Forex Svm Predicción

Máquinas de Vectores Soporte para el método de regresión El vector de la ayuda también se puede aplicar al caso de la regresión, manteniendo todas las características principales que caracterizan el algoritmo de margen máximo: una función no lineal es aprendido por una máquina de aprendizaje lineal en un espacio de características del núcleo inducida mientras que la capacidad del sistema se controla mediante un parámetro que no depende de la dimensionalidad del espacio. Cristianini y Shawe-Taylor (2000) En SVM la idea básica es mapear los datos x en un espacio de características de alta dimensión M a través de un mapeo no lineal. y para hacer la regresión lineal en este espacio (cf. Boser et al. (1992) Vapnik (1.995)). La mayoría Citado Bibliografía CAO, Lijuan, apoyan a los expertos máquinas de vectores para la previsión de series temporales La simulación muestra que los expertos SVMs conseguir una mejora significativa en el rendimiento de la generalización en comparación con los modelos SVMs individuales. Además, los expertos SVMs también convergen más rápidamente y utilizan menos vectores de soporte. Cao (2002) GAO, J. B. S. R. Gunn y C. J. HARRIS, significan método de campo para la regresión máquina de soporte vectorial Este artículo trata de dos temas. En primer lugar, vamos a mostrar cómo la máquina de vectores de soporte (SVM) problema de regresión puede ser resuelto como máximo una predicción a posteriori en el marco bayesiano. La segunda parte describe una técnica de aproximación que es útil en la realización de los cálculos de las SVM basado en el algoritmo de campo medio que fue propuesta originalmente en Física Estadística de sistemas desordenados. Una de las ventajas es que manejar promedios posteriores de proceso Gaussiano que no son analíticamente tratable. Gao, Gunn y Harris (2002) Gunn, S. Máquinas de Vectores Soporte para clasificación y regresión. Informe Técnico ISIS, 1998. Citado por 164 HARLAND, Zac, Uso de máquinas de vectores soporte de Comercio de aluminio en la LME. En este trabajo se describe y evalúa el uso de apoyo vector de regresión para el comercio los tres mes del contrato de futuros de aluminio en la Bolsa de Metales de Londres, durante el período comprendido entre junio de 1987 y noviembre de 1999. La máquina de vectores de soporte es un método de aprendizaje automático para la clasificación y la regresión y es rápido la sustitución de las redes neuronales como la herramienta de elección para las tareas de predicción y de reconocimiento de patrones, debido principalmente a su capacidad de generalizar así en los datos que no se ven. El algoritmo se basa en las ideas derivadas de la teoría del aprendizaje estadístico y se puede entender intuitivamente dentro de un marco geométrico. En este trabajo se utiliza el apoyo de regresión vectorial para desarrollar una serie de sub-modelos comerciales que cuando se combinan, dan como resultado un modelo final que muestra rendimientos superiores a la media en salir de datos de la muestra, lo que proporciona cierta evidencia de que el precio de futuros de aluminio es menos que eficiente. Si estas ineficiencias continuarán en el futuro es desconocido. HONG Harland, Dug Hun, Changha Hwang, máquinas de vectores de soporte de regresión difusos máquinas de vectores soporte (SVM) ha tenido mucho éxito en el reconocimiento de patrones y funciones estimationproblems. En este trabajo, se introduce el uso de SVM para los modelos de regresión no lineal multivariable lineal difusa y. El uso de la idea básica que subyace en SVM para regresiones multivariantes difusos da la eficiencia computacional de conseguir soluciones. Hong Hwang y M220LLER, K.-R. et al. El uso de máquinas de vectores soporte para la serie de tiempo de predicción máquinas de vectores soporte se utilizan para la predicción de series de tiempo y se comparó con las redes función de base radial. Hacemos uso de dos diferentes funciones de costo para los vectores de apoyo: el entrenamiento con (i) una pérdida insensible épsilon y (ii) Hubers función de pérdida robusta y discutimos cómo elegir los parámetros de regularización en estos modelos. Se consideran dos aplicaciones: los datos de (a) un sistema ruidoso Mackey-Glass (ruido normal y uniforme) y (b) la Competencia Santa Fe Time Series (serie D). En ambos casos, las SVM muestran un excelente rendimiento. En el caso (b), el enfoque de