Forex- ทำนาย - SVM

Forex- ทำนาย - SVM

GBP- อัตราแลกเปลี่ยน
Forex   โบรกเกอร์ รายการ ใน ยูเออี
Binary   ตัวเลือก - หลอกลวง จ้องจับผิด


Forex- สัญญาณ chfjpy Forex- platforma - transakcyjna Forex- ไบนารี ตัวเลือก อธิบาย Forex- สมาร์ท Scalper การตรวจทาน Ameritrade ออนไลน์ ซื้อขาย บัญชี Esempio -di- หุ้น ตัวเลือก

1.0739 2 สัญญาณทำนาย: SELLPrice เมื่อคาดการณ์: 1.0739 3 สัญญาณทำนาย: SELLPrice เมื่อทำนาย: 1.0739 4 สัญญาณทำนาย: SELLPrice เมื่อทำนาย: 1.0739 5 สัญญาณ Prediction: SELLPrice เมื่อทำนาย: 1.0739 สัญญาณคาดการณ์: SELLPrice เมื่อทำนาย: 1.0739 9 สัญญาณทำนาย: SELLPrice เมื่อคาดการณ์: 1.0739 SIGNAL SIGNAL: SELLPrice when คาดการณ์: 1.0739 SIGNATURE SELLPrice คาดการณ์: 1.0739 (Current Prediction) คำแถลงปัจจุบันสำหรับ AUDUSD ใน 15 นาทีถัดไปคือ Prediction Signal: SELLPrice when predicted: 1.0739 ความถูกต้องของ Predication ปัจจุบัน: 100Support Vector Machines: Applications ทางการเงินจดทะเบียนตามลำดับการอ้างอิงต่อปีสูงสุดที่ด้านบน ปรับปรุงล่าสุดกันยายน 2549 PANG, Bo, Lillian LEE และ Shivakumar VAITHYANATHAN, 2002. Thumbs up การจำแนกความเชื่อมั่นโดยใช้เทคนิคการเรียนรู้ด้วยเครื่องจักร (Machine Learning Techniques) ใน: EMNLP 02: การประชุม ACL-02 เกี่ยวกับวิธีเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติเล่ม 10 หน้า 79 - 86 อ้างถึง 154 (36.66 ปี) บทคัดย่อ: เราพิจารณาปัญหาในการจำแนกเอกสารไม่ใช่หัวข้อ แต่โดยความเชื่อมั่นโดยรวมเช่น พิจารณาว่าบทวิจารณ์เป็นแบบบวกหรือลบ การใช้บทวิจารณ์ภาพยนตร์เป็นข้อมูลทำให้เราพบว่าเทคนิคการเรียนรู้ด้วยเครื่องแบบมาตรฐานนั้นมีประสิทธิภาพดีกว่าพื้นฐานที่ผลิตโดยมนุษย์ อย่างไรก็ตามวิธีการเรียนรู้เครื่องสามเครื่องที่เราใช้ (Naive Bayes, การจัดหมวดหมู่เอนโทรปีสูงสุดและเครื่องเวกเตอร์สนับสนุน) ไม่ได้ทำตามการจัดหมวดหมู่ความเชื่อเช่นเดียวกับการจัดหมวดหมู่ตามหัวข้อแบบดั้งเดิม เราสรุปโดยการตรวจสอบปัจจัยที่ทำให้ปัญหาการจำแนกความเชื่อมั่นมีความท้าทายมากขึ้น พบว่าการใช้ความคิดเห็นในรูปแบบเป็นข้อมูลเทคนิคการเรียนรู้ด้วยเครื่องเครื่องจักรมาตรฐานมีประสิทธิภาพสูงกว่าพื้นฐานที่ผลิตโดยมนุษย์ อย่างไรก็ตามพวกเขายังพบว่าวิธีการเรียนรู้ทั้งสามเครื่องที่ใช้ (Naive Bayes, การจำแนกเอนโทรปีสูงสุดและเครื่องเวกเตอร์สนับสนุน) ไม่ได้ทำตามการจำแนกความเชื่อมั่นในการจัดหมวดหมู่ตามหัวข้อแบบดั้งเดิม VAN GESTEL, Tony, et al. . 