@InProceedings{2015_marti337,
	author = "Gautier Marti",
	title = "Comment partitionner automatiquement des marches aléatoires ? Avec application à la finance quantitative",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-089",
	pages = "p. 357-360",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_marti337.pdf",
	abstract = "Nous pr'esentons dans cette communication une approche non param'etrique pour regrouper automatiquement des s'eries temporelles suivant une marche al'eatoire. Nous introduisons d'abord une 'etape de pr'e-traitement qui consiste \`a transformer les r'ealisations ind'ependantes et identiquement distribu'ees des incr'ements du processus de Markov en un vecteur repr'esentant sans perte toute l'information disponible de ces s'eries temporelles, et la factorisant en une composante d'ependance et une composante distribution. Nous d'efinissons ensuite une distance entre ces repr'esentations tenant compte des deux types d'information et permettant d'en controler l'importance pour le partitionnement automatique \`a l'aide d'un seul param\`etre. 
 Ce param\`etre de m'elange peut \^etre appris ou manipul'e par un expert \`a des fins exploratoires comme illustr'e par l''etude des s'eries temporelles financi\`eres. Des exp'eriences, impl'ementations et r'esultats sont disponibles sur \url{http://www.datagrapple.com}.
 
 
 We present in this paper a novel non-parametric approach useful for clustering Markov processes. We introduce a pre-processing step consisting in mapping multivariate independent and identically distributed samples from random variables to a generic non-parametric representation which factorizes dependency and marginal distribution apart without losing any. An associated metric is defined where the balance between random variables dependency and distribution information is controlled by a single parameter. This mixing parameter can be learned or played with by a practitioner, such use is illustrated on the case of clustering financial time series. Experiments, implementation and results obtained on public financial time series are online on a web portal \url{http://www.datagrapple.com}..pdf",
}