<span lang="FA">تشخیص ناهنجاری در داده های تعهدات معامله گران با رویکرد یادگیری منیفلد

هدف: هدف این پژوهش ارایه یک چارچوب جامع برای شناسایی ناهنجاری ها در داده های گزارش تعهدات معامله گران و بررسی نقش آن ها در شناسایی روندهای اقتصادی، اختلالات بازار و تغییرات ناگهانی است.روش شناسی پژوهش: در این مطالعه، پس از پیش پردازش داده هایCOT، روش های آماری شامل نمره استاندارد و دامنه بین چارکی با الگوریتم های یادگیری ماشین شامل جنگل ایزوله و ماشین بردار پشتیبان تک کلاسه ترکیب شدند. سپس با ایجاد ناهنجاری های تجمیعی، نقاطی که توسط تمامی روش ها به عنوان ناهنجار شناسایی شده بودند استخراج شدند.یافته‎ها: نتایج نشان داد ناهنجاری های شناسایی شده ارتباط معناداری با رویدادهای کلان اقتصادی، از جمله بحران مالی جهانی ۲۰۰۸ و همه گیری کووید-۱۹ در سال ۲۰۲۰ دارند؛ همچنین، روش ترکیبی پیشنهادی با کاهش مثبت های کاذب، مجموعه ای شامل ۱۶۳۸ نقطه ناهنجار با سطح اطمینان بالا ایجاد کرد.اصالت/ارزش افزوده علمی: این پژوهش با تلفیق روش های آماری، یادگیری ماشین و یادگیری منیفلد، چارچوبی دقیق و قابل اعتماد برای تحلیل داده های پیچیده بازارهای مالی ارایه می دهد و زمینه توسعه داشبوردهای تعاملی برای پایش بلادرنگ بازار را فراهم می کند.

کلیدواژه ها:

تشخیص ناهنجاری ، داده های تعهدات معامله گران ، جنگل ایزوله ، ماشین بردار پشتیبان تک کلاسه ، تحلیل بازار