vectores de soporte mejora el resultado más conocido en el índice de referencia en 29.Muller et al. (2000) pontil, Massimiliano, Sayan MUKHERJEE y Federico Girosi, en el modelo de ruido de la máquina de vectores de soporte de regresión Pontil, Mukherjee y Girosi (1998) SMOLA, Alex J. y Bernhard SCH214LKOPF, un tutorial sobre el apoyo vector de regresión Smola y Scholkopf (1998 ) Citado por 309Support Máquinas de Vectores: Aplicaciones financieras enumeradas en orden de citas por año, el más alto en la parte superior. Última actualización de septiembre de 2006. Pang, Bo, Lillian Lee y Shivakumar Vaithyanathan, 2002. Pulgares arriba Clasificación sentimiento utilizando técnicas de aprendizaje automático. En: EMNLP 02: Actas de la Conferencia ACL-02 sobre métodos empíricos en el procesamiento del lenguaje natural - Volumen 10. páginas 79--86. Citado por 154 (36,66 / año) Resumen: Consideramos el problema de la clasificación de los documentos, no por tema, sino por el sentimiento general, por ejemplo, determinar si una opinión es positiva o negativa. El uso de críticas de películas como datos, nos encontramos con que las técnicas de aprendizaje de máquina estándar definitivamente superan a las líneas de base producidos por el hombre. Sin embargo, los tres métodos de aprendizaje automático que empleamos (máquinas Naive Bayes, la clasificación de máxima entropía, y el vector de apoyo) no funcionan tan bien en la clasificación como en el sentimiento tradicional categorización basada en el tema. Concluimos por factores que hacen que el problema de clasificación sentimiento más difícil de examinar. encontrado que, utilizando como datos de reseñas de películas, técnicas estándar de aprendizaje automático definitivamente superado a las líneas de base producidos por el hombre. Sin embargo, también encontraron que los tres métodos de aprendizaje automático que empleaban (Naive Bayes, la clasificación de máxima entropía, y máquinas de vectores soporte) no funcionan tan bien en la clasificación como en el sentimiento tradicional categorización basada en el tema. Van Gestel, Tony, et al. . 2001. La predicción de series temporales financieras utilizando mínimos cuadrados máquinas de vectores soporte, dentro del Marco Prueba. IEEE Transactions on Neural Networks. Volumen 12, Número 4, julio de 2001, páginas 809-821. Citado por 77 (14,82 / año) Resumen: El marco de pruebas bayesiano se aplica en el presente documento a los mínimos cuadrados máquinas de vectores soporte (SVM-LS) de regresión con el fin de inferir modelos no lineales para predecir una serie de tiempo financiera y la volatilidad relacionada. En el primer nivel de la inferencia, un marco estadístico está relacionada con la formulación de LS-SVM, que le permite a uno incluyen la volatilidad variable en el tiempo del mercado mediante una elección apropiada de varios hiper-parámetros. Los hiper-parámetros del modelo se infieren en el segundo nivel de la inferencia. Los inferidos hiper-parámetros, relacionados con la volatilidad, se utilizan para construir un modelo de volatilidad en el marco pruebas. comparación de modelos se realiza en el tercer nivel de la inferencia con el fin de ajustar automáticamente los parámetros de la función kernel y para seleccionar las entradas pertinentes. La formulación LS-SVM permite que se derivan expresiones analíticas en el espacio de características y expresiones prácticas se obtienen en el espacio dual reemplazando el producto interno por el núcleo de la función relacionada con el uso de Mercer teorema. Las actuaciones de predicción de un paso por delante obtenidos en la predicción de los 90 días la tasa del Tesoro semanal y los precios diarios de cierre DAX30 muestran que significativa fuera de la muestra predicciones de signos se pueden hacer con respecto a la prueba Pesaran-Timmerman statisticapplied el marco pruebas bayesiano de mínimos cuadrados máquinas de vectores soporte (SVM-LS) de regresión para predecir la tasa de 90 días del Tesoro semanal y los precios diarios de cierre DAX30. TAY, Francis E. H. y Lijuan CAO, 2001. Aplicación de las máquinas de vectores soporte el pronóstico de series de tiempo financieras. Omega: La Revista Internacional de Ciencias de la Gestión. Volumen 29, Número 4, agosto de 2001, páginas 309-317. Citado por 67 (12,89 / año) Resumen: Este artículo trata de la aplicación de una novedosa técnica de redes neuronales, máquinas