2001. การคาดการณ์ข้อมูลทางการเงินโดยใช้เครื่องเวกเตอร์เวคเตอร์ที่มีขนาดน้อยที่สุดภายในกรอบข้อมูลหลักฐาน รายการ IEEE บนเครือข่ายประสาทเทียม เล่ม 12, ฉบับที่ 4, กรกฎาคม 2544, หน้า 809-821 อ้างถึง 77 (14.82 ปี) บทคัดย่อ: ในเอกสารฉบับนี้มีการใช้กรอบการวิเคราะห์แบบเบส์ (Bayesian evidence framework) ในการวิเคราะห์สมการถดถอยเวฟเตอร์อย่างน้อยที่สุด (LS-SVM) เพื่ออนุมานถึงรูปแบบไม่เชิงเส้นสำหรับทำนายชุดข้อมูลทางการเงินและความผันผวนที่เกี่ยวข้อง ในส่วนข้อสรุปแรกกรอบทางสถิติมีความสัมพันธ์กับสูตรของ LS-SVM ซึ่งช่วยให้สามารถรวมความผันผวนตามเวลาของตลาดได้โดยการเลือกพารามิเตอร์ Hyper หลายตัวที่เหมาะสม พารามิเตอร์ไฮเปอร์ของแบบจำลองจะอนุมานในระดับที่สองของการอนุมาน พารามิเตอร์ hyper ที่อนุมานเกี่ยวกับความผันผวนจะใช้เพื่อสร้างแบบจำลองความผันผวนภายในกรอบหลักฐาน การเปรียบเทียบรูปแบบจะดำเนินการในระดับที่สามของการอนุมานเพื่อที่จะปรับพารามิเตอร์ของฟังก์ชันเคอร์เนลโดยอัตโนมัติและเลือกอินพุทที่เกี่ยวข้อง สูตร LS-SVM ช่วยให้สามารถหานิพจน์การวิเคราะห์ได้ในพื้นที่คุณลักษณะและการแสดงออกในทางปฏิบัติจะได้รับในพื้นที่คู่ซึ่งจะแทนที่ผลิตภัณฑ์ภายในด้วยฟังก์ชันเคอร์เนลที่เกี่ยวข้องโดยใช้ทฤษฎีบท Mercers การคาดการณ์ล่วงหน้าหนึ่งก้าวที่ได้จากการคาดการณ์อัตราการเรียกเก็บเงินรายสัปดาห์ 90 วันและราคาปิดของ DAX30 รายวันแสดงให้เห็นว่าการคาดการณ์เกี่ยวกับเครื่องหมายตัวอย่างอย่างมีนัยสำคัญสามารถทำได้ในส่วนของสถิติการทดสอบ Pesaran-Timmerman ที่ใช้กรอบหลักฐานเบส์ (LS-SVM) ถดถอยเพื่อคาดการณ์อัตราค่าบริการรายสัปดาห์ 90 วันและราคาปิด DAX30 ทุกวัน TAY, Francis E. H. และ Lijuan CAO, 2001. การประยุกต์ใช้เครื่องเวกเตอร์สนับสนุนในการพยากรณ์ทางการเงินแบบอนุกรมเวลา โอเมก้า: วารสารการจัดการวิทยาศาสตร์ระหว่างประเทศ Volume 29, Issue 4, August 2001, หน้า 309-317 การอ้างถึง 67 (12.89 ปี) บทคัดย่อ: บทความนี้เกี่ยวข้องกับการประยุกต์ใช้เทคนิคเครือข่ายประสาทเทียมใหม่ (SVM) ในการคาดการณ์ลำดับเหตุการณ์ทางการเงิน งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาความเป็นไปได้ของ SVM ในการคาดการณ์ลำดับเหตุการณ์ทางการเงินด้วยการเปรียบเทียบกับเครือข่ายประสาทเทียมแบบ back-propagation หลายชั้น (multi-layer back-propagation (BP)) ห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงซึ่งเรียงจาก Chicago Mercantile Market ใช้เป็นชุดข้อมูล การทดลองแสดงให้เห็นว่า SVM มีประสิทธิภาพสูงกว่าเครือข่ายประสาท BP ตามเกณฑ์ข้อผิดพลาดของค่าเฉลี่ย (NMSE) ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) ความสมมาตรเชิงทิศทาง (DS) และสมมุติฐานทิศทางถ่วงน้ำหนัก (WDS) เนื่องจากไม่มีทางเลือกที่มีโครงสร้างในการเลือกพารามิเตอร์ฟรีของ SVMS ความแปรผันในสมรรถนะเกี่ยวกับพารามิเตอร์อิสระจะได้รับการตรวจสอบในการศึกษานี้ การวิเคราะห์ผลการทดลองพิสูจน์ให้เห็นว่าเป็นประโยชน์ที่จะใช้ SVM ในการคาดการณ์ช่วงเวลาทางการเงินได้พบว่า