用于多尺度解释库存上下文变化的纠结字符串

在（a）中，每个红色/绿色小部件显示X:Y：（Z），其中X、Y和Z分别表示库存ID、其时间（从目标序列开始算起的一周）和从开始算起的药丸数量。第10页，共16页图4。W=5（周）的TS结果。第11页，共16页图5。W=6（周）的TS结果。第12页，共16页图6。与股票价格变化相比，避孕药入口和出口示例见表2。药丸入口或出口处股价上涨/下跌的总计数，统一W=3、4、5、6的计数。这里，对<股票ID，时间>进行唯一计数（所有W的每对一次）。数字显示了股票价格从期间（长度）开始上涨/下跌的情况计数t） 每个入口/出口t前后。 指在一定期限内每种股票价格的标准差t在t之前。对于较大的t因为数据周期相同（2007年7月至2019年1月）。入口（红色）出口（绿色）t3 mo.6 mo.12 mo.24 mo.3 mo.6 mo.12 mo.24 mo.decrease4（.11）7（.19）5（.14）4（.12）6（0.15）4（0.11）6（0.18）3（0.09）增加32（.89）29（.81）29（.85）27（.88）34（.85）34（.89）28（.82）30（0.91）增加>27.75.26.72.27.79.22.71.24.60.26.69.23.68.22.67.13/16图7入口/出口处入口/出口项目的价格上涨率。讨论让我们从实现本文最本质目的的角度来讨论上述结果的意义。也就是说，我们的目标是帮助分析师在不同的时间尺度上解释市场趋势。

在图3和图4中，我们发现2012年12月前后的影响变化较大（图3中的股票编号为4404，图4中的股票编号为4651），这与日本首相安倍开始推动经济向上发展的政治决定相对应，称为安倍经济学。在此期间之后，投资者倾向于购买稳定行业的股票，如医疗保健（36604350）和能源（4651）以及IT（4229），这些股票被认为是低风险的，即低波动性的，这一上升趋势得到了加强，因为自2013年4月以来，日本银行推出的利率下降导致政府债券失去了信任。尽管根据图3、图4和图5中显示避孕药关键事件的黑色字母（定义见第2-A小节），智能手机软件转移基于大数据开发的游戏和城市发展技术的趋势已经成为一种趋势，但专家（分析师和听分析的投资者）以其对低风险股票的偏好引领市场，这导致了新的趋势。此处较大的字母（红色：药丸入口，绿色：出口）表示算法中定义的较大导线重量的事件。低波动性股票并没有导致新的长期趋势显示为避孕药的关键事件，但通过触发避孕药的开放，促进了创新产业的发展。更多关于图5，最大（最大导线重量）绿色节点7022位于2016年7月，而不是2012年底。实际情况是，在上述2013年4月以来的低利率背景下，日本[27]和美国[28]的长期利率从2016年7月开始上调。从股票分析师的角度来看，这在解释投资者利益的总体变动情景方面提供了信息。

也就是说，自2012年安倍经济学开始以来，由于日本政府推出的低利率（2016年14月16日年初的负利率），一直投资于政府债券的投资者转向购买低波动性股票，如特定的电气/精密机械、医疗保健和医疗系统。根据股票分析师对其总体印象的评论，这些低波动性股票自2012年底以来价格上涨，并在2014年和2016年进一步改善。建筑公司的股票也从类似的利益集团购买。另一方面，由于日本和美国自2016年7月以来的长期利率上涨，与之前讨论的安倍经济学降低利率的低风险股票价格上涨相反，高风险股票相对于低风险（即低波动性）股票被购买。因此，超高速电信数字设备、集成大数据（地图和医疗保健）和人工智能的智能手机软件以及深圳等创新企业所在城市的城市工程等新兴行业的股票最近开始上涨，股票6875是图6中为数不多的长时标药丸入口之一。表2中的结果可以解释为出现在避孕药入口的股票，因为入口意味着股票频繁购买趋势的开始。另一方面，退出的股票可能会直观地感觉到价格下跌。然而，退出时的股票意味着具有足够高的影响力，足以打破目前的趋势，因此这往往成为投资者关注的新焦点。相反，对于出现在相同药丸入口的库存，在药丸出口处会发现下降趋势。