de vectores soporte (SVM), el pronóstico de series de tiempo financieras. El objetivo de este trabajo es examinar la viabilidad de SVM el pronóstico de series de tiempo financieras mediante la comparación con una red neuronal multicapa de propagación hacia atrás (BP). Cinco contratos de futuros reales que se recopilarán de la Bolsa Mercantil de Chicago mercado se utilizan como los conjuntos de datos. El experimento muestra que SVM supera a la red neuronal BP sobre la base de los criterios de error cuadrático medio normalizado (NMSE), error absoluto medio (MAE), la simetría direccional (DS) y la simetría direccional ponderada (WDS). Puesto que no hay forma estructurada para elegir los parámetros libres de SVMs, la variabilidad en el rendimiento con respecto a los parámetros libres se investigó en este estudio. El análisis de los resultados experimentales demostró que es ventajoso aplicar las SVM para pronosticar el tiempo series. found financiera que una SVM superó una multicapa de propagación hacia atrás (BP) de redes neuronales en cinco contratos de futuros reales de la Bolsa Mercantil de Chicago mercado. TAY, Francis E. H. y L. J. CAO, 2002. Las máquinas de vectores soporte modificado el pronóstico de series de tiempo financieras. Neurocomputación. Volumen 48, Temas 1-4, octubre de 2002, páginas 847-861. Citado por 54 (12,86 / año) Resumen: En este artículo se propone una versión modificada de máquinas de vectores soporte, denominado C - ascending máquinas de vectores soporte, para modelar series de tiempo financieras no estacionario. Las máquinas de vectores soporte C - ascending se obtienen mediante una simple modificación de la función de riesgo regularizado en las máquinas de vectores de soporte, por lo que los últimos errores 949-insensibles se penaliza en mayor medida que los errores distantes 949-insensibles. Este procedimiento se basa en el conocimiento previo de que en la serie de tiempo financiera no estacionaria la dependencia entre las variables de entrada y variables de salida cambia gradualmente a lo largo del tiempo, en concreto, los últimos datos del pasado podrían proporcionar información más importante que los datos del pasado distante. En el experimento, máquinas de vectores soporte C - ascending se sometieron a pruebas de tres futuros real obtenida de la Bolsa Mercantil de Chicago mercado. Se muestra que los C - ascending máquinas de vectores soporte con los datos de la muestra en realidad ordenados sistemáticamente pronostican mejor que las máquinas de vectores soporte estándar, con el peor rendimiento cuando se utilizan los datos de la muestra en sentido inverso ordenados. Además, las máquinas de vectores soporte C - ascending utilizan menos vectores de soporte que las de las máquinas de vectores soporte estándar, lo que resulta en una representación más escasa de C solution. developed - ascending máquinas de vectores de soporte, que penalizan recientes errores 949-insensibles están más fuertemente que distante errores 949-insensibles, y encontraron que pronostican mejor que las SVM estándar en tres futuros real obtenida de la Bolsa Mercantil de Chicago mercado. HUANG, Zan, et al. . 2004. Análisis de calificación de crédito con máquinas de vectores soporte y redes neuronales: un estudio comparativo de mercado. Sistemas de Soporte a la Decisión . Volumen 37, Número 4 (septiembre de 2004), páginas 543-558. Citado por 21 (9,55 / año) Resumen: Análisis de calificación de crédito corporativo ha atraído una gran cantidad de líneas de investigación en la literatura. Estudios recientes han demostrado que la Inteligencia Artificial (AI) métodos consiguen un mejor rendimiento que los métodos estadísticos tradicionales. Este artículo presenta una técnica relativamente nueva de aprendizaje automático, máquinas de vectores soporte (SVM), para el problema en el intento de proporcionar un modelo con mejor poder explicativo. Utilizamos red neuronal de retropropagación (BNN) como punto de referencia y obtuvimos precisión de la predicción en torno al 80 por ambos métodos BNN y SVM para los mercados de Estados Unidos y Taiwán. Sin embargo, sólo se observó una ligera mejora de la SVM. Otra dirección de la investigación es mejorar la interpretabilidad de los modelos basados ​​en IA. Aplicamos los últimos resultados de la investigación en la interpretación modelo de red neuronal y obtuvimos importancia relativa de las variables