SVM มีประสิทธิภาพดีกว่าเครือข่ายประสาทเทียมแบบ back-propagation หลายชั้น (BP) บนสัญญาซื้อขายล่วงหน้า 5 สัญญาจากตลาด Chicago Mercantile Market TAY, Francis E. H. และ L. J. CAO, 2002. เครื่องเวกเตอร์สนับสนุนที่ได้รับการปรับปรุงแก้ไขในการพยากรณ์อากาศแบบเวลาทางการเงิน Neurocomputing เล่ม 48 ประเด็นที่ 1-4 ตุลาคม 2002 หน้า 847-861 โดยบทคัดย่อ (Abstract): บทความนี้ขอเสนอเครื่องเวคเตอร์แบบสนับสนุนที่ได้รับการแก้ไขซึ่งเรียกว่าเครื่องเวกเตอร์เวคเตอร์ C เพื่อสนับสนุนชุดข้อมูลทางการเงินที่ไม่ใช่นิ่ง เครื่องเวสเตอร์เวคเตอร์ C ที่ให้แรงสนับสนุนมากที่สุดจะได้รับโดยการปรับเปลี่ยนฟังก์ชันการทำงานที่มีความเสี่ยงตามปกติในเครื่องเวคเตอร์แบบเวกเตอร์ซึ่งเมื่อเร็ว ๆ นี้ข้อผิดพลาดที่เกิดขึ้นจากข้อผิดพลาด 949 รายจะถูกลงโทษมากขึ้นกว่าข้อผิดพลาดที่ไม่สามารถระบุตัวตนได้ถึง 949 จุด ขั้นตอนนี้ขึ้นอยู่กับความรู้ก่อนหน้าว่าในช่วงเวลาทางการเงินที่ไม่ใช่ stationary การพึ่งพาระหว่างตัวแปรอินพุทและตัวแปรเอาต์พุตจะค่อยๆเปลี่ยนแปลงตลอดเวลาโดยเฉพาะอย่างยิ่งข้อมูลที่ผ่าน ๆ มาล่าสุดอาจให้ข้อมูลที่สำคัญกว่าข้อมูลในอดีตที่ห่างไกล ในการทดสอบเครื่องเวสเตอร์เวคเตอร์ C ที่มีการสนับสนุนมากที่สุดได้รับการทดสอบโดยใช้ฟิวเจอร์สที่ได้รับจริง 3 แห่งจากตลาด Chicago Mercantile Market แสดงให้เห็นว่าเครื่องเวกเตอร์สนับสนุน C มากที่สุดที่มีข้อมูลตัวอย่างที่สั่งซื้อได้อย่างสม่ำเสมอคาดการณ์ดีกว่าเครื่องเวคเตอร์รองรับมาตรฐานโดยมีประสิทธิภาพที่เลวร้ายที่สุดเมื่อใช้ข้อมูลตัวอย่างที่ได้รับการกลับรายการ นอกจากนี้เครื่องเวกเตอร์เวกเตอร์สนับสนุน C-less ใช้เวกเตอร์สนับสนุนน้อยกว่าเวคเตอร์เวกเตอร์รองรับมาตรฐานซึ่งส่งผลให้มีการใช้งานเครื่องเวสเตอร์เวคเตอร์ C ซึ่งสนับสนุนการทำงานของ C ซึ่งสนับสนุนข้อผิดพลาด 949 ที่ไม่สามารถตอบสนองได้เร็วกว่าระยะไกล 949 ข้อผิดพลาดและพบว่าพวกเขาคาดการณ์ได้ดีกว่ามาตรฐาน SVM ในสามฟิวเจอร์สที่แท้จริงที่รวบรวมได้จากตลาด Chicago Mercantile Market HUANG, Zan, et al. . การวิเคราะห์คะแนนเครดิตด้วยเครื่องเวกเตอร์สนับสนุนและเครือข่ายประสาทเทียม: การศึกษาเปรียบเทียบตลาด ระบบสนับสนุนการตัดสินใจ ฉบับที่ 37 ฉบับที่ 4 (กันยายน 2547), หน้า 543-558 อ้างถึง 21 (9.55 ปี) บทคัดย่อ: การวิเคราะห์อันดับความน่าเชื่อถือขององค์กรได้ดึงดูดผลงานวิจัยที่น่าสนใจมากมายในวรรณคดี การศึกษาล่าสุดแสดงให้เห็นว่า Artificial Intelligence (AI) มีประสิทธิภาพดีกว่าวิธีทางสถิติแบบดั้งเดิม บทความนี้จะแนะนำเทคนิคการเรียนรู้เครื่องจักรใหม่เครื่องเวกเตอร์สนับสนุน (SVM) ปัญหาในการพยายามให้รูปแบบที่มีอำนาจอธิบายได้ดีขึ้น เราใช้เครือข่ายประสาทเทอร์โบ backpropagation (BNN) เป็นเกณฑ์มาตรฐานและได้รับความแม่นยำในการคาดการณ์ประมาณ 