• Thema: Ökonomische Daten
• Referent: Markus Wunsch
• Termin: 11.05.2007
• Dokumente: Folien [pdf]   |   Ausarbeitung [pdf]

Zusammenfassung

In der Finanzwelt ist das einfache Liniendiagramm immer noch die am weitesten verbreitete Visualisierungsmethode für Zeitreihen - und dies trotz vieler Neuerungen durch modernere Visualisierungsmethoden, die auf heutigen Rechnern angewandt die komplexen Untersuchungen, die beispielsweise ein Aktienanalyst durchführt, durch eine auf das jeweilige Einsatzgebiet spezialisierte Informationsdarstellung stark vereinfachen würden.

Im ersten Teil der Präsentation werden von diesen einfachen Liniendiagrammen ausgehend die Grundlagen für das Verständnis der neuen Methoden gelegt, indem dieses Standardkonzept erweitert wird sowie wichtige Begriffe und Verfahren für die folgenden Teile definiert werden.

Im zweiten Teil werden wichtige Vertreter der State of the Art-Visualisierungsmethoden für zeitabhängige ökonomische Daten besprochen. Neben der Funktionsweise der Algorithmen werden verschiedene Aufgaben in der Finanzanalyse dargestellt, für die sie sich jeweils besonders eignen. Zu diesen Aufgaben gehören die Vermittlung einer Übersicht über mögliche Renditen aus Investments in der Vergangenheit, die Erkennung von Patterns in Kursverläufen und die Untersuchung der Korrelationseigenschaften von multivariaten Zeitreihen. Den Abschluss dieses Teils bildet die Präsentation der im Hauptpaper "A Spectral Visualization System for Analyzing Financial Time Series Data" vorgestellten Visualisierungsmethode.

...

Literatur

• D. A. Keim, T. Nietzschmann, N. Schelwies, J. Schneidewind, T. Schreck, H. Ziegler: A Spectral Visualization System for Analyzing Financial Time Series Data, EuroVis 2006: Eurographics/IEEE-VGTC Symposium on Visualization, Lisbon, Portugal, 8-10 May, 2006.


• Hochheiser H., Shneiderman B.: Dynamic query tools for time series data sets: timebox widgets for interactive exploration. Information Visualization 3, 1 (2004), 1–18.


• Schumann H., Mueller W.: Visualization methods for timedependent data – an overview. In Proc.Winter Simulation Conference (2003), ACM, pp. 737–745.


• Weber M., Alexa M., Mueller W.: Visualizing time-series on spirals. In INFOVIS ’01: Proceedings of the IEEE Symposium on Information Visualization 2001 (INFOVIS’ 01) (Washington, DC, USA, 2001), IEEE Computer Society, pp. 7–14.


• Wijk J. J. V., Selow E. R. V.: Cluster and calendar based visualization of time series data. In INFOVIS ’99: Proceedings of the 1999 IEEE Symposium on Information Visualization (Washington, DC, USA, 1999), IEEE Computer Society, pp. 4–9.


• Wattenberg M.: Visualizing the stock market. In CHI ’99: CHI ’99 extended abstracts on Human factors in computing systems (New York, NY, USA, 1999), ACM Press, pp. 188–189.


• Patrick J. F. Groenen, Philip Hans Franses: Visualizing time-varying correlations across stock markets, Journal of Empirical Finance, 2000, vol. 7, issue 2, pages 155-172


• Lin J., Keogh E., Lonardi S., Lankford J. P., Nystrom D. M.: Visually mining and monitoring massive time series. In KDD ’04: Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining (New York, NY, USA, 2004), ACM Press, pp. 460–469.