financieras de entrada de los modelos de redes neuronales. Sobre la base de estos resultados, se realizó un análisis comparativo de mercado sobre las diferencias de los factores determinantes en los Estados Unidos y Taiwán markets. applied backpropagation y SVM a la predicción de la calificación de crédito corporativo para los mercados de Estados Unidos y Taiwán y se encontró que los resultados eran comparables (ambos fueron superiores a la regresión logística), con la SVM ligeramente mejor. CAO, Lijuan, 2003. Los vectores de soporte para máquinas expertos previsión de series temporales. Neurocomputación. Volumen 51, abril de 2003, páginas 321-339. Citado por 29 (9,08 / año) Resumen: En este trabajo se propone el uso de las máquinas de vectores soporte (SVMs) expertos para la predicción de series de tiempo. Los expertos SVMs generalizadas tienen una arquitectura de red neural de dos etapas. En la primera etapa, mapa de características de auto-organización (SOM) se usa como un algoritmo de agrupamiento para dividir todo el espacio de entrada en varias regiones inconexas. Una arquitectura con estructura de árbol se adopta en la partición para evitar el problema de predeterminar el número de regiones con particiones. Luego, en la segunda etapa, múltiples SVM, también llamados expertos SVM, que mejor se adapten a las regiones con particiones se construyen mediante la búsqueda de la función del núcleo más adecuada y los parámetros libres óptimos de las SVM. Los datos de manchas solares, los datos de Santa Fe fija A, C y D, y los dos conjuntos de datos de construcción son evaluados en el experimento. La simulación muestra que los expertos SVMs conseguir una mejora significativa en el rendimiento de la generalización en comparación con los modelos SVMs individuales. Además, los expertos SVMs también convergen más rápidamente y utilizan menos apoyo vectors. showed que su método de expertos SVM logra una mejora significativa por encima de los modelos individuales SVMs cuando apllied a los tipos de cambio de alta frecuencia Santa Fe conjunto de datos C (entre el franco suizo y el Dólar estadounidense). KIM, Kyoung-jae, 2003. Financiero tiempo pronóstico de series de uso de máquinas de vectores soporte. Neurocomputación. Volumen 55, Cuestiones 1-2 (septiembre de 2003), páginas 307-319. Citado por 28 (8,76 / año) Resumen: máquinas de vectores soporte (SVM) son métodos prometedores para la predicción de series de tiempo económico, ya que utilizan una función de riesgo consistente en el error empírico y un término regularizada que se deriva de la minimización del riesgo estructural principio. Este estudio aplica SVM para predecir el índice de precios de acciones. Además, este estudio examina la viabilidad de la aplicación de SVM en el pronóstico financiero mediante la comparación con las redes neurales de propagación hacia atrás-y razonamiento basado en casos. Los resultados experimentales muestran que la SVM ofrece una alternativa prometedora a la bolsa de valores prediction. found que las SVM superaron a las redes neuronales de back-propagación y razonamiento basado en casos cuando se utiliza para predecir el índice de Corea del precio de la acción compuesta diaria (KOSPI). SHIN-Kyung Shik, Taik Soo Lee y Hyun-Jung KIM, 2005. Una aplicación de máquinas de vectores soporte en el modelo de predicción de la quiebra. Sistemas Expertos con Aplicaciones . Volumen 28, Número 1, enero de 2005, páginas 127-135. Citado por 8 (6,67 / año) Resumen: Este estudio investiga la eficacia de la aplicación de máquinas de vectores soporte (SVM) al problema de predicción de quiebra. Aunque es un hecho bien conocido que la red neural de retropropagación (BPN) se realiza bien en las tareas de reconocimiento de patrones, el método tiene algunas limitaciones en que es un arte para encontrar una estructura de modelo adecuado y la solución óptima. Por otra parte, la carga ya que muchos de conjunto de entrenamiento como sea posible en la red se necesita para buscar los pesos de la red. Por otra parte, ya que SVM captura características geométricas de espacio de características sin derivar pesos de las redes a partir de los datos de entrenamiento, que es capaz de extraer la solución óptima con el tamaño pequeño conjunto de entrenamiento. En este estudio, mostramos que el clasificador SVM enfoque propuesto supera a BPN al problema de la predicción de quiebra corporativa. Los