Dissertação
Outlier Detection in Functional Time Series EVALUATED
Recentemente, métodos para representar dados através de funções ou curvas têm vindo a ganhar atenção. Tais dados são conhecidos como dados funcionais. Conjuntos de dados funcionais típicos consistem em séries temporais e dados de corte transversal, como por exemplo séries temporais de preços de ações. Contudo, a presença de outliers tem efeitos adversos na modelação e previsão de dados funcionais. Neste contexto, deteção de outliers não é uma tarefa fácil considerando que nem sempre é possível visualizar todo o conjunto de dados funcionais (curvas, imagens ou funções). Todavia, processos para detetar outliers funcionais têm sido propostos nos últimos anos. Alguns destes processos são baseados na Análise de Componentes Principais Funcionais (ACPF), onde se assume que cada curva amostral provem de uma distribuição independente e idêntica. Esta suposição é inconsistente com dados financeiros, onde as amostras são frequentemente interligadas por um processo dinâmico temporal subjacente. Estas dinâmicas deveriam ser consideradas na deteção de outliers em séries temporais funcionais. Para lidar com esta situação, foi proposta uma extensão dinâmica de ACPF, que tem em consideração a estrutura de dependências dos dados funcionais. Posto isto, este trabalho introduz um método de deteção de outliers para séries temporais funcionais baseado nestas componentes principais dinâmicas. Esta técnica é, então, aplicada na deteção de outliers em dados financeiros.
dezembro 18, 2019, 15:0
Publicação
Obra sujeita a Direitos de Autor