Analysis of self-similar data by artificial neural networks

Ledesma, Sergio; Ruiz, J.; García, Guadalupe; Aviña, Gabriel; Hernández, Donato

doi:10.1109/icnsc.2011.5874873

Cited by 3 publications

(4 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…We further need to discuss results from the literature to estimate a Hurst/scaling exponent using machine learning approaches. We observe that results from the past do not explicitly state how they generated their training data or performed the training [9]. Further, to the best of our knowledge, there is no study incorporating the scaling exponent of other stochastic processes than fractional Brownian motions, and/or obtained from real life data via a classical algorithm.…”

Section: Summary and Discussionmentioning

confidence: 94%

“…Further, to the best of our knowledge, there is no study incorporating the scaling exponent of other stochastic processes than fractional Brownian motions, and/or obtained from real life data via a classical algorithm. Moreover, many articles are not using a regression but a classification approach, thus these approaches cannnot estimate a continuous scaling exponent [9,21], and oftentimes the estimation is restricted to scaling exponents of only 0.5 and above, thus leaving out the part of heavily fluctuating time series data. Thus we consider our approach and the corresponding code, the trained models and all training datasets, a big contribution to the research on stochastic processes and related real life data [31].…”

Section: Summary and Discussionmentioning

confidence: 99%

“…There is a limited number of publications on the estimation of the Hurst exponent through machine learning. Ledesmann et al [9] initially proposed estimating the Hurst exponent via Artificial Neural Networks (ANN), employing a feature extraction method based on the power spectra of the data series used for network training. To do this, the authors generated a training dataset consisting of five classes with 1000 training instances each, where each class corresponds to a Hurst exponent value within the range of 0.5 < H < 1.0.…”

Section: Related Workmentioning

confidence: 99%

“…Traditional methods, such as R/S analysis [5] and Detrended Fluctuation Analysis (DFA) [6], have been extensively employed for this purpose. However, these techniques have certain limitations, such as sensitivity to non-stationarity and estimation biases [7,8], which has motivated researchers to explore alternative approaches to improve estimation accuracy and robustness [9]. Further, these techniques do not apply well to short time series data or when studying small sliding window sizes to obtain a dynamic estimate of the scaling exponent.…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Scaling Exponents of Time Series Data: A Machine Learning Approach

Raubitzek,

Corpaci,

Hofer

et al. 2023

Entropy

View full text Add to dashboard Cite

In this study, we present a novel approach to estimating the Hurst exponent of time series data using a variety of machine learning algorithms. The Hurst exponent is a crucial parameter in characterizing long-range dependence in time series, and traditional methods such as Rescaled Range (R/S) analysis and Detrended Fluctuation Analysis (DFA) have been widely used for its estimation. However, these methods have certain limitations, which we sought to address by modifying the R/S approach to distinguish between fractional Lévy and fractional Brownian motion, and by demonstrating the inadequacy of DFA and similar methods for data that resembles fractional Lévy motion. This inspired us to utilize machine learning techniques to improve the estimation process. In an unprecedented step, we train various machine learning models, including LightGBM, MLP, and AdaBoost, on synthetic data generated from random walks, namely fractional Brownian motion and fractional Lévy motion, where the ground truth Hurst exponent is known. This means that we can initialize and create these stochastic processes with a scaling Hurst/scaling exponent, which is then used as the ground truth for training. Furthermore, we perform the continuous estimation of the scaling exponent directly from the time series, without resorting to the calculation of the power spectrum or other sophisticated preprocessing steps, as done in past approaches. Our experiments reveal that the machine learning-based estimators outperform traditional R/S analysis and DFA methods in estimating the Hurst exponent, particularly for data akin to fractional Lévy motion. Validating our approach on real-world financial data, we observe a divergence between the estimated Hurst/scaling exponents and results reported in the literature. Nevertheless, the confirmation provided by known ground truths reinforces the superiority of our approach in terms of accuracy. This work highlights the potential of machine learning algorithms for accurately estimating the Hurst exponent, paving new paths for time series analysis. By marrying traditional finance methods with the capabilities of machine learning, our study provides a novel contribution towards the future of time series data analysis.

show abstract

Section: Summary and Discussionmentioning

confidence: 94%

Section: Summary and Discussionmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Scaling Exponents of Time Series Data: A Machine Learning Approach

Raubitzek,

Corpaci,

Hofer

et al. 2023

Entropy

View full text Add to dashboard Cite

show abstract

Binary Classification of Fractal Time Series by Machine Learning Methods

Kirichenko

Радівілова

Bulakh

2019

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

Інформаційна Технологія Класифікації Фрактальних Часових Рядів

Kirichenko¹,

Bulakh²,

Zinchenko³

et al. 2020

View full text Add to dashboard Cite

Аннотация. В роботі запропоновано інформаційну технологію класифікації часових рядів, що мають фрактальні властивості, на основі методів машинного навчання. Вибір методу класифікації та відповідного набору ознак ґрунтується на мультифрактальних і самоподібних властивостях часових рядів. Як приклад, на основі запропонованої інформаційної технології проведена бінарна класифікація реалізацій нормальних та атакованих трафіків. Ключевые слова: інформаційна технологія, класіфікація часових рядів, машинне навчання, фрактальні часові ряди. Вступ і мета. Часові ряди є основною інформацією для розуміння динаміки в складних системах різного типу. Протягом останніх двох десятиліть було запропоновано і розроблено безліч методів інтелектуального аналізу для часових рядів, в тому числі методи машинного навчання [1,2]. Машинне навчання використовуються для різних завдань аналізу часових рядів, зокрема для класифікації. Багато складних систем мають фрактальну структуру, а їх динаміка представлена часовими рядами, які мають фрактальні (самоподібні) властивості. Аналіз фрактальних властивостей часових рядів широко використовується в різних областях знань. У багатьох випадках виникають проблеми розпізнавання і класифікації фрактальних часових рядів. В останні роки зростає інтерес до методів машинного навчання для аналізу і класифікації фрактальних рядів [3-6]. Однак досі немає єдиного підходу до класифікаціі часових рядів на основі їх фрактальних властивостей. Мета даної роботи -запропонувати інформаційну технологію класифікації часових рядів, які мають фрактальні властивості, на основі методів машинного навчання. �� Кіріченко Л.О., Булах В.А., Тавалбех М.Ф., Зінченко П.П., 2020� «Системні технології» 3 (128) 2020 «System technologies» ISSN 1562-9945 (Print) ISSN 2707-7977 (Online)

show abstract

Analysis of self-similar data by artificial neural networks

Cited by 3 publications

References 14 publications

Scaling Exponents of Time Series Data: A Machine Learning Approach

Scaling Exponents of Time Series Data: A Machine Learning Approach

Binary Classification of Fractal Time Series by Machine Learning Methods

Інформаційна Технологія Класифікації Фрактальних Часових Рядів

Contact Info

Product

Resources

About