resultados demuestran que el rendimiento de la precisión y la generalización de la SVM es mejor que la de BPN como el tamaño del conjunto de entrenamiento se hace más pequeño. También examinamos el efecto de la variabilidad en el rendimiento con respecto a varios valores de parámetros en SVM. Además, investigamos y resumimos los varios puntos superiores del algoritmo SVM en comparación con BPN. demonstrated que las SVM se desempeñan mejor que las redes neuronales de retropropagación cuando se aplica a la predicción de quiebra corporativa. CAO, L. J. y E. Francis H. TAY, 2003. Apoyo Vector Machine con parámetros adaptativos en el pronóstico de series de tiempo financieras. IEEE Transactions on Neural Networks. Volumen 14, No. 6, noviembre de 2003, páginas 1506-1518. Citado por 20 (6,25 / año) Resumen: Un nuevo tipo de máquina de aprendizaje llamada máquina de soporte vectorial (SVM) ha estado recibiendo un interés creciente en áreas que van desde la aplicación original en el reconocimiento de patrones para otras aplicaciones tales como la estimación de regresión debido a su notable generalización actuación. En este trabajo se ocupa de la aplicación de SVM el pronóstico de series de tiempo financieras. La viabilidad de la aplicación de SVM en el pronóstico financiero se examinó en primer lugar mediante la comparación con la multicapa de propagación hacia atrás (BP) de redes neuronales y la red neuronal regularizada función de base radial (RBF). La variabilidad en el rendimiento de SVM con respecto a los parámetros libres se investiga experimentalmente. a continuación, los parámetros adaptativos son propuestos por la incorporación de la no estacionariedad de las series de tiempo financieras en SVM. Cinco contratos de futuros reales recogidos de la Bolsa Mercantil de Chicago mercado se utilizan como los conjuntos de datos. La simulación muestra que entre los tres métodos, SVM supera a la red neuronal BP en el pronóstico financiero, y hay generalización de rendimiento comparables entre SVM y la red neuronal RBF regularizada. Por otra parte, los parámetros libres de SVM tienen un gran efecto sobre el rendimiento de la generalización. SVM con parámetros de adaptación puede lograr un mayor rendimiento tanto en la generalización y el uso de un menor número de vectores de soporte de la SVM estándar en una financiera forecasting. used SVM, una multicapa de propagación hacia atrás (BP) de redes neuronales y una función de base radial regularizado (FSR) de redes neuronales para predecir cinco contratos de futuros reales recogidos de la Bolsa Mercantil de Chicago mercado. Los resultados mostraron que la SVM y la red neuronal RBF regularizado eran comparables y tanto superaron la red neuronal BP. CAO, Lijuan y Francis E. H. TAY, 2001. Proyecciones financieras Uso de máquinas de vectores soporte. Aplicaciones de Computación amp neuronales. Volumen 10, Número 2 (mayo de 2001), páginas 184-192. Citado por 26 (5,00 / año) Resumen: El uso de máquinas de vectores soporte (SVMs) se estudia en el pronóstico financiero mediante la comparación con un perceptrón multicapa formado por el algoritmo de retropropagación (BP). pronóstico mejor que BP SVM basado en los criterios de error normalizado Mean Square (NMSE), error absoluto medio (MAE), Simetría direccional (DS), la tendencia correcta para arriba (CP) y corregir hacia abajo (CD) tendencia. SampP 500 índice de precios al día se utiliza como conjunto de datos. Puesto que no hay forma estructurada para elegir los parámetros libres de SVMs, la generalización de error con respecto a los parámetros libres de SVMs se investiga en este experimento. Como se ilustra en el experimento, que tienen poco impacto en la solución. El análisis de los resultados experimentales demuestra que es ventajoso aplicar las SVM para pronosticar el tiempo series. found financiera que pronostican las SVM el índice de precios al día SampP 500 mejor que un perceptrón multicapa formado por el algoritmo de retropropagación (BP). MIN, Jae H. y Young-Chan Lee, 2005. predicción de Quiebras utilizando máquinas de vectores soporte con elección óptima de los parámetros de la función kernel. Sistemas Expertos con Aplicaciones . Volumen 28, Número 4, mayo de 2005, páginas 603-614. Citado por 6 (5,00 / año) Resumen: predicción de bancarrota ha atraído una gran cantidad de líneas de investigación en la literatura previa, y estudios recientes han demostrado