35、股票市场异常检测与MOOC课程创建策略

股票市场异常检测与MOOC课程创建策略

股票市场异常检测

在股票市场数据集中，为了检测异常情况，采用了一种结合K-means聚类算法和自定义得分（dev-score）的方法。

数据与聚类结果

使用了5990个股票市场数据点进行分析。通过运行K-means算法，形成了两个聚类，分别标记为0和1。以下是这两个聚类的质心位置和波动情况：
| 聚类 | 质心位置（Volume） | 波动（Fluctuation） |
| ---- | ---- | ---- |
| 0 | 455,940.01 | 1.36 |
| 1 | 10,746,971.05 | 2.35 |

聚类结果中，蓝色和黄色点分别代表属于两个不同聚类的数据点，星号表示它们的质心。距离质心最远的聚类被检测为异常值。

异常检测步骤

1. 计算dev-score ：在聚类出现后，为两个聚类中的所有点计算dev-score。
2. 标记异常点 ：如果某个点的dev-score大于为每个聚类设置的阈值，则该点被标记为异常。

经过对5990个数据点的处理，发现聚类0中有5866个点（蓝色点），聚类1中有114个点（黄色点）。计算每个点的dev-score后，聚类0中有97个异常值，聚类1中有2个异常值。

在具体的输出截图中，对于不同股票标记为“0”和“1”的两个聚类，还可以观察到每个公司的dev-score值。例如，“ABX”和“FIT”公司的dev-score值大于2.