80 สำหรับทั้ง BNN และ SVM สำหรับตลาดสหรัฐอเมริกาและไต้หวัน อย่างไรก็ตามมีการปรับปรุง SVM เพียงเล็กน้อย อีกทิศทางของการวิจัยคือการปรับปรุงการตีความรูปแบบ AI-based เราใช้ผลการวิจัยล่าสุดในการตีความแบบจำลองเครือข่ายประสาทและได้รับความสำคัญสัมพัทธ์ของตัวแปรทางการเงินที่ป้อนจากแบบจำลองเครือข่ายประสาทเทียม จากผลการศึกษาเหล่านี้เราได้ทำการวิเคราะห์เปรียบเทียบความแตกต่างของปัจจัยที่กำหนดในตลาดสหรัฐอเมริกาและไต้หวันโดยใช้เครือข่ายประสาทเทอร์โบและ SVMs เพื่อทำนายการจัดอันดับเครดิตขององค์กรในตลาดสหรัฐอเมริกาและไต้หวันและพบว่าผลการวิจัยมีความคล้ายคลึงกัน (ทั้งสองดีกว่าการถดถอยโลจิสติก) ด้วย SVM ดีขึ้นเล็กน้อย CAO, Lijuan, 2003 สนับสนุนผู้เชี่ยวชาญด้านเวกเตอร์เครื่องสำหรับการพยากรณ์แบบอนุกรมเวลา Neurocomputing เล่มที่ 51 เมษายน 2003 หน้า 321-339 อ้างถึง 29 (9.08 ปี) บทคัดย่อ: บทความนี้เสนอการใช้ผู้เชี่ยวชาญด้านเวคเตอร์เวกเตอร์สนับสนุน (SVMs) สำหรับการคาดการณ์ชุดข้อมูลอนุกรมเวลา ผู้เชี่ยวชาญด้าน SVMs ทั่วไปมีโครงสร้างเครือข่ายประสาทเทียมสองขั้นตอน ในขั้นตอนแรกแผนที่คุณลักษณะการจัดตัวเอง (SOM) ใช้เป็นอัลกอริธึมการจัดกลุ่มเพื่อแบ่งพื้นที่การป้อนข้อมูลทั้งหมดออกเป็นพื้นที่ที่ไม่ปะติดปะต่อ สถาปัตยกรรมโครงสร้างที่มีโครงสร้างถูกนำมาใช้ในพาร์ติชันเพื่อหลีกเลี่ยงปัญหาในการกำหนดจำนวนพื้นที่ที่แบ่งพาร์ติชันก่อนกำหนด จากนั้นในขั้นตอนที่สอง SVM หลายรายที่เรียกว่าผู้เชี่ยวชาญ SVM ที่เหมาะสมกับภูมิภาคพาร์ติชันที่ดีที่สุดจะถูกสร้างขึ้นโดยการค้นหาฟังก์ชันเคอร์เนลที่เหมาะสมที่สุดและพารามิเตอร์ฟรีที่เหมาะสมของ SVM ข้อมูลจุดบอดบนดวงอาทิตย์ซานตาเฟข้อมูลชุด A, C และ D และทั้งสองชุดข้อมูลอาคารจะได้รับการประเมินในการทดสอบ การจำลองนี้แสดงให้เห็นว่าผู้เชี่ยวชาญด้าน SVMs ได้รับการปรับปรุงอย่างมีนัยสำคัญในประสิทธิภาพการทำงานทั่วไปเมื่อเทียบกับโมเดล SVM แบบเดียว นอกจากนี้ผู้เชี่ยวชาญ SVMs ยังบรรจบกันได้เร็วขึ้นและใช้เวกเตอร์การสนับสนุนที่น้อยลงแสดงให้เห็นว่าวิธีการของผู้เชี่ยวชาญด้าน SVM ได้รับการปรับปรุงอย่างมีนัยสำคัญเหนือโมเดล SVM แบบเดียวเมื่อเทียบกับชุดข้อมูล Santa Fe C (อัตราแลกเปลี่ยนความถี่สูงระหว่างฟรังก์สวิสและ ดอลลาร์) KIM, Kyoung-jae, 2003. การคาดการณ์ลำดับเหตุการณ์ทางการเงินด้วยเครื่องเวกเตอร์สนับสนุน Neurocomputing เล่มที่ 55 ประเด็นที่ 1-2 (กันยายน 2546), หน้า 307-319 อ้างถึง 28 (8.76 ปี) บทคัดย่อ: เครื่องเวกเตอร์สนับสนุน (SVM) เป็นวิธีที่มีแนวโน้มในการคาดการณ์ชุดเวลาทางการเงินเนื่องจากใช้ฟังก์ชันความเสี่ยงซึ่งประกอบด้วยข้อผิดพลาดเชิงประจักษ์และคำที่ได้รับการจัดทำขึ้นซึ่งมาจากหลักการลดความเสี่ยงเชิงโครงสร้าง . การศึกษานี้ใช้ SVM ในการคาดการณ์ดัชนีราคาหุ้น นอกจากนี้การศึกษานี้ยังศึกษาความเป็นไปได้ในการประยุกต์ใช้ SVM ในการคาดการณ์ทางการเงินโดยการเปรียบเทียบกับโครงข่ายประสาทเทียมหลังการแพร่กระจายและการให้เหตุผลแบบกรณี ผลการทดลองแสดงให้เห็นว่า SVM เป็นทางเลือกที่มีแนวโน้มในการคาดการณ์ตลาดหุ้นว่า SVMS มีประสิทธิภาพสูงกว่าเครือข่ายประสาทเทียมหลังการแพร่กระจายและการใช้เหตุผลแบบกรณีศึกษาเมื่อใช้ดัชนี KOSPI ในการคาดการณ์ดัชนีราคาหุ้นคอมโพสิตเกาหลีใต้ SHIN Kyung-Shik, Taik Soo LEE และ Hyun-jung KIM, 2005. การประยุกต์ใช้เครื่องเวกเตอร์สนับสนุนในรูปแบบการคาดการณ์การล้มละลาย ระบบผู้เชี่ยวชาญกับแอพพลิเคชัน Volume 28, Issue 1, January 2005, หน้า 127-135 อ้างถึง 8 (6.67 ปี) บทคัดย่อ: การศึกษานี้เป็นการศึกษาประสิทธิภาพของการใช้เครื่องเวกเตอร์เวกเตอร์ (SVM) ในการทำนายปัญหาการล้มละลาย แม้ว่าข้อเท็จจริงที่เป็นที่รู้จักกันดีว่าโครงข่ายประสาทเทียมหลังการทำงาน (BPN) มีประสิทธิภาพดีในงานการจดจำรูปแบบวิธีนี้มีข้อ จำกัด บางประการที่ทำให้งานศิลปะมีรูปแบบที่เหมาะสมและเหมาะสมที่สุด นอกจากนี้จำเป็นต้องมีการโหลดชุดการฝึกอบรมให้มากที่สุดเท่าที่จะเป็นไปได้ในเครือข่ายเพื่อค้นหาน้ำหนักของเครือข่าย ในทางกลับกันเนื่องจาก SVM จับภาพลักษณะทางเรขาคณิตของพื้นที่ว่างโดยไม่ได้รับน้ำหนักของเครือข่ายจากข้อมูลการฝึกอบรมจึงมีความสามารถในการแยกสารละลายที่เหมาะสมกับขนาดชุดฝึกอบรมขนาดเล็ก ในการศึกษาครั้งนี้เราแสดงให้เห็นว่าตัวจำแนกประเภทของวิธี SVM ที่เสนอให้มีประสิทธิภาพดีกว่า BPN ต่อปัญหาของการทำนายการล้มละลายขององค์กร ผลการทดลองแสดงให้เห็นว่าประสิทธิภาพของ SVM มีความถูกต้องและมีนัยสำคัญดีกว่า BPN เนื่องจากขนาดชุดฝึกอบรมมีขนาดเล็กลง นอกจากนี้เรายังตรวจสอบผลของความผันแปรของสมรรถนะที่เกี่ยวกับค่าต่างๆของพารามิเตอร์ใน SVM นอกจากนี้เรายังตรวจสอบและสรุปประเด็นสำคัญหลายประการของอัลกอริทึม SVM เทียบกับ BPN ซึ่งแสดงให้เห็นว่า SVMS มีประสิทธิภาพดีกว่าเครือข่ายประสาทเทียมหลังการขยายตัวเมื่อใช้กับการคาดการณ์การล้มละลายขององค์กร CAO, L.J และ Francis E.H. TAY, 2003. เครื่องเวกเตอร์เวคเตอร์รองรับด้วยพารามิเตอร์ที่ปรับเปลี่ยนได้ในการคาดการณ์ข้อมูลทางการเงินแบบเวลา. รายการ IEEE บนเครือข่ายประสาทเทียม ฉบับที่ 14 ฉบับที่ 6 พฤศจิกายน 2546 หน้า 1506-1518 (SVM) ได้รับความสนใจเพิ่มขึ้นในด้านต่างๆตั้งแต่การใช้งานในรูปแบบเดิมไปจนถึงการประยุกต์ใช้งานอื่น ๆ เช่นการประมาณค่าการถดถอยเนื่องจากประสิทธิภาพการทำงานโดยรวมที่โดดเด่น . บทความนี้เกี่ยวข้องกับการประยุกต์ใช้ SVM ในการคาดการณ์ลำดับเวลาทางการเงิน ความเป็นไปได้ในการใช้ SVM ในการคาดการณ์ทางการเงินจะได้รับการตรวจสอบก่อนโดยการเปรียบเทียบกับเครือข่ายประสาทเทียมแบบ back-propagation multilayer (BP) และเครือข่ายประสาทเทียม (RBF) ที่เป็น regularized radial basis (RBF) ความแปรปรวนของสมรรถนะของ SVM ในส่วนที่เกี่ยวกับพารามิเตอร์อิสระจะถูกตรวจสอบโดยการทดลอง พารามิเตอร์ที่ปรับเปลี่ยนได้ถูกนำเสนอโดยการนำเอาความไม่สม่ำเสมอของชุดเวลาทางการเงินเข้ากับ SVM มีการทำสัญญาฟิวเจอร์ส 5 ประเภทจากตลาด Chicago Mercantile Market เป็นชุดข้อมูล การจำลองแสดงให้เห็นว่าในสามวิธีนี้ SVM มีประสิทธิภาพดีกว่าเครือข่ายประสาท BP ในการคาดการณ์ทางการเงินและมีประสิทธิภาพการทำงานโดยรวมที่เหมือนกันระหว่าง SVM กับเครือข่ายประสาทเทียม RBF นอกจากนี้พารามิเตอร์ฟรีของ SVM มีผลต่อประสิทธิภาพการทำงานทั่วไป SVM ที่มีพารามิเตอร์ปรับตัวสามารถบรรลุสมรรถนะที่สูงกว่าและใช้เวกเตอร์สนับสนุนน้อยกว่า SVM มาตรฐานในการคาดการณ์ทางการเงินใช้ SVM เครือข่ายประสาทเทียมแบบมัลติเลเยอร์ (BP) และระบบนิวรัลเรเดียลพื้นฐาน (RBF) ที่ทำนายได้ ห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงได้จากตลาดการค้าชิคาโก ผลการวิจัยพบว่า SVM และเครือข่ายประสาทเทียม RBF มีค่าใกล้เคียงกันและมีประสิทธิภาพดีกว่าเครือข่ายประสาท BP CAO, Lijuan และ Francis E.H. TAY, 2001. การพยากรณ์ทางการเงินโดยใช้เครื่องเวกเตอร์แบบสนับสนุน แอพพลิเคชันคอมพิวเตอร์ประสาทเทียม Volume 10, Number 2 (May 2001), หน้า 184-192 อ้างถึง 26 (5.00 ปี) บทคัดย่อ: การใช้เครื่องรองรับเวกเตอร์ (SVMs) ศึกษาในการคาดการณ์ทางการเงินโดยการเปรียบเทียบกับ perceptron หลายชั้นซึ่งได้รับการฝึกอบรมจากอัลกอริธึม Back Propagation (BP) SVMs คาดการณ์ได้ดีกว่า BP จากเกณฑ์ Normal Mean Mean Square Error (NMSE), Mean Absolute Error (MAE), ทิศทางสมมาตรทิศทาง (DS), Correct Up (CP) และ Correct Down (CD) แนวโน้ม ใช้ดัชนีข้อมูล SampP 500 รายวันเป็นชุดข้อมูล เนื่องจากไม่มีวิธีการที่มีโครงสร้างในการเลือกพารามิเตอร์ฟรีของ SVMS ข้อผิดพลาดในการสรุปเกี่ยวกับพารามิเตอร์ฟรีของ SVM จะได้รับการตรวจสอบในการทดสอบนี้ ดังที่แสดงในการทดลองพวกเขามีผลกระทบเพียงเล็กน้อยต่อโซลูชัน การวิเคราะห์ผลการทดลองแสดงให้เห็นว่าเป็นประโยชน์ที่จะใช้ SVM ในการคาดการณ์ช่วงเวลาทางการเงินพบว่า SVM คาดการณ์ดัชนีราคาสินค้ารายวัน SampP 500 ดีกว่า perceptron หลายชั้นซึ่งได้รับการฝึกอบรมจากอัลกอริธึม Back Propagation (BP) MIN, Jae H. และ Young-Chan LEE, 2005. การทำนายการล้มละลายโดยใช้เครื่องเวคเตอร์สนับสนุนด้วยการเลือกค่าพารามิเตอร์เคอร์เนลที่ดีที่สุด ระบบผู้เชี่ยวชาญกับแอพพลิเคชัน ฉบับที่ 28 ฉบับที่ 4 พฤษภาคม 2548 หน้า 603-614 อ้างถึง 6 (5.00 ปี) บทคัดย่อ: การคาดการณ์เกี่ยวกับการคาดการณ์เกี่ยวกับการล้มละลายมีความสำคัญต่องานวิจัยในวรรณคดีก่อน ๆ และผลการศึกษาล่าสุดแสดงให้เห็นว่าเทคนิคการเรียนรู้ด้วยเครื่องจักรประสบความสำเร็จดีกว่างานสถิติแบบเดิม ๆ บทความนี้ใช้เครื่องเวคเตอร์สนับสนุน (SVMs) กับปัญหาการทำนายการล้มละลายในความพยายามที่จะเสนอรูปแบบใหม่ที่มีอำนาจและเสถียรภาพที่ดีกว่า เพื่อตอบสนองวัตถุประสงค์นี้เราใช้เทคนิคการค้นหาตารางโดยใช้การตรวจสอบข้าม 5 ครั้งเพื่อหาค่าพารามิเตอร์ที่เหมาะสมสำหรับฟังก์ชันเคอร์เนลของ SVM นอกจากนี้เพื่อประเมินความถูกต้องในการทำนายของ SVM เราเปรียบเทียบประสิทธิภาพกับการวิเคราะห์การจำแนกพหุคูณ (MDA), การวิเคราะห์การถดถอยโลจิสติก (Logit) และการเชื่อมต่อเครือข่ายประสาทเทียมแบบ back-propagation สามชั้นอย่างเต็มที่ (BPNs) ผลการทดลองแสดงให้เห็นว่า SVM มีประสิทธิภาพสูงกว่าวิธีอื่น ๆ ซึ่งเมื่อนำมาใช้กับการทำนายการล้มละลาย SVMs มีประสิทธิภาพสูงกว่าการวิเคราะห์จำแนกแบบหลายกลุ่ม (MDA) การวิเคราะห์การถดถอยโลจิสติก (Logit) และการเชื่อมต่อเครือข่ายประสาทเทียมแบบ back-propagation สามชั้นที่เชื่อมต่อกันอย่างเต็มที่ (BPNs) ABRAHAM, Ajith, Ninan Sajith PHILIP และ P. SARATCHANDRAN, 2003. การสร้างแบบจำลองพฤติกรรมความวุ่นวายของดัชนีสต๊อกโดยใช้กระบวนทัศน์อัจฉริยะ การคำนวณเชิงเส้นประสาท, การคำนวณเชิงขนาน เล่ม 11 หน้า 143-160 อ้างถึง 10 (4.55 ปี) บทคัดย่อ: การใช้ระบบอัจฉริยะเพื่อคาดการณ์ตลาดหุ้นได้รับการยอมรับอย่างกว้างขวาง ในบทความนี้เราจะศึกษาว่าพฤติกรรมที่ดูเหมือนวุ่นวายของตลาดหุ้นสามารถนำมาใช้ได้ดีโดยใช้กระบวนทัศน์การเชื่อมต่อและเทคนิคการคำนวณแบบนุ่มนวล เพื่อแสดงให้เห็นถึงเทคนิคต่าง ๆ เราพิจารณาดัชนี Nasdaq-100 ของ Nasdaq Stock Market SM และดัชนีหุ้น SP CNX NIFTY เราวิเคราะห์ค่าดัชนีหลักของ Nasdaq 100 ปีที่ 7 และ 82 และค่าดัชนี NIFTY 4 ปี บทความนี้ศึกษาการพัฒนาเทคนิคที่เชื่อถือได้และมีประสิทธิภาพในการจำลองพฤติกรรมที่ดูวุ่นวายของตลาดหุ้น เราได้พิจารณาเครือข่ายประสาทเทียมที่ได้รับการฝึกอบรมโดยใช้อัลกอริทึม Levenberg-Marquardt, เวคเตอร์เวคเตอร์ (SVM), โมเดล neurofuzzy ของ Takagi-Sugeno และเครือข่ายประสาทเทียม (DBNN) ที่แตกต่างกัน บทความนี้อธิบายสั้น ๆ เกี่ยวกับวิธีการสร้างกระบวนทัศน์ในการเชื่อมต่อที่แตกต่างกันโดยใช้วิธีการเรียนรู้ที่แตกต่างกันและทำการตรวจสอบว่าพวกเขาสามารถให้ผลการปฏิบัติงานที่จำเป็นซึ่งเพียงพอและดีพอเพื่อให้เป็นแบบพยากรณ์ความน่าเชื่อถือสำหรับดัชนีตลาดหุ้น ผลการทดลองแสดงให้เห็นว่ากระบวนทัศน์การเชื่อมต่อทั้งหมดสามารถนำมาใช้เป็นตัวบ่งชี้พฤติกรรมดัชนีหุ้นได้อย่างถูกต้องใช้เทคนิคสี่แบบซึ่งเป็นเครือข่ายประสาทเทียมที่ได้รับการฝึกมาโดยใช้อัลกอริธึม Levenberg-Marquardt เครื่องเวกเตอร์สนับสนุนความแตกต่างของการกระตุ้นเครือข่ายประสาทและ Takagi-Sugeno