Dark liquidity. One of the main advantages for institutional investors in using dark pools is for buying or selling large blocks of securities without showing their hand to others and thus avoiding market impact as neither the size of the trade nor the identity are revealed until the trade is filled. However, it also means that some market participants are disadvantaged as they cannot see the trades before they are executed; prices are agreed upon by participants in the dark pools, so the market becomes no longer transparent.[4] These systems and strategies typically seek liquidity among open and closed trading venues, such as other alternative trading systems. As such, they are particularly useful for computerized and quantitative strategies. Dark pools have been growing in importance[when?]
Iceberg orders[edit] Dark pools[edit] Dark pools are recorded to the national consolidated tape. Price discovery[edit] Market impact[edit] Adverse selection[edit] Pipeline LLC controversy[edit] In 2009 the U.S. Dark pool. Un article de Wikipédia, l'encyclopédie libre. Un « dark pool » est un système boursier exploité par un prestataire de services d'investissement ou un opérateur de marché permettant de contourner les réglementations tout en restant anonyme. Le dark pool assure la rencontre, en son sein et selon des règles définies par lui-même, des transactions (achats et ventes) sur des instruments financiers (marché dit « de gré à gré »). Il se place hors du marché financier réglementé dont en permettant à ses clients de rester anonymes. Un dark pool est ainsi un système alternatif aux grandes bourses réglementées de chaque pays et aux systèmes multilatéraux de négociation.
Il est autorisé depuis 2007 en Europe par la Directive européenne sur les marchés d'instruments financiers[1]. En 2012, il y représente environ le sixième de toute l'activité boursière, avec des échanges d'environ 100 milliards d'euros[2]. Objet[modifier | modifier le code] Historique[modifier | modifier le code] Flash Crash de 2010. Un article de Wikipédia, l'encyclopédie libre. Le Flash Crash de 2010, parfois nommé tout simplement Flash Crash[1], fait référence au krach arrivé le 6 mai 2010 aux États-Unis. Diagramme montrant la « toxicité » des flux d'ordres lancés la journée du 6 mai 2010 Ce jour-là, l'indice Dow Jones Industrial Average a perdu environ 998,52 points avant de regagner 600 points, entre 14 h 42 et 14 h 52 au New York Stock Exchange[2],[3]. Une baisse de 9,2 % en l'espace de 10 minutes était sans précédent dans l'histoire.
Cet incident a mis au jour l'implication du high frequency trading qui représente désormais les deux tiers[4] des transactions boursière sur le NYSE. Ce 6 mai 2010, en début d'après-midi, le Dow Jones a commencé à décliner pendant que la crise de la dette souveraine grecque s'intensifiait et alors que la plupart des grands indices financiers aussi bien sur le marché des futures que sur les marchés des actions avait déjà subi une baisse d'environ 4 %. Epagogix | experience - knowledge - prediction. Algorithmic trading. Sensitivity analysis. Sensitivity analysis is the study of how the uncertainty in the output of a mathematical model or system (numerical or otherwise) can be apportioned to different sources of uncertainty in its inputs.[1] A related practice is uncertainty analysis, which has a greater focus on uncertainty quantification and propagation of uncertainty.
Ideally, uncertainty and sensitivity analysis should be run in tandem. Sensitivity analysis can be useful for a range of purposes,[2] including: Taking an example from economics, in any budgeting process there are always variables that are uncertain. Future tax rates, interest rates, inflation rates, headcount, operating expenses and other variables may not be known with great precision. Sensitivity analysis answers the question, "if these variables deviate from expectations, what will the effect be (on the business, model, system, or whatever is being analyzed), and which variables are causing the largest deviations? " Overview[edit] Core methodology[edit] Stéphane Donikian, au cœur de l’aventure de Golaem. Une innovation pluridisciplinaire. C’est sûrement ce qui caractérise le mieux les solutions logicielles proposées par Golaem, cette spin-off d’Inria, spécialisée dans la modélisation et la simulation de comportements humains.
L’entreprise propose des logiciels inédits, capables de reproduire des mouvements réalistes de foules à l’échelle des individus, en interaction avec leur environnement, s’adaptant et anticipant leurs déplacements selon la densité de la foule, la signalétique, les obstacles, les événements. Avec ce prix de l’innovation Inria-Dassault Systèmes, Golaem se voit une fois encore récompensée – elle a aussi été lauréate du concours national d’aide à la création d’entreprises de technologies innovantes en catégorie émergence en 2008 et création-développement en 2009. Validation temps-réel d’environnement industriel © Golaem - © Golaem « Nous avons toujours privilégié une approche globale, explique Stéphane Donikian, PDG de Golaem.
