演化聚類研究及其在金融股票市場的應用.pdf

1、在經(jīng)典的基于統(tǒng)計的機器學習中，所有數(shù)據(jù)都是獨立并且同分布的，即數(shù)據(jù)是靜態(tài)的。然而在很多現(xiàn)實的應用中，數(shù)據(jù)的分布并非是靜態(tài)的，而是隨時間發(fā)生動態(tài)的變化，對這類數(shù)據(jù)的演化聚類分析已經(jīng)成為一個重要的課題。在數(shù)據(jù)隨時間演化的場景中，演化聚類通常比傳統(tǒng)的靜態(tài)聚類更加高效，前者不僅能夠得到反映數(shù)據(jù)長期變化趨勢的聚類結果，而且當數(shù)據(jù)具有短期噪聲時，算法仍然具有良好的魯棒性。
　　本文基于演化聚類，引入了數(shù)據(jù)時間窗口的概念，并提出了高平滑演化聚類

2、的框架。在該框架下，歷史數(shù)據(jù)的重要性隨時間流逝而不斷衰減，高平滑演化聚類在聚類過程中按照不同的權重考慮更多的歷史數(shù)據(jù)，從而在總體上得到更具時間平滑性的聚類結果。本文進一步對譜聚類算法和K均值聚類算法進行擴展，得到其高平滑演化版本的算法，并通過實驗展示了高平滑演化聚類對原演化聚類的優(yōu)勢。
　　此外，在現(xiàn)實應用中，能夠描述出數(shù)據(jù)在不同時刻的聚類之間的演化軌跡，對于演化數(shù)據(jù)的學習是很有必要的。本文研究了聚類的演化軌跡框架MEC，該框架在