Все выпуски

Традиционный подход к исследованию коммуникаций между журналами заключается в исследовании журнальных графов цитирования. В работе предложен подход к анализу сети журналов с использованием библиометрического графа нового типа — графа журнальных пересечений, основанного на бинарной операции пересечения множеств, — с применением методов, основанныхна индексе дружбы и функции диспаритета. Подход демонстрируется на относительно небольшом примере реальной сети журналов, данные о которых содержатся в информационной системе Общероссийского портала Math-Net.Ru: 63 журнала за 2008–2021 годы, удовлетворяющие определенным требованиям и содержащие почти 69 тысяч статей, принадлежащих 54 тысячам авторов. Математическая модель этой реальной сети представляется графом пересечений с использованием коэффициента Жаккара, обладающим специфическими свойствами: малая размерность, высокая плотность графа, распределение весов ребер не аппроксимируется степенной функцией. К полученным результатам относится сетевая структура связей множества исследуемых журналов, учитывающая степень их взаимодействия, и выявление значимых вершин с использованием индекса дружбы, улавливающее его структурные свойства и имеющее очевидную содержательную интерпретацию, позволяющее ранжировать журналы по данному показателю. Тем самым реализуется инструмент для различения вершин-лидеров по индексу дружбы и «сетевых интеграторов» (closeness/betweenness) и демонстрируется качественное изменение структурных свойств при снижении плотности и сохранении связности графа, достигаемого применением функцией диспаритета. Последовательное применение функции диспаритета при уменьшении порога значимости позволяет выявить ядро графа, содержащее наиболее сильно связанные вершины, что в свою очередь позволяет определить множество вершин (и, соответственно, журналов), одновременно входящих в ядро и имеющих наивысшую значимость по индексу дружбы. Анализ уровней полученного множества журналов в «Белом списке» подтверждает высокий рейтинг этих журналов. Полученные результаты дают более глубокое понимание структуры отношений в сетях научных журналов и определяют новые подходы к их исследованию.

The traditional approach to studying inter-journal communication involves analyzing journal citation graphs. This paper proposes a method for analyzing journal networks using a new type of bibliometric graph — a journal intersection graph based on the binary operation of set intersection — employing techniques grounded in the friendship index and the disparity function. The approach is demonstrated using a relatively small example of a real journal network, with data sourced from the All-Russian portal Math-Net.Ru information system: 63 journals from 2008–2021 meeting specific criteria, containing almost 69 thousand articles authored by 54 thousand individuals. The mathematical model of this real-world network is represented as an intersection graph using the Jaccard coefficient, which exhibits specific properties: low dimensionality, high graph density, and an edge weight distribution that is not approximated by a power law function. The obtained results include the network structure of connections within the studied set of journals, accounting for their degree of interaction, and the identification of significant vertices using the friendship index. This captures the graph’s structural properties, offers an obvious substantive interpretation, and allows for ranking journals by this metric. Thus, the method implements a tool for distinguishing between vertices that are leaders in terms of the friendship index and “network integrators” (based on closeness/betweenness centrality). It also demonstrates a qualitative change in structural properties when reducing graph density while maintaining connectivity, achieved by applying the disparity function. The sequential application of the disparity function while lowering the significance threshold allows for the identification of the graph’s core, containing the most strongly connected vertices. This, in turn, enables the determination of a set of vertices (and corresponding journals) that are simultaneously part of the core and have the highest significance according to the friendship index. An analysis of the levels of this resulting journal set within the “Belyi Spisok” (“White List”) shows these journals have a high rating. The findings provide a deeper understanding of the relationship structure within scientific journal networks and define new approaches for their study.

Цель настоящего исследования заключается в разработке методологии выявления точек разворота на временных рядах, включая в том числе финансовые данные. Теоретической основой исследования послужили работы, посвященные анализу структурных изменений на финансовых рынках, описанию предложенных алгоритмов обнаружения точек разворота и особенностям построения моделей классического и глубокого машинного обучения для решения данного типа задач. Разработка подобного инструментария представляет интерес для инвесторов и других заинтересованных сторон, предоставляя дополнительные подходы к эффективному анализу финансовых рынков и интерпретации доступных данных.

Для решения поставленной задачи была обучена нейронная сеть. В ходе исследования было рассмотрено несколько способов формирования тренировочных выборок, которые различаются характером статистических параметров. Для повышения качества обучения и получения более точных результатов была разработана методология формирования признаков, служащих входными данными для нейронной сети. В свою очередь, эти признаки формируются на основе анализа математического ожидания и стандартного отклонения временных рядов на некоторых интервалах. Также исследуется возможностьих комбинации для достижения более стабильных результатов.

Результаты модельных экспериментов анализируются с целью сравнения эффективности предложенной модели с другими существующими алгоритмами обнаружения точек разворота, получившими широкое применение в решении практических задач. В качестве тренировочных и тестовых данных используется специально созданный датасет, генерация которого осуществляется с использованием собственных методов. Кроме того, обученная на различных признаках модельте стируется на дневных данных индекса S&P 500 в целях проверки ее эффективности в реальном финансовом контексте.

По мере описания принципов работы модели рассматриваются возможности для дальнейшего ее усовершенствования: модернизации структуры предложенного механизма, генерации тренировочных данных и формирования признаков. Кроме того, перед авторами стоит задача развития существующих концепций определения точек изменения в режиме реального времени.

The purpose of this study is to develop a methodology for change points detection in time series, including financial data. The theoretical basis of the study is based on the pieces of research devoted to the analysis of structural changes in financial markets, description of the proposed algorithms for detecting change points and peculiarities of building classical and deep machine learning models for solving this type of problems. The development of such tools is of interest to investors and other stakeholders, providing them with additional approaches to the effective analysis of financial markets and interpretation of available data.