ระบบอนุมานแบบฟัซซี่ได้เรียนรู้โดยใช้อัลกอริธึมเครือข่ายประสาทเทียม (neuro-fuzzy model) เพื่อทำนายดัชนี Nasdaq-100 ของตลาดหุ้นแนสแดคและดัชนีหุ้น SP CNX NIFTY ไม่มีใครเห็นได้ชัดกว่าเทคนิค แต่อย่างบ้าคลั่งพวกเขาพยายามที่จะทำนายค่าสัมบูรณ์ของดัชนีแทนที่จะใช้ผลตอบแทนของล็อก YANG, Haiqin, Laiwan CHAN และ Irwin KING, 2002 การสนับสนุนการถดถอยของเวคเตอร์แบบเวกเตอร์สำหรับการทำนายตลาดหุ้นที่มีความผันผวน ใน: วิศวกรรมข้อมูลอัจฉริยะและการเรียนรู้โดยอัตโนมัติ: IDEAL 2002 แก้ไขโดย Hujun Yin, et al . หน้า 391--396, สปริงเกอร์ อ้างถึง 19 (4.52 ปี) บทคัดย่อ: เมื่อเร็ว ๆ นี้ได้มีการใช้การสนับสนุนการถดถอยเวคเตอร์ (SVR) เพื่อแก้ปัญหาการถดถอยและการคาดการณ์ ในเอกสารฉบับนี้เราใช้ SVR ในการทำนายทางการเงิน โดยเฉพาะข้อมูลทางการเงินมักมีเสียงดังและความเสี่ยงที่เกี่ยวข้องต่างกันไป ดังนั้นรูปแบบ SVR ของเราจึงเป็นส่วนขยายของ SVR มาตรฐานซึ่งรวมการปรับอัตรากำไร การเปลี่ยนแปลงส่วนต่างของ SVR อาจทำให้เราสามารถสะท้อนถึงความผันผวนของข้อมูลทางการเงินได้ นอกจากนี้เรายังได้วิเคราะห์ผลกระทบของอัตรากำไรแบบอสมมาตรเพื่อลดความเสี่ยงจากความเสี่ยง ผลการทดลองของเราแสดงให้เห็นว่าการใช้ค่าส่วนเบี่ยงเบนมาตรฐานในการคำนวณอัตราส่วนต่างของตัวแปรจะเป็นตัวบ่งชี้ที่คาดว่าจะได้ผลดีในการคาดการณ์ดัชนี Hang Seng โดยทำการเปลี่ยนแปลงอัตรากำไรในการถดถอยของ SVM เพื่อสะท้อนการเปลี่ยนแปลงความผันผวนของข้อมูลทางการเงิน ผลกระทบของอัตรากำไรแบบอสมมาตรเพื่อลดความเสี่ยงขาลง วิธีการเดิมมีข้อผิดพลาดทั้งหมดน้อยที่สุดเมื่อทำนายราคาปิดของ Hong Kongs Hang Seng Index (HSI) ในแต่ละวัน HUANG, W. Y. NAKAMORI และ S.Y. WANG, 2005. พยากรณ์ทิศทางการเคลื่อนไหวของตลาดหุ้นด้วยเครื่องเวกเตอร์สนับสนุน การวิจัยการดำเนินงานของคอมพิวเตอร์ เล่ม 32 ฉบับที่ 10 หน้า 2513-2522 (SVM) เป็นรูปแบบเฉพาะของอัลกอริทึมการเรียนรู้ที่โดดเด่นด้วยการควบคุมขีดความสามารถของฟังก์ชันการตัดสินใจการใช้ฟังก์ชันเคอร์เนลและการแบ่งแยกสีของสารละลาย ในบทความนี้เราจะศึกษาความสามารถในการคาดการณ์ทิศทางการเคลื่อนไหวทางการเงินของ SVM โดยคาดการณ์ทิศทางการเคลื่อนไหวรายสัปดาห์ของดัชนี NIKKEI 225 เพื่อประเมินความสามารถในการคาดการณ์ของ SVM เราเปรียบเทียบประสิทธิภาพกับการวิเคราะห์เชิงเส้นแบบแยกแยะ, การวิเคราะห์แบบแยกแยะแบบคั่นสองทางและเครือข่ายประสาทด้านหลังแบบ Elman Backpropagation ผลการทดลองแสดงให้เห็นว่า SVM มีประสิทธิภาพดีกว่าวิธีการจำแนกประเภทอื่น ๆ นอกจากนี้เรายังเสนอรูปแบบการผสมผสานด้วยการรวม SVM เข้ากับวิธีการจำแนกประเภทอื่น ๆ โมเดลการรวมที่ดีที่สุดในบรรดาวิธีการคาดการณ์ได้กล่าวถึงความสามารถของ SVMs การวิเคราะห์แยกแยะเชิงเส้นการวิเคราะห์แบบแยกแยะแบบคั