Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Využití teorie náhodných matic
Hana Srbová
Fakulta jaderná a fyzikálne inženýrská, CVUT Praha
17. 4. 2012
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obsah
1 Úvod
2 Chaos
3 Approach to financial cross-correlations
4 Analysis of Human EEG Data
5 Control of HIV infection
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Využití teorie náhodných matic
Statistika více promennýchNumerická analýzaTeorie grafuFinancní korelace pri dokonalé konkurenciModelování dopravy a pohybu chodcuJaderná a kvantová fyzikaBezdrátová komunikaceŠírení zvukuStudium lidského EEGStudium HIV
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
CHAOS IN ONE-DIMENSIONAL INTEGRABLEQUANTUM SYSTEM
Šeba P., Vašata D.. Physics Letters A, Vol. 373 (2009), pp. 826–831.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Model
Kvantová cástice rozmístena na kruhu s n bodovýmiinterakcemi rozmístenými na pozicích
0 < x1 < . . . < xn < 2π
Bodová interakce na pocátku popsána hranicnímipodmínkami
1α
f (0−) = f (0+), f ′(0−) = f ′(0+) ,
kde α ∈ (0,+∞) je parametr
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Model
Hamiltonián systému je reprezentován jednorozmernýmLaplaceovým operátorem
Tα = − d2
dx2
a hranicními podmínkami:
f (2π−) = f (0+) , f ′(2π−) = f ′(0+) , (1)
1α
f (xk−) = f (xk+) , f ′(xk−) = f ′(xk+) . (2)
Pozice bodových interakcí jsou xk =2π√
pk√pn+1
, k = 1,2, . . . ,n,kde pk oznacuje k -té prvocíslo
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Výsledky pro prípad α = 1
Místo vlastních císel El = k2l , které jsou dvakrát
degenerované, uvažujeme hodnoty el = 2|kl |Rešení: e2l−1 = e2l = 2l , l = 1,2, . . .Definujeme-li rozestupy sl = el+1 − el , je potom hustotapravdepodobnosti tvaru
P(s) =(δ(s) + δ(s − 2))
2
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Výsledky pro prípad α 6= 1
Popis systému se liší pro sudá a lichá vlastní císlaRozestupy lichých vlastních císel podléhají Wignerovedistribuci blížící se distribuci PGOE
PW (s) =π
2s e−πs2/4
Distribuce rozestupu sudých vlastních císel se nikdynepriblíží teorii náhodných matic
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Srovnání hustoty pravdepodobnosti rozestupu s2j−1 lichých vlastních císelpro 47 bodových interakci, α = 1,001 a pocet použitých rozestupu roven 1 · 105
s Wignerovou distribucí (plná cára) a presným rešením GOE (hvezdy).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Srovnání hustoty pravdepodobnosti rozestupu sudých vlastních císel pro 9bodových interakci, α = 1,9 a pocet použitých rozestupu roven 1 · 105 s Wignerovoudistribucí (plná cára) a presným rešením GOE (hvezdy).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Srovnání hustoty pravdepodobnosti rozestupu vlastních císel pro modelna prímce pro 9 bodových interakci, α = 1,8 a pocet použitých rozestupu 1 · 105
s Wignerovou distribucí (plná cára) a presným rešením GOE (hvezdy).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
A RANDOM MATRIX THEORY APPROACH TOFINANCIAL CROSS-CORRELATIONS
Plerou V., Gopikrishnan P., Rosenow B., Amaral L.A.N., Stanley H.E.. J. Phys. A:
Statistical Mechanics and its Applications, Vol. 278 (2000), pp. 374–382.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Úvod do problematiky
Analyzujeme 30-minutový výnos 1 000 nejvetších US akciív rozmezí dvou let 1994–199520 z nejvetších vlastních císel (2%) vykazují odchylkyod RMT⇒ ukazují na vlastnosti specifické pro danýsystémU zbylých urcujeme korelacní matici a testujeme rozestupyvl. císel, abychom urcili, zda jsou opravdu náhodnéRozestupy získáme ze vztahu s ≡ λi+1 − λi , kde posl. λioznacuje rozbalená vlastní císla serazená podle velikosti
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Výsledky
Pro korelacní matici C vypoctenou ze vztahu
Cij =〈GiGj〉 − 〈Gi〉〈Gj〉
σiσj,
kde Gi je casový sled cenových fluktuací pro i-tou akcii
i = 1, . . . ,N a σi =√〈G2
i 〉 − 〈Gi〉2 byla prokázána shodas reálnou symetrickou náhodnou maticí (ci GOE maticí)Aplikace mnohem citlivejšího testu - rozptyl poctu vlastníchcísel potvrdila shodu C s RMT
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Problémy vycíslení korelací
Chybí algoritmus pro urcení interakcní síly mezi dvemaspolecnostmi (prestože by každá ze spolecností melainteragovat prímo ci neprímo, presná povaha interakcí jeneznámá)Korelace by nemely zahrnovat jen dve spolecnosti, ale celýshlukKorelace Cij se mení v casePro každou akcii máme pouze konecný pocet interakcí Gij ,ze kterých tvoríme prumernou korelaci mezi firmami i a j
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Analýza vlastních vektoru
Složky vlastních vektoru náhodné korelacní matice jsounormálne rozloženy se strední hodnotou rovnou 0 arozptylem 1Nejvetší vlastní císlo je silne negaussovské, „má tendencibýt z rovnomerného rozdelení“, což signalizuje, ževšechny spolecnosti jsou navzájem propojenyStabilita vlastních vektoru klesá smerem k hranicipredpovedi RMT
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Rozdelení složek vlastních vektoru.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Analýza výnosu a S&P 500 indexu