que las técnicas de aprendizaje automático alcanzados mejor rendimiento que las estadísticas tradicionales. En este trabajo se aplica máquinas de vectores soporte (SVMs) al problema de predicción de quiebra en un intento de sugerir un nuevo modelo con mejor poder explicativo y la estabilidad. Para responder a este propósito, se utiliza una técnica de la rejilla-búsqueda usando 5 veces la validación cruzada para averiguar los valores óptimos de los parámetros de función del núcleo de SVM. Además, para evaluar la precisión de la predicción de SVM, se compara su rendimiento con los del análisis discriminante múltiple (MDA), el análisis de regresión logística (Logit), y de tres capas completamente conectado redes neuronales de retropropagación (BPNs). Los resultados del experimento muestran que SVM supera a la otra methods. found que, cuando se aplica a la predicción de la quiebra, las SVM superaron el análisis discriminante múltiple (MDA), el análisis de regresión logística (Logit) y de tres capas de redes neuronales respaldo de propagación totalmente conectados (BPNs). ABRAHAM, Ajith, Ninan Sajith PHILIP y P. SARATCHANDRAN, 2003. Modelado de comportamiento caótico de índices de acciones utilizando paradigmas inteligentes. Neuronales, amplificador paralelo cálculos científicos. Volumen 11, páginas 143-160. Citado por 10 (4,55 / año) Resumen: El uso de sistemas inteligentes para las predicciones del mercado de valores ha sido ampliamente establecida. En este trabajo, investigamos cómo el comportamiento aparentemente caótico de los mercados de valores podría ser bien representada mediante varios paradigmas conexionistas y técnicas de computación flexible. Para demostrar las diferentes técnicas, se consideró que el índice NASDAQ-100 del mercado de valores Nasdaq SM y el índice de la bolsa SP CNX Nifty. Se analizaron 7 year8217s Nasdaq 100 valores del índice principal y 4 year8217s valores NIFTY. Este estudio consiste en el desarrollo de una técnica fiable y eficiente para modelar el comportamiento aparentemente caótico de los mercados de valores. Se consideró que una red neuronal artificial entrenada mediante el algoritmo de Levenberg-Marquardt, máquinas de vectores soporte (SVM), modelo Takagi-Sugeno neuroborroso y una diferencia de Intensificación de red neuronal (DBNN). Este documento explica brevemente cómo los diferentes paradigmas conexionistas pueden formularse utilizando diferentes métodos de aprendizaje y luego se investiga si pueden proporcionar el nivel requerido de rendimiento, que son suficientemente buena y sólida con el fin de proporcionar un modelo de pronóstico fiable para los índices bursátiles. Los resultados del experimento revelan que todos los paradigmas conexionistas consideradas pudiera representar el comportamiento índices muy accurately. applied cuatro técnicas diferentes, una red neuronal artificial entrenada mediante el algoritmo de Levenberg-Marquardt, una máquina de vectores de soporte, una diferencia impulsar red neuronal y una Takagi-Sugeno sistema de inferencia borrosa aprendió el uso de un algoritmo de red neuronal (modelo neuro-difuso) para la predicción del índice NASDAQ-100 del mercado de valores Nasdaq y el índice de la bolsa SP CNX Nifty. Ninguna técnica fue claramente superior, pero absurdamente, que trata de predecir el valor absoluto de los índices, en lugar de los retornos de registro de uso. YANG, Haiqin, Laiwan CHAN e Irwin REY, 2002. Apoyo Vector Machine regresión para Volátil Predicción de la bolsa. En: Ingeniería y Automatizado de Datos Inteligente de aprendizaje: IDEAL 2002. editado por Hujun Yin, et al. . páginas 391--396, Springer. Citado por 19 (4,52 / año) Resumen: Recientemente, apoyo vector de regresión (RVS) se ha introducido para resolver los problemas de regresión y predicción. En este artículo aplicamos RVS a las tareas de predicción financieros. En particular, los datos financieros suelen ser ruidoso y el riesgo asociado es variable en el tiempo. Por lo tanto, nuestro modelo SVR es una extensión del estándar SVR que incorpora márgenes de adaptación. Mediante la variación de los márgenes de la SVR, podríamos reflejar el cambio en la volatilidad de los datos financieros. Además, hemos analizado el efecto de los márgenes asimétricas con el fin de permitir la reducción del riesgo a la baja. Nuestros resultados experimentales muestran que el uso de la desviación estándar para calcular