Interview Dassault Systèmes D. Témoignages. Educational Data Mining. JEDM - Journal of Educational Data Mining. The Journal of Educational Data Mining (JEDM; ISSN 2157-2100 ) is an international and interdisciplinary forum of research on computational approaches for analysing electronic repositories of student data to answer educational questions. Educational Data Mining is an emerging discipline, concerned with developing methods for exploring the unique types of data that come from educational settings, and using those methods to better understand students, and the settings in which they learn. The journal welcomes basic and applied papers describing mature work involving computational approaches of educational data mining. Specifically, it welcomes high-quality original work including but not limited to the following topics: From time to time, the journal also welcomes survey articles, theoretical articles, and position papers, in as much as these articles build on existing work and advance our understanding of the challenges and opportunities unique to this area of research.
Associate Editors : Learning and Knowledge Analytics - Analyzing what can be connected. Learning analytics. Learning analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimising learning and the environments in which it occurs.[1] A related field is educational data mining. For general audience introductions, see: The Educause Learning Initiative Briefing [2]The Educause Review on Learning analytics [3]And the UNESCO "Learning Analytics Policy Brief" (2012)[4] What is Learning Analytics? [edit] The definition and aims of Learning Analytics are contested. One earlier definition discussed by the community suggested that "Learning analytics is the use of intelligent data, learner-produced data, and analysis models to discover information and social connections for predicting and advising people's learning. " [5] But this definition has been criticised: "I somewhat disagree with this definition - it serves well as an introductory concept if we use analytics as a support structure for existing education models.
Le datajournalisme: vecteur de sens et de profits. Face à l'avalanche d'informations, les techniques de datamining permettent d'extraire du sens de bases de données. La confiance devient la ressource rare, créatrice de valeur. Et les médias peuvent s'en emparer. Ce post reprend les éléments d’une réflexion amorcée avec Mirko Lorenz et Geoff McGhee dans un article intitulé Media Companies Must Become Trusted Data Hubs [en] et présentée à la conférence re:publica XI. Chaque jour, nous produisons deux ou trois exaoctets [en] de données, soit 1 million de téraoctets. Si l’on veut synthétiser toute l’information produite en quelque chose de digeste pour l’utilisateur final, il faut résumer par un facteur de 100 milliards.
Pour faire sens de cette hyper-abondance de contenus, les professionnels de l’information doivent adopter de nouvelles techniques. Une fois équipé des bons outils, faire parler des masses de données devient possible. Toute information est une donnée Certaines initiatives vont dans ce sens. Médias liquides. Comment faire pour analyser les entrées du fichier journal générées par le programme vérificateur de ressources (SFC.exe) Microsoft Windows dans Windows Vista. Cet article explique comment faire pour analyser les fichiers journaux générés par le programme vérificateur de ressources (SFC.exe) Microsoft Windows dans Windows Vista. Présentation Vous pouvez utiliser le programme SFC.exe pour le dépannage d'incidents qui se produisent dans la partie Mode utilisateur de Windows Vista. Ces incidents peuvent être liés à des fichiers du système d'exploitation manquants ou endommagés. Le programme SFC.exe effectue les opérations suivantes : Il vérifie que les fichiers système Windows Vista non configurables n'ont pas été modifiés.
Comment faire pour analyser le fichier journal généré par le programme SFC.exe Comment faire pour afficher le fichier journal Le programme SFC.exe écrit les détails de chaque opération de vérification et de chaque opération de réparation dans le fichier CBS.log. Remarque Le service Installateur de modules Windows écrit également dans ce fichier journal. Comment faire pour interpréter les entrées du fichier journal. Procédure d'analyse d'un fichier journal UNIX/Linux. Mis à jour: mai 2009 S'applique à: Operations Manager 2007 R2 Vous pouvez utiliser le modèle Fichier journal UNIX/Linux pour créer une analyse permettant de rechercher une entrée de journal spécifique dans des fichiers journaux. La procédure suivante vous indique comment utiliser le modèle de pack d'administration Fichier journal UNIX/Linux.
Démarrez l'Assistant Ajout d'analyse. Sur la page Sélectionner le type d'analyse, dans la zone Sélectionner le type d'analyse, sélectionnez Fichier journal Unix\Linux, puis cliquez sur Suivant. Sur la page Nom et description du fichier journal Unix, procédez comme suit : Entrez un nom pour l'analyse dans la zone Nom.