如第3节所述，图7中发现的其他趋势解释如下。（1） 趋势从避孕药的入口开始，并在避孕药期间持续。因此，在趋势期间，开始时（避孕药入口）的股票价格继续上涨（图7（a）、（d））。（2） 趋势在避孕药退出时结束，这可能意味着股票在结束时的影响，但由于趋势随着避孕药的消失而消失，因此趋势会在短时间内消失。结果，股票在终点的价格上涨了一次，但下降的速度要快于入口处的股票（图7（b）、（e））。（3） 趋势在避孕药出口处结束。因此，一粒药丸入口处的股票价格在同一粒药丸退出后比进入后下降更快（图7（c）、（f））。（4） W越短，股票价格越高，因为W越短意味着股票的频繁重复。然而，即使是长时间的W，在趋势开始的时期内，随着入口的不断增加，价格也会不断上涨（见图7）。因此，我们建议投资者考虑在所有股票出现作为入口或出口时进行定位，并在避孕药退出时或与窗口宽度W的长度呈负相关的长度延迟内出售入口股票。5。结论在这里，我们将TS扩展并应用于股票价格上涨的数据，在这些数据中，各种时间尺度的模式共存，趋势的边界很难确定。在股票价格序列的背后，不同的投资者购买和/或出售股票的原因确实不同。通过使用TS，可以可视化市场趋势之间的联系，以帮助解释在所需时间尺度内市场提取模式的变化。

因此，股票价格的变化被解释为各种时间尺度的混合，包括政治决策引起的中期变化和行业创新引起的长期变化。此外，还发现TS发现的作为药丸入口的变化点与每个股票价格的变化具有更高的精度，价格增长的精度超过70%。该精度还因TS表示的字符串中库存的时间刻度和位置（例如，在丸的入口/出口或其他位置）以及丸进入后的计时而不同。目前，根据我们目前获得的降价概率，在避孕药出口出售股票的成功与在开始避孕药时购买同一只股票的成功还不确定。在未来的工作中，我们将结合外部知识或数据来完善这种确定性，正如IMDJ中方法M2所期望的那样。TS的优势还在于：（1）整体股票市场和（2）每只股票的价格的趋势变化都可以用一个字符串来解释，而（1）和（2）已经在之前的工作和文献中分别进行了分析或讨论（例如，上面的[24]和[25]）。分析全球市场动态与每只股票16次局部变化中的15次之间的相互关系的方向与以下事实一致：前者由后者组成，后者受前者的影响。因此，使用一个可视化输出预测两者的能力符合分析师对效率的要求。由于TS是根据IMDJ中所示的需求创建的，因此本文提供了数据市场产品具有实用性的证据。

补充材料：数据可用性：我们使用了日本股价趋势图上的数据（日经指数：https://indexes.nikkei.co.jp/en)用于评估TS在检测股市上涨/下跌价格变化方面的性能。这种数据的科学使用在https://indexes.nikkei.co.jp/nkave/archives/file/license_协议\\u jp。pdf。作者贡献：IMDJ、大坂由纪夫和小林Teruaki上缠结弦的概念化，方法论，软件，大坂由纪夫；验证，大坂由纪夫和吉野隆明。资金：该项工作由JST CREST编号JPMJCR1304、JSPS KAKENHI JP16H01836和JP16K12428资助。致谢：我们感谢股票分析师对结果和股票分析所采用的纠结字符串方法发表评论。利益冲突：作者声明没有利益冲突。参考文献1。Jagtiani，J.、Lemieux，C.，《另类数据和机器学习在Fintech借贷中的作用：来自借贷俱乐部消费者平台的证据》，Lemieux Federal Reserve Bank of Chicago 2018，WP18-15 doi:10.21799/frbp。wp。2018.15 2.  Lux，T.，《投机市场的社会经济动力学：相互作用的主体、混沌和收益分布的厚尾》，J.经济行为与组织，1998，33143-165 doi:10.1016/S0167-2681（97）00088-7 3。Lespagnol，V.和Rouchie，J.，《交易量和市场效率：基于代理的基础知识异质模型》，HAL archives ouvertes，2014，https://halshs.archives-ouvertes.fr/halshs-00997573/丁，X.，张，Y.，刘，T.，段，J.，事件驱动股票预测的深度学习，Proc。国际人工智能联合会议，2015年，2327-2333。5.