un margen variable da un buen resultado predictivo en la predicción de Hang Seng Index. tryed variando los márgenes en la regresión SVM con el fin de reflejar el cambio en la volatilidad de los datos financieros y también analizó el efecto de los márgenes asimétricas con el fin de permitir la reducción del riesgo a la baja. El primer enfoque ha producido el error total más bajo al predecir el precio de cierre diario del índice Hang Seng de Hong Kongs (HSI). HUANG, W. Y. Nakamori y S. Y. WANG, 2005. previsión bursátil dirección del movimiento con la máquina de vectores de soporte. Ordenadores Investigación de Operaciones. Volumen 32, Número 10, páginas 2513-2522. (Octubre de 2005) Citado por 5 (4,18 / año) Resumen: la máquina de soporte vectorial (SVM) es un tipo muy específico de algoritmos de aprendizaje caracterizado por el control de la capacidad de la función de decisión, el uso de las funciones del núcleo y la escasez de la solución . En este trabajo, investigamos la previsibilidad de la dirección del movimiento financiero con SVM al pronosticar la dirección del movimiento semanal de índice NIKKEI 225. Para evaluar la capacidad de predicción de SVM, se compara su rendimiento con los de análisis discriminante lineal, cuadrática análisis discriminante y Elman redes neuronales de retropropagación. Los resultados del experimento muestran que la SVM supera a los otros métodos de clasificación. Además, se propone un modelo que combina mediante la integración de SVM con los otros métodos de clasificación. El modelo que combina realiza mejor entre todos los pronósticos methodspared la capacidad de las SVM, análisis discriminante lineal, análisis discriminante cuadrático y Elman backpropagation redes neuronales para predecir la dirección del movimiento semanal del índice NIKKEI 225 y encontró que la SVM superó a todos los otros métodos de clasificación . Mejor aún era una combinación ponderada de los modelos. TRAFALIS, Theodore B. y Huseyin INCE, 2000. Máquina de vectores de soporte para regresión y aplicaciones con la previsión económica. En: IJCNN 2000: Actas de la Conferencia Conjunta Internacional IEEE-POSADAS-ENNS en Redes Neuronales: Volumen 6 editado por Shun-Ichi Amari, et al. . página 6348, IEEE Computer Society. Citado por 19 (3,06 / año) Resumen: El objetivo principal de este trabajo es comparar la máquina de soporte vectorial (SVM) desarrollado por Vapnik con otras técnicas como la retropropagación y Función de base radial (RBF) Redes para las aplicaciones de predicción financieros. La teoría de la SVM algoritmo se basa en la teoría del aprendizaje estadístico. Formación de las SVM conduce a un problema de programación cuadrática (QP). Los resultados preliminares computacionales para la predicción de precios de acciones también se presentedpared SVM con función de retropropagación y de base radial (RBF) Redes mediante la predicción de IBM, Yahoo y precios de las acciones de cada día de America Online. Curiosamente, utilizando la SVM para la regresión que renunciaron a adquirir un conjunto de validación, ajuste epsilon a cero, fija C y repitieron el experimento para diversas configuraciones fijas del parámetro del núcleo, sigma, dando lugar a varios resultados. CAO, Lijuan y Qingming GU, 2002. Las máquinas de vectores de soporte dinámico para no estacionario previsión de series temporales. Análisis Inteligente de Datos. Volumen 6, número 1, páginas 67-83. Citado por 12 (2,86 / año) Resumen: En este artículo se propone una versión modificada de máquinas de vectores soporte (SVMs), llamadas máquinas de vectores soporte dinámicas (DSVMs), para modelar series de tiempo no estacionarias. Los DSVMs se obtienen mediante la incorporación del campo de conocimiento de un problema - no estacionariedad de la serie de tiempo en SVM. A diferencia de las SVM estándar que utilizan valores fijos de la constante de regularización y el tamaño del tubo en todos los puntos de datos de entrenamiento, los DSVMs utilizan una constante de regularización en aumento exponencial y un tamaño de tubo exponencialmente decreciente para hacer frente a los cambios estructurales en los datos. La constante de regularización y el tubo de tamaño dinámico se basa en el conocimiento previo de que en las series de tiempo no estacionarias puntos de datos recientes podrían proporcionar información más importante que los puntos de datos distantes. En el experimento, los