Vous pouvez également entrer une description pour l'analyse (facultatif) dans la zone Description. Cartographier les connaissances scientifiques. Les techniques cartographiques peuvent s’appliquer à toutes les disciplines scientifiques, notamment en biologie où elle servent entre autres à décrire les réseaux trophiques (plus connus sous le nom réducteur de « chaînes alimentaires ») ainsi que des réseaux complexes d’interactions entre molécules. Je m’intéresserai aujourd’hui à leur application à l’épistémologie, c’est à dire l’étude de ce que sont les connaissances humaines. Les techniques cartographiques peuvent en effet décrire l’état des connaissances scientifiques ainsi que la dynamique de la recherche.
Après un historique rapide des cartes des sciences et quelques exemples récents, j’évoquerai les usages et applications de celles-ci. Une brève histoire de l’organisation des connaissances Illustration 1. « Système figuré des connoissances humaines » Cette classification vieille de deux siècles et demi semble aujourd’hui quelque peu désuète. Illustration 2. Les premières cartes des sciences Illustration 3. Illustration 4. Notes. [Labs] La communauté Knowtex sur Twitter à la loupe. Après avoir étudié les outils de cartographie de réseaux et vu leurs applications à la fois aux réseaux sociaux et à l’étude de la recherche scientifique, nous les avons utilisés pour tracer des conversations sur Twitter lors d’événements : La Nuit des Musées, le Festival Futur En Seine ou encore la conférence Lift France. Ces cartographies ont notamment attiré l’attention de plusieurs community managers qui ont exprimé leurs besoins d’outils pouvant les aider à comprendre leurs communautés.
Dans cette perspective, nous avons décidé de regarder à la loupe notre communauté, de triturer les données dans tous les sens et de vous livrer nos réflexions dans cet article un peu expérimental. Les cartes que nous allons vous montrer s’inspirent entre autre des travaux de Bernhard Rieder, maître de conférences en Information et Communication, qui a travaillé sur la diffusion de l’information sur Twitter, dans le cadre du projet « Internet, Pluralisme et Redondance de l’Information ». Al Gore. Gephi, an open source graph visualization and manipulation software. Www.fdcci.net. Welcome to Hadoop™ MapReduce! Exploration de données. Un article de Wikipédia, l'encyclopédie libre. Vous lisez un « bon article ». L'utilisation industrielle ou opérationnelle de ce savoir dans le monde professionnel permet de résoudre des problèmes très divers, allant de la gestion de la relation client à la maintenance préventive, en passant par la détection de fraudes ou encore l'optimisation de sites web.
C'est aussi le mode de travail du journalisme de données[1]. L'exploration de données[2] fait suite, dans l'escalade de l'exploitation des données de l'entreprise, à l'informatique décisionnelle. Histoire[modifier | modifier le code] Collecter les données, les analyser et les présenter au client. De 1919 à 1925, Ronald Fisher met au point l'analyse de la variance comme outil pour son projet d'inférence statistique médicale.
L'arrivée progressive des micro-ordinateurs permet de généraliser facilement ces méthodes bayésiennes sans grever les coûts. Applications industrielles[modifier | modifier le code] Auto mise en scène.
Context mapping. Context Mapping. Domain-driven design. Domain-driven design (DDD) is an approach to software development for complex needs by connecting the implementation to an evolving model.[1] The premise of domain-driven design is the following: Core definitions[edit] Prerequisites for the successful application of DDD[edit] The domain is not trivialThe project team has experience and interest in Object Oriented Programming/DesignThe project has access to domain expertsThere is an iterative process in place Strategic domain-driven design[edit] Patterns in strategic domain-driven design and the relationships between them Ideally, it would be preferable to have a single, unified model.
While this is a noble goal, in reality it typically fragments into multiple models. Strategic Design is a set of principles for maintaining model integrity, distillation of the Domain Model and working with multiple models. Bounded context[edit] Multiple models are in play on any large project. Continuous integration[edit] Context map[edit] POJOs and POCOs. Domain-driven design. Domain-driven design (DDD) is an approach to software development for complex needs by connecting the implementation to an evolving model.[1] The premise of domain-driven design is the following: Concepts[edit] Concepts of the model include: Context The setting in which a word or statement appears that determines its meaning; Domain Model A system of abstractions that describes selected aspects of a domain and can be used to solve problems related to that domain; Ubiquitous Language A language structured around the domain model and used by all team members to connect all the activities of the team with the software.
Strategic domain-driven design[edit] Patterns in strategic domain-driven design and the relationships between them Ideally, it would be preferable to have a single, unified model. Strategic Design is a set of principles for maintaining model integrity, distillation of the Domain Model and working with multiple models. Bounded context[edit] Continuous integration[edit] Context map[edit]