To address the research objective, a neural network was trained. In the course of the study several ways of training sample formation were considered, differing in the nature of statistical parameters. In order to improve the quality of training and obtain more accurate results, a methodology for feature generation was developed for the formation of features that serve as input data for the neural network. These features, in turn, were derived from an analysis of mathematical expectations and standard deviations of time series data over specific intervals. The potential for combining these features to achieve more stable results is also under investigation.

The results of model experiments were analyzed to compare the effectiveness of the proposed model with other existing changepoint detection algorithms that have gained widespread usage in practical applications. A specially generated dataset, developed using proprietary methods, was utilized as both training and testing data. Furthermore, the model, trained on various features, was tested on daily data from the S&P 500 index to assess its effectiveness in a real financial context.

As the principles of the model’s operation are described, possibilities for its further improvement are considered, including the modernization of the proposed model’s structure, optimization of training data generation, and feature formation. Additionally, the authors are tasked with advancing existing concepts for real-time changepoint detection.

В статье обсуждается проблема влияния целей исследования на структуру многофакторной модели регрессионного анализа (в частности, на реализацию процедуры снижения размерности модели). Демонстрируется, как приведение спецификации модели множественной регрессии в соответствие целям исследования отражается на выборе методов моделирования. Сравниваются две схемы построения модели: первая не позволяет учесть типологию первичных предикторов и характер их влияния на результативные признаки, вторая схема подразумевает этап предварительного разбиения исходных предикторов на группы (в соответствии с целями исследования). На примере решения задачи анализа причин выгорания творческих работников показана важность этапа качественного анализа и систематизации априори отобранных факторов, который реализуется не вычислительными средствами, а за счет привлечения знаний и опыта специалистов в изучаемой предметной области.

Представленный пример реализации подхода к определению спецификации регрессионной модели сочетает формализованные математико-статистические процедуры и предшествующий им этап классификации первичных факторов. Наличие указанного этапа позволяет объяснить схему управляющих (корректирующих) воздействий (смягчение стиля руководства и усиление одобрения приводят к снижению проявлений тревожности и стресса, что, в свою очередь, снижает степень выраженности эмоционального истощения участников коллектива). Предварительная классификация также позволяет избежать комбинирования в одной главной компоненте управляемых и неуправляемых, регулирующих и управляемых признаков-факторов, которое могло бы ухудшить интерпретируемость синтезированных предикторов.

На примере конкретной задачи показано, что отбор факторов-регрессоров — это процесс, требующий индивидуального решения. В рассмотренном случае были последовательно использованы: систематизация признаков, корреляционный анализ, метод главных компонент, регрессионный анализ. Первые три метода позволили существенно сократить размерность задачи, что не повлияло на достижение цели, для которой эта задача была поставлена: были показаны существенные меры управляющего воздействия на коллектив, позволяющие снизить степень эмоционального выгорания его участников.

The article discusses the problem of the influence of the research goals on the structure of the multivariate model of regression analysis (in particular, on the implementation of the procedure for reducing the dimension of the model). It is shown how bringing the specification of the multiple regression model in line with the research objectives affects the choice of modeling methods. Two schemes for constructing a model are compared: the first does not allow taking into account the typology of primary predictors and the nature of their influence on the performance characteristics, the second scheme implies a stage of preliminary division of the initial predictors into groups, in accordance with the objectives of the study. Using the example of solving the problem of analyzing the causes of burnout of creative workers, the importance of the stage of qualitative analysis and systematization of a priori selected factors is shown, which is implemented not by computing means, but by attracting the knowledge and experience of specialists in the studied subject area. The presented example of the implementation of the approach to determining the specification of the regression model combines formalized mathematical and statistical procedures and the preceding stage of the classification of primary factors. The presence of this stage makes it possible to explain the scheme of managing (corrective) actions (softening the leadership style and increasing approval lead to a decrease in the manifestations of anxiety and stress, which, in turn, reduces the severity of the emotional exhaustion of the team members). Preclassification also allows avoiding the combination in one main component of controlled and uncontrolled, regulatory and controlled feature factors, which could worsen the interpretability of the synthesized predictors. On the example of a specific problem, it is shown that the selection of factors-regressors is a process that requires an individual solution. In the case under consideration, the following were consistently used: systematization of features, correlation analysis, principal component analysis, regression analysis. The first three methods made it possible to significantly reduce the dimension of the problem, which did not affect the achievement of the goal for which this task was posed: significant measures of controlling influence on the team were shown. allowing to reduce the degree of emotional burnout of its participants.

Алгоритмы декомпозиции являются методами решения NP-трудных задач дискретной оптимизации (ДО). В этой статье демонстрируется один из перспективных методов, использующих разреженность матриц, — локальной элиминационный алгоритм в параллельной интерпретации (ЛЭАП). Это алгоритм структурной из декомпозиции на основе графа, который позволяет найти решение поэтапно таким образом, что каждый последующих этапов использует результаты предыдущих этапов. В то же время ЛЭАП сильно зависит от порядка элиминации, который фактически является стадиями решения. Также в статье рассматриваются древовидный и блочный тип распараллеливания для ЛЭАП и необходимые процессы их реализации.

The decomposition algorithms provide approaches to deal with NP-hardness in solving discrete optimization problems (DOPs). In this article one of the promising ways to exploit sparse matrices — local elimination algorithm in parallel interpretation (LEAP) are demonstrated. That is a graph-based structural decomposition algorithm, which allows to compute a solution in stages such that each of them uses results from previous stages. At the same time LEAP heavily depends on elimination ordering which actually provides solving stages. Also paper considers tree- and block-parallel for LEAP and required realization process of it comparison of a several heuristics for obtaining a better elimination order and shows how is related graph structure, elimination ordering and solving time.