DSVMs se evalúan utilizando ambos conjuntos de datos simulados y reales. La simulación muestra que los DSVMs generalizan mejor que las SVM estándar en el pronóstico de series de tiempo no estacionarias. Otra ventaja de esta modificación es que los DSVMs utilizan menos vectores de soporte, lo que resulta en una representación más escasa de la solution. incorporate el conocimiento previo de que series de tiempo financieras son no estacionarias en sus máquinas de vectores soporte dinámicas (DSVMs) y el uso de una constante de regularización en aumento exponencial y un tubo de tamaño exponencialmente decreciente para hacer frente a los cambios estructurales en los datos sobre el supuesto de que los últimos puntos de datos podrían proporcionar información más importante que los puntos de datos distantes. Concluyen que DSVMs generalizan mejor que las SVM estándar en el pronóstico de series de tiempo no estacionarias, mientras que también utilizan un menor número de vectores de soporte, lo que resulta en una representación más escasa de la solución. TAY, Francis E. H. y L. J. CAO, 2002. 949-Descendente Máquinas de Vectores Soporte para prever las series de tiempo financieras. Procesamiento de Cartas neuronales 15 (2): 179-195. Citado por 11 (2,62 / año) Resumen: En este artículo se propone una versión modificada de máquinas de vectores soporte (SVM), llamado 949-descendente máquinas de vectores soporte (949-DSVMs), para modelar series de tiempo financieras no estacionario. Los 949-DSVMs se obtienen mediante la incorporación de la no estacionariedad conocimiento del dominio del problema 8211 de series de tiempo financieras en las SVM. A diferencia de las SVM estándar que utilizan un tubo constante en todos los puntos de datos de entrenamiento, los 949-DSVMs utilizar un tubo de adaptación para hacer frente a los cambios de estructura en el experimento muestra que los data. The 949-DSVMs generalizan mejor que las SVM estándar en el pronóstico no estacionario series de tiempo financieras. Otra ventaja de esta modificación es que los 949-DSVMs convergen a un menor número de vectores de soporte, lo que resulta en una representación más escasa de la solution. incorporated conocimiento del dominio del problema de no estacionariedad de series de tiempo financieras en SVMs mediante el uso de un tubo de adaptación en su llamada máquinas de vectores de soporte épsilon-descendente (épsilon-DSVMs). Experimento mostró que épsilon-DSVMs generalizan mejor que las SVM estándar en el pronóstico de series de tiempo financieras no estacionario y también convergen a un menor número de vectores de soporte, lo que resulta en una representación más escasa de la solución. Debnath, Sandip y C. Lee Giles, 2005. Un modelo de aprendizaje basado en Encabezado Extracción de Artículos de prensa para encontrar Las frases explicativas para Eventos. En: K-PAC 821705: Actas de la 3ª Conferencia Internacional sobre la captura de conocimiento. Páginas 189--190. Citado por 2 (1,67 / año) Resumen: La información de metadatos juega un papel crucial en el aumento de la eficiencia de la organización de documentos y archivado. Noticias metadatos incluyen DateLine. ByLine. HeadLine y muchos otros. Se encontró que la información titular es útil para adivinar el tema de la noticia. En particular, para los artículos de noticias financieras, se encontró que HeadLine por lo tanto puede ser especialmente útil para localizar frases explicativas de los principales actos tales como cambios significativos en los precios de las acciones. En este artículo exploramos un enfoque de aprendizaje basado en vectores de soporte para extraer automáticamente los metadatos titular. Nos encontramos con que la precisión de la clasificación de encontrar el titular s mejora si DateLine s se identifican en primer lugar. A continuación, utiliza el titular s extraída para iniciar una búsqueda de patrones de palabras clave para encontrar las frases responsables de tema de historia. El uso de este tema y un simple modelo de lenguaje es posible localizar cualquier frases explicativas a cualquier precio significativa change. devised un novedoso enfoque de la extracción de los titulares de noticias de metadatos utilizando SVM y utilizarlos para encontrar temas de los cuentos para obtener una explicación basada en la frase de una población cambio de precio. Van Gestel, Tony, et al. . . . . . . . . . vol. . . Vol. . .