一种很好的孤立点检测算法
一种很好的孤立点检测算法
提问于 2019-06-30 12:56:08
我有两个独立的数据集(1.300行和2.3000行)，有50个交易者6个月的交易观察。在这两个数据集中，我有:交易者id，股票所有权，买卖数量，交易日期，股票部门。
我的目标是在这两个数据集中发现可能的异常值(可疑交易)。
- 对于这两个任务，您会推荐什么算法?为什么？
- 当我们平均每个交易者只有5-6个交易时，我们能用什么来完成一个任务呢？
回答 3
Data Science用户
发布于 2019-06-30 14:06:04
我会不假思索地说，这是一个困难的问题，而不包含其他数据。模型只是试图用过去的信息来解释未来的行动。交易员在不同的情况下采取不同的行动。
如果没有他们分析的数据或他们正在分析的股票的财务数据，一个关于交易者以前交易历史的模型将是无效的。除非，如果你描述的“交易员”更像etf基金经理，他们按照一套预先定义的规则操作。
Data Science用户
发布于 2019-06-30 16:00:56
关于离群点，
- 如果您的数据是正态分布的，那么使用Z-得分值，您可以评估每个特征并识别异常值。你也可以参考框-图.所有这些技术都是基于标准差，并帮助您进行异常检测。更多关于Z分的信息
- Scikit框架为异常值的检测提供了有趣的方法。如果你可以准备你的数据形式的独立点和离群点样本，那么你可以训练一个模型和评估任何新的样本异常。参考学习:新颖性和离群点检测
希望这会有帮助。
Data Science用户
发布于 2019-11-27 22:08:38
什么叫“离群点”？如果您指的是基于数字的新行为，那么只需逐行进行观察，看看新的观察是否在基于历史数据的安全范围内，并根据新的观察来更新这些边界(因为交易量可能随着时间的增长而增加，您希望考虑到这一点)，也许一些RNN会学习行为模式，或者您可以研究Kaggle竞赛的一些解决方案，其中目标是识别可疑的行为。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/54783
复制相关文章
相似问题
腾讯云开发者
