Discusión sobre el artículo "Redes neuronales en el trading: Representación lineal por partes de series temporales"

Nuevo comentario
 

Artículo publicado Redes neuronales en el trading: Representación lineal por partes de series temporales:

Este artículo es algo distinto de los anteriores de esta serie. En él, hablaremos de una representación alternativa de las series temporales. La representación lineal por partes de series temporales es un método de aproximación de una serie temporal usando funciones lineales en intervalos pequeños.

La detección de anomalías en las series temporales es el subcampo más importante en la minería de datos de series temporales. Su objetivo es identificar comportamientos inesperados en el conjunto de datos al completo. Como las anomalías suelen estar causadas por distintos mecanismos, carecen de criterios específicos para su definición. En la práctica, los datos que muestran un comportamiento esperado tienden a atraer más la atención, mientras que los datos anómalos suelen percibirse como ruido y posteriormente son ignorados o eliminados. Sin embargo, las anomalías pueden contener información útil, por lo que su detección resulta muy importante. La detección precisa de anomalías puede ayudarnos a mitigar efectos adversos innecesarios en diversos ámbitos como el entorno, la industria, las finanzas y otros.

Podemos clasificar las anomalías en las series temporales en las tres categorías siguientes:

  1. Anomalías puntuales: un punto de datos se considera anómalo con respecto a otros puntos. Estas anomalías suelen deberse a los errores de medición, el mal funcionamiento de los sensores, los errores en la introducción de datos u otros sucesos excepcionales;
  2. Anomalías contextuales: un dato se considera anómalo en un contexto determinado, pero no en otro;
  3. Anomalías colectivas: subsecuencia de una serie temporal que presenta un comportamiento anómalo. Es todo un reto, ya que estas anomalías no pueden considerarse anormales en los análisis individuales; por el contrario, lo anormal es el comportamiento colectivo del grupo.

Las anomalías colectivas pueden ofrecer información valiosa sobre el sistema o proceso analizado, ya que pueden indicar un problema a nivel de grupo que debemos abordar. Así, la detección colectiva de anomalías puede ser una tarea importante en muchos ámbitos, como la ciberseguridad, las finanzas y la sanidad. En su trabajo, los autores del método BPLR se han centrado en identificar exactamente las anomalías colectivas.

Autor: Dmitriy Gizlyk

Nuevo comentario