Все выпуски

Посты в социальных сетях являются важным индикатором, отображающим положение активов на финансовом рынке. В статье описывается жесткое решение задачи классификации для определения влияния активности в социальных сетях на движение финансового рынка. Отбираются аккаунты авторитетных в сообществе крипто-трейдеров-инфлюенсеров. В качестве данных используются специальные пакеты сообщений, которые состоят из текстовых постов, взятых из Twitter. Приведены способы предобработки текста, заключающиеся в лемматизации Stanza и применении регулярных выражений, для очищения зашумленных текстов, особенностью которых является многочисленное употребление сленговых слов и сокращений. Решается задача бинарной классификации, где слово рассматривается как элемент вектора единицы данных. Для более точного описания криптовалютной активности ищутся наилучшие параметры разметки для обработки свечей Binance. Методы выявления признаков, необходимых для точного описания текстовых данных и последующего процесса установления зависимости, представлены в виде машинного обучения и статистического анализа. В качестве первого используется отбор признаков на основе критерия информативности, который применяется при разбиении решающего дерева на поддеревья. Такой подход реализован в модели случайного леса и актуален для задачи выбора значимых для «стрижки деревьев» признаков. Второй же основан на жестком составлении бинарного вектора в ходе грубой проверки наличия либо отсутствия слова в пакете и подсчете суммы элементов этого вектора. Затем принимается решение в зависимости от преодоления этой суммой порогового значения, базирующегося на уровне, предварительно подобранном с помощью анализа частотного распределения упоминаний слова. Алгоритм, используемый для решения проблемы, был назван бенчмарком и проанализирован в качестве инструмента. Подобные алгоритмы часто используются в автоматизированных торговых стратегиях. В процессе исследования также описаны наблюдения влияния часто встречающихся в тексте слов, которые используются в качестве базиса размерностью 2 и 3 при векторизации.

В работе рассматривается вариант метода неинвазивной оценки фракционного резерва кровотока, заключающийся в численном моделировании течения крови в коронарных артериях. Для проведения расчетов используется отечественный программный комплекс FlowVision. Комплекс основан на конечно-объемной аппроксимации уравнений движения жидкости и газа.

В рамках расчетов имеется возможность использовать стационарные (осредненные по времени) математические модели течения крови, учитывать нестационарные эффекты, связанные с пульсовыми волнами. С этой целью в уравнения гемодинамики добавлены слагаемые, описывающие искусственную сжимаемость.

Оценивалась диагностическая эффективность выбранного варианта численного моделирования для определения фракционного резерва кровотока. Был использован ограниченный набор данных 10 пациентов в рамках международного бенчмарка. Полученные расчетные результаты сравнивались с данными инвазивных измерений и расчетными данными других коллективов. Для сравнений использовались опубликованные данные определения фракционного резерва кровотока на основе одномерных и трехмерных математических моделей. Гидродинамическая значимость стеноза с использованием программного комплекса FlowVision правильно определена в 9 случаях из 14.

Предварительные результаты демонстрируют возможность практического использования комплекса. Однако объемы выборки в рамках бенчмарка и с учетом данных реальных пациентов пока не позволяют сделать вывод о достоверности предсказания ФРК на основе расчетов.

Дальнейшие исследования должны быть направлены на повышение точности модели и расширение базы клинических данных для улучшения результатов диагностики.