Dash，R.，Dash，P.K.，一个将技术分析与机器学习技术相结合的混合股票交易框架，J.Finance&Data Sci。2016年，2（1），42-57内政部：10.1016/j.jfds。2016.03.002 6.  Rajput，V.，Sarika Bobde，S.，股市预测技术文献调查，国际计算机科学与移动计算杂志2016，5（6），500–506 7。Kaura，M.，Kanga，S.，市场篮子分析：使用关联规则挖掘国际计算建模与安全会议（CMS 2016）识别市场数据的变化趋势，ProMedia Computer Science 2016，85，78–85，doi:10.1016/j.procs。2016.05.180 8.  Ohsawa，Y.Rev SociaNetwork Strat 2018，12（2），第183–203页，内政部：10.1007/s12626-018-0023-8 9。岩田，T。；渡边，S。；山田，T。；和上田，N。。用于分析消费者购买行为的主题跟踪模型。第21届国际人工智能联合会议2009年，1427-1432年。Abdulhakim，Q.、Alharbi，B.、Wang，S.和Zhang，X.，一个基于PCA的多维数据流变化检测框架：多维数据流中的变化检测，Proc。第21届ACM SIGKDD国际知识发现和数据挖掘会议，2015，935-944。内政部：10.1145/2783258.2783359 11。Kleinberg，J.：流中的突发性和层次结构。数据挖掘和知识发现2003，7（4），373–397。内政部：10.1145/775047.775061 12。Fearnhead，P和Liu，Z针对多个转换点问题的在线推理。J、 皇家统计学会：B辑2007，69（4）ISSN 1369-7412，内政部：10.1111/J.1467-9868.2007.00601。x 13。Y.Hayashi和K.Yamanishi，《顺序网络变化检测及其在广告影响关系分析、数据挖掘和知识发现中的应用》，2015年，29:137–167。内政部：10.1007/s10618-013-0338-6 14。

Miyaguchi，K.，和Yamanishi，K.，随机过程连续变化的在线检测，国际数据科学与分析杂志2017，3（3），213–229 doi:10.1007/s41060-017-0045-216/16 15。Blei，D.，和Lafferty，J.D.，动态主题模型，过程。2006年国际机器学习会议，第23期，第113-120页。内政部：10.1145/1143844.1143859 16。Li，W.，McCallum，A.，Pachinko分配：主题相关性的DAG结构化混合模型，程序。2006年第23届机器学习国际会议，宾夕法尼亚州匹兹堡，内政部：10.1145/1143844.1143917。Hua，J.，Huang，M.L.，Wang，G.，Zreika，M.，将数据可视化技术应用于股票关系分析，Filomat 2018，32（5），1931-1936，doi:10.2298/FIL1805931H 18。Shoemate，B.，股市可视化，2015，https://www.benshoemate.com/2015/08/20/stock-market-visualizations/19.Ohsawa，Y.，Hayashi，T.，“序列可视化的纠结字符串，作为创新者市场上数据夹创意的成果”，智能决策技术2016，10（3），235-247，doi:10.3233/IDT-150251 20。Ohsawa，Y.，“为评估股票风险而转移的纠结字符串-数据套上创新者市场的副产品”MoDAT2015（在数据市场上设计安全和有保障的生活研讨会），IEEE国际数据挖掘会议2015，大西洋城，doi:10.1109/ICDMW。2015.17 21.  Ohsawa，Y.、Liu，C.、Hayashi，T.、Kido，H.，“外部化隐藏数据集使用价值的数据套”，Promedia Computer Science 2014，35，pp.946-953，doi:10.1016/j.procs。2014.08.172, 22.  Ohsawa，Y.、Liu，C.、Suda，Y.、Kido，H.，《通过利益相关者的需求沟通实现数据价值外部化的数据套创新者市场》，2014年AAAI春季大数据个人化研讨会：知识转化为意义2014。23

Ohsawa，Y.和Ji，Q.，《在可视化缠结串中拉伸电线以降低噪音》，机会发现、数据合成、管理和数据市场研讨会论文集，IJCAI 2015，1-4，阿根廷。24、Chong，T.T.、Leung，K.W.和Yuen，A.H.的变化率振荡器是否盈利？，《2011年投资杂志》，20（3）72-74。内政部：10.3905/joi。2011.20.3.072 25.  Kritzman，M.，Li，Y.，Page，S.，Rigobon，R.，作为系统性风险度量的主要成分，投资组合管理杂志2011，37（4）112-126 doi：https://doi.org/10.3905/jpm.2011.37.4.11226.Matsuura，N.，《投资者关注的低波动率基金》，晨星2014，https://www.morningstar.co.jp/fund/analyst/2014/4q/MFA120141028.html，日语。27、日本债券交易公司。。，2018年长期日本国债收益率，http://www.bb.jbts.co.jp/english/marketdata/marketdata01。html。28、Baklanova，V.，Berg，T.，Stemp，D.，美国长期利率上升，但仍然很低，金融市场监测2017，金融研究办公室。https://www.financialresearch.gov/financial-markets-monitor/files/OFR-FMM-2017-01-13_Long-Term-Rates-Rise-But-Remain-Low.pdf(c)2019作者。根据知识共享署名（CC BY）许可证的条款和条件提交可能的开放获取出版物(http://creativecommons.org/licenses/by/4.0/).