型など)を知るためには,機械学習クラスタリングが必要となる.しかし,例えば,テスラやインドIT企業の株価のように成長率が大きい銘柄の場合,k-Shape法では分散情報が除去されてしまい分析目的に合致しない.そこで我々はAmplitude-based clustering法という,分散情