GSP500 ≡∑500
i=1 wiGi , kde Gi jsou výnosy jednotlivýchfirem, wi ≡ Si/
∑Nj=1 Sj , Si oznacuje trhové financování i-té
spolecnostiOcekávání konvergence GSP500 ke Gaussovu rozdeleníGi i GSP500 mají stejné asymptotické chování blížící sek 1
x1+α , kde 1 + α ≈ 4V prípade promíchání casu pro Gi(t), pozorované chovánímezi výnosy S&P 500 indexu již neplatí, což naznacujeexistenci netriviálních korelací
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Další zajímavosti
Distribuce rustových sazeb firemních tržeb nezávisína odvetví prumyslu ani na trhovém financováníŠíre σ techto distribucí klesá se zvyšujícím se S,σ(S) ∼ S−β pro β ≈ 1/6Podobné β objeveny také napr. v prípade, že za S bylzvolen pocet zamestnancuObdobné statistické vlastnosti nalezeny i pro GDP (grossdomestic product) ci pro financování univerzitních výzkumu
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
RANDOM MATRIX ANALYSIS OF HUMAN EEGDATA
Šeba P.. Phys. Rev. Lett., Vol. 91 (2003), 198104.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Záznamy 90 lidí nejprve v klidu, poté stimulovanýchMerení elektrodami umístenými na pokožku hlavy - nekterémerení pomocí 19 elektrod, nekteré pomocí 15⇒sestavení korelacní maticePotvrzení ocekávání, že spektrální analýza je závislána jedinci, avšak nekteré rysy jsou spolecnéPro malá vl. císla závisí od jedince, pro velká pozorovánalgebraický chvost⇒ zdánlive individuální mozkováaktivita obsahuje urcitou hladinu synchronizace
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Hustota vlastních císel pro data získaná od 3 osob v klidu.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Serazení vlastních císel ξn podle velikosti a definovánírozestupu sn = ξn+1 − ξn
Rozdelení rozestupu shodné s Wignerovou distribucí P(s)
Rozptyl poctu Σ2(L), kde L je pocet po sobe jdoucíchprvocísel, lze približne vyjádrit jako
Σ2(L) ≈ 2π2
(log(2πL) + 1,5772− π2
8
)Pri analýze vynechaná data s vlivy typu mrkání, pohybjedince atd.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Hustota rozestupu pro jedince v klidu (krížky) a pro stimulovaní jedince(ctverce) srovnaná s Wignerovou formulí (plná cára).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Rozptyl poctu pro jedince v klidu (krížky) a pro stimulované jedince (ctverce)srovnaný s výše uvedenou aproximací.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
EFFECTS OF THYMIC SELECTION OF THE T-CELLREPERTOIRE ON HLA CLASS I-ASSOCIATED
CONTROL OF HIV INFECTIONKošmrlj A., Read E.L., Qi Y., Allen T.M., Altfeld M., Deeks S.G.,Pereyra F., Carrington
M., Walker B.D., Chakraborty A.K.. Nature, Vol. 465 (2010), pp. 350–354.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Úvod do biologických pojmu
T-bunka – imunitní bunka patrící ke skupine bílých krvinekTCR – receptor T-bunkyMHC (major histocompability complex) – komplex, kterývystavuje cásti proteinu T-bunce⇒ v prípade, že se jednáo „cizí“ proteiny, nastává imunitní reakceHLA (human leukocyte antigen) – lidský MHCMamu – MHC makakupMHC – peptid MHC
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Clánek se skládá z techto 4 cástí:
HLA-peptide binding predictions
Thymic selection model and antigen recognition
Host-pathogen interaction dynamics
HLA-allele association with ability to control HIV
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
HLA-peptide binding predictions
Peptidy odvozené od lidského proteomu dávaly v podstatestejné výsledky jako náhodne generované peptidyPro cca 107 jedinecných peptidu odvozených od lidskéhoproteomu máme tyto výsledky:
7 · 104 se naváže na HLA-B*5701⇒ imunitní reakce18 · 104 se spojí s HLA-B*0701⇒ imunitní reakcenenastává
Využité metody:Artificial neural networks (ANN)Stabilized matrix method (SMM)
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Pravdepodobnost, s kterou se repertoár T-bunky spojí urcitou interakcní silous peptidy viru. Konkrétní repertoár T-bunky rozpozná peptidu viru, když vazebná sílaprekrocí poznávací práh (prerušovaná cára).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Host-pathogen interaction dynamics
Koeficient šírení retezce viru pochází z rovnomernéhorozdelení mezi 0–2 000 nových bunek viru za den.Interakce volné energie mezi T-bunkou daného klonotypu azbytkem viru na urceném epitopu je náhodná velicinaz rovnomerného rozdelení, pricemž šírka tohoto rozdeleníurcuje, jaká je pravdepodobnost, že daná T-bunkarozpozná peptid viru.Rozdelení repertoáru T-bunek se blíží k normálnímurozdelení interagujících energií.Rozdílnosti ve vzájemném pusobení mezi antigenem aimunitním receptorem jsou krome virové širitelnostízachycené ve velicine σij , jejíž rozdelení je zobrazené viznásledující obrázek.
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Obrázek: Model generování prvku σij matice popisující rozpoznání pMHC T-bunkou.Stupen reaktivity v simulacích závisí na rovnomerném rozdelení, ze kterého jsounáhodne vybrány interakcní síly mezi jednotlivými pozustatky epitopu a TRC (vpravo).
Úvod Chaos Approach to financial cross-correlations Analysis of Human EEG Data Control of HIV infection
Dekuji za pozornost.