Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Collaborative Research and Development Grants

Université de Sherbrooke

$55,000.00

Regime Learning and Prediction on Time-series Data

FY 2021-22

Summary
This project investigates regime identification and characterization, and regime switching prediction in time series data, with applications in financial data analysis. A regime corresponds to a dynamic structure such as volatility, trends, patterns, dependence between financial assets. Regime switch analysis aims to detect such structures and their duration, and to forecast whether and how the structure changes from one regime to another. It is a key issue in many fields including climate dynamics, environmental ecology, financial economics, energy, meteorology, medicine, even tourism. As examples, portfolio managers of hedge funds could benefit from understanding the implications of regime switches in a financial ecosystem since the prediction of upcoming structural changes allows them to optimize the investment decisions, i.e. maximizing profits and reducing risks. Understanding regime switches in electricity consumption helps an electricity company forecast loads and manage the production or purchase of electricity.This project aims to discover cross-sectional market dynamics by investigating a new approach to regime identification and RS prediction. By approaching the problem from a data mining perspective, we will build a novel non-parametric/semi-parametric framework that eases the discovery of dynamics and features in the financial ecosystem. Our approach includes several innovative components. We search for and explore sequential patterns and trajectories in feature spaces to characterize regimes. We assess effects of outliers on regime changes. We search for and explore trajectories at the regime space in order to enable the use of non-linear machine learning models for RS prediction. We seek to identify causality rules and relationships between financial assets and their effectiveness in predicting important financial events, to provide insights on regime formation and duration and to leverage these insights for portfolio management. We design and develop new prediction models by exploring survival analysis, deep learning and pattern features.#(cr)#(lf)Ce projet porte sur la détection et la caractérisation de régimes, ainsi que la prévision de changement de régime dans les données de séries temporelles, avec des applications en analyse de données financières. Un régime correspond à une structure dynamique telle que la volatilité, les tendances, la dépendance entre les actifs financiers, etc. L'analyse du changement de régime vise à détecter de telles structures et leurs durées, et de prédire si et comment les structures changeront d'un régime à un autre. C'est une question clé dans de nombreux domaines, notamment la climatologie, l'écologie environnementale, la finance et l'économie, l'énergie, la météorologie, la médecine, voire le tourisme. À titre d'exemple, les gestionnaires de portefeuille de fonds de couverture gagneraient à comprendre les implications des changements de régime dans un écosystème financier puisqu'une bonne prédiction des changements structurels à venir leur permettrait d'optimiser les décisions d'investissement, c'est-à-dire de maximiser les bénéfices et réduire les risques. Ce projet vise à comprendre la dynamique transversale du marché financier en explorant une nouvelle approche pour la détection de régimes et pour la prédiction des changements de régime. En abordant le problème du point de vue du forage de données, nous construirons un nouveau cadre permettant la découverte de la dynamique et des caractéristiques de l'écosystème financier. Notre approche comprend plusieurs composants innovants. Nous découvrons et explorons des patrons séquentiels et trajectoires pour caractériser les régimes. Nous évaluons les effets des valeurs aberrantes sur les changements de régime. Nous explorons des trajectoires afin de construire des modèles de prédiction non linéaires. Nous cherchons à identifier les règles de causalité et les relations entre les actifs financiers, afin de fournir des informations
Program
Collaborative Research and Development Grants
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
537461-2018
Name nom
Wang, Shengrui
Department département
Informatique
Organization id
68
Institution établissement
Université de Sherbrooke
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2021
Competition year année de concours
2018
Award amount
55000
Program id
CRDPJ
Program name en
Collaborative Research and Development Grants
Program name fr
Subventions de recherche et développement coopérative
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
802
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Information systems and technology
Area of application fr
Systèmes d'information et technologie de l'information
Research subject code
2605
Research subject group en
Robotics
Research subject group fr
Robotique
Research subject en
Pattern analysis and machine intelligence
Research subject fr
Analyse de formes et intelligence artificielle
Installment
inst:3
Partie
1
Nb partie
3
Application title
Regime Learning and Prediction on Time-series Data
Keyword
NSERC
Application summary
This project investigates regime identification and characterization, and regime switching prediction in time series data, with applications in financial data analysis. A regime corresponds to a dynamic structure such as volatility, trends, patterns, dependence between financial assets. Regime switch analysis aims to detect such structures and their duration, and to forecast whether and how the structure changes from one regime to another. It is a key issue in many fields including climate dynamics, environmental ecology, financial economics, energy, meteorology, medicine, even tourism. As examples, portfolio managers of hedge funds could benefit from understanding the implications of regime switches in a financial ecosystem since the prediction of upcoming structural changes allows them to optimize the investment decisions, i.e. maximizing profits and reducing risks. Understanding regime switches in electricity consumption helps an electricity company forecast loads and manage the production or purchase of electricity.This project aims to discover cross-sectional market dynamics by investigating a new approach to regime identification and RS prediction. By approaching the problem from a data mining perspective, we will build a novel non-parametric/semi-parametric framework that eases the discovery of dynamics and features in the financial ecosystem. Our approach includes several innovative components. We search for and explore sequential patterns and trajectories in feature spaces to characterize regimes. We assess effects of outliers on regime changes. We search for and explore trajectories at the regime space in order to enable the use of non-linear machine learning models for RS prediction. We seek to identify causality rules and relationships between financial assets and their effectiveness in predicting important financial events, to provide insights on regime formation and duration and to leverage these insights for portfolio management. We design and develop new prediction models by exploring survival analysis, deep learning and pattern features.#(cr)#(lf)Ce projet porte sur la détection et la caractérisation de régimes, ainsi que la prévision de changement de régime dans les données de séries temporelles, avec des applications en analyse de données financières. Un régime correspond à une structure dynamique telle que la volatilité, les tendances, la dépendance entre les actifs financiers, etc. L'analyse du changement de régime vise à détecter de telles structures et leurs durées, et de prédire si et comment les structures changeront d'un régime à un autre. C'est une question clé dans de nombreux domaines, notamment la climatologie, l'écologie environnementale, la finance et l'économie, l'énergie, la météorologie, la médecine, voire le tourisme. À titre d'exemple, les gestionnaires de portefeuille de fonds de couverture gagneraient à comprendre les implications des changements de régime dans un écosystème financier puisqu'une bonne prédiction des changements structurels à venir leur permettrait d'optimiser les décisions d'investissement, c'est-à-dire de maximiser les bénéfices et réduire les risques. Ce projet vise à comprendre la dynamique transversale du marché financier en explorant une nouvelle approche pour la détection de régimes et pour la prédiction des changements de régime. En abordant le problème du point de vue du forage de données, nous construirons un nouveau cadre permettant la découverte de la dynamique et des caractéristiques de l'écosystème financier. Notre approche comprend plusieurs composants innovants. Nous découvrons et explorons des patrons séquentiels et trajectoires pour caractériser les régimes. Nous évaluons les effets des valeurs aberrantes sur les changements de régime. Nous explorons des trajectoires afin de construire des modèles de prédiction non linéaires. Nous cherchons à identifier les règles de causalité et les relations entre les actifs financiers, afin de fournir des informations
Université de Sherbrooke - $55,000 Grant (2021-22) | Canada Spends