Global ETD Search

1	Modelování durací mezi finančními transakcemi / Modeling of duration between financial transactions Voráčková, Andrea January 2018 (has links) ❆❜str❛❝t ❚❤✐s ❞✐♣❧♦♠❛ t❤❡s✐s ❞❡❛❧s ✇✐t❤ ♣r♦♣❡rt✐❡s ♦❢ ❆❈❉ ♣r♦❝❡ss ❛♥❞ ♠❡t❤♦❞s ♦❢ ✐ts ❡st✐♠❛t✐♦♥✳ ❋✐rst✱ t❤❡ ❜❛s✐❝ ❞❡☞♥✐t✐♦♥s ❛♥❞ r❡❧❛t✐♦♥s ❜❡t✇❡❡♥ ❆❘▼❆ ❛♥❞ ●❆❘❈❍ ♣r♦❝❡ss❡s ❛r❡ st❛t❡❞✳ ■♥ t❤❡ s❡❝♦♥❞ ♣❛rt ♦❢ t❤❡ t❤❡s✐s✱ t❤❡ ❆❈❉ ♣r♦❝❡ss ✐s ❞❡☞♥❡❞ ❛♥❞ t❤❡ r❡❧❛t✐♦♥ ❜❡t✇❡❡♥ ❆❘▼❆ ❛♥❞ ❆❈❉ ✐s s❤♦✇♥✳ ❚❤❡♥ ✇❡ s❤♦✇ t❤❡ ♠❡t❤♦❞s ♦❢ ❞❛t❛ ❛❞❥✉st♠❡♥t✱ ❡st✐♠❛t✐♦♥✱ ♣r❡❞✐❝t✐♦♥ ❛♥❞ ✈❡r✐☞❝❛t✐♦♥ ♦❢ t❤❡ ❆❈❉ ♠♦❞❡❧✳ ❆❢t❡r t❤❛t✱ t❤❡ ♣❛rt✐❝✉❧❛r ❝❛s❡s ♦❢ ❆❈❉ ♣r♦❝❡ss✿ ❊❆❈❉✱ ❲❆❈❉✱ ●❆❈❉✱ ●❊❱❆❈❉ ✇✐t❤ ✐ts ♣r♦♣❡rt✐❡s ❛♥❞ t❤❡ ♠♦t✐✈❛t✐♦♥❛❧ ❡①❛♠♣❧❡s ❛r❡ ✐♥tr♦❞✉❝❡❞✳ ❚❤❡ ♥✉♠❡r✐❝❛❧ ♣❛rt ✐s ♣❡r❢♦r♠❡❞ ✐♥ ❘ s♦❢t✇❛r❡ ❛♥❞ ❝♦♥❝❡r♥s t❤❡ ♣r❡❝✐s✐♦♥ ♦❢ t❤❡ ❡st✐♠❛t❡s ❛♥❞ ♣r❡❞✐❝t✐♦♥s ♦❢ t❤❡ s♣❡❝✐❛❧ ❝❛s❡s ♦❢ ❆❈❉ ♠♦❞❡❧ ❞❡♣❡♥❞✐♥❣ ♦♥ t❤❡ ❧❡♥❣t❤ ♦❢ s❡r✐❡s ❛♥❞ ♥✉♠❜❡r ♦❢ s✐♠✉❧❛t✐♦♥s✳ ■♥ t❤❡ ❧❛st ♣❛rt✱ ✇❡ ❛♣♣❧② t❤❡ ♠❡t❤♦❞s st❛t❡❞ ✐♥ t❤❡♦r❡t✐❝❛❧ ♣❛rt ♦♥ r❡❛❧ ❞❛t❛✳ ❚❤❡ ❛❞❥✉st♠❡♥t ♦❢ t❤❡ ❞❛t❛ ❛♥❞ ❡st✐♠❛t✐♦♥ ♦❢ t❤❡ ♣❛r❛♠❡t❡rs ✐s ♣❡r❢♦r♠❡❞ ❛s ✇❡❧❧ ❛s t❤❡ ✈❡r✐☞❝❛t✐♦♥ ♦❢ t❤❡ ❆❈❉ ♠♦❞❡❧✳ ❆❢t❡r t❤❛t✱ ✇❡ ♣r❡❞✐❝t ❢❡✇ st❡♣s ❛♥❞ ❝♦♠♣❛r❡ t❤❡♠ ✇✐t❤ r❡❛❧ ❞✉r❛t✐♦♥s✳ ✶
2	Bipower-variation bei Finanzmarktdaten mit unregelmaessigen Beobachtungsabstaenden / Bipower-variation for irregulary financial data Janicke, Nico 07 January 2008 (has links) No description available. 510 Mathematik Mathematics and Computer Science Bipowervariation Volatilitaetsderivat integrierte Volatilitaet integrierte Varianz stetige Prozesse Sprungprozesse hochfrequente Daten unregelmaessige Abstaende selbstahenliche Prozesse Bipowervariation volatility derivative integrated volatility integrated variance contionuous process jump process high frequency data irregularly spaced self-similar process 31.73
3	The impact of parsing methods on recurrent neural networks applied to event-based vehicular signal data / Påverkan av parsningsmetoder på återkommande neuronnät applicerade på händelsebaserad signaldata från fordon Max, Lindblad January 2018 (has links) This thesis examines two different approaches to parsing event-based vehicular signal data to produce input to a neural network prediction model: event parsing, where the data is kept unevenly spaced over the temporal domain, and slice parsing, where the data is made to be evenly spaced over the temporal domain instead. The dataset used as a basis for these experiments consists of a number of vehicular signal logs taken at Scania AB. Comparisons between the parsing methods have been made by first training long short-term memory (LSTM) recurrent neural networks (RNN) on each of the parsed datasets and then measuring the output error and resource costs of each such model after having validated them on a number of shared validation sets. The results from these tests clearly show that slice parsing compares favourably to event parsing. / Denna avhandling jämför två olika tillvägagångssätt vad gäller parsningen av händelsebaserad signaldata från fordon för att producera indata till en förutsägelsemodell i form av ett neuronnät, nämligen händelseparsning, där datan förblir ojämnt fördelad över tidsdomänen, och skivparsning, där datan är omgjord till att istället vara jämnt fördelad över tidsdomänen. Det dataset som används för dessa experiment är ett antal signalloggar från fordon som kommer från Scania. Jämförelser mellan parsningsmetoderna gjordes genom att först träna ett lång korttidsminne (LSTM) återkommande neuronnät (RNN) på vardera av de skapade dataseten för att sedan mäta utmatningsfelet och resurskostnader för varje modell efter att de validerats på en delad uppsättning av valideringsdata. Resultaten från dessa tester visar tydligt på att skivparsning står sig väl mot händelseparsning. neural network artificial neural network ANN recurrent neural network RNN long-short term memory LSTM event slice parsing method slice parsing event parsing time-slice event-based slice-based signal data temporal data temporal sequence multivariate time-series unequally spaced unevenly spaced irregularly spaced Scania SICS SAGA Computer Sciences Datavetenskap (datalogi)

1

Page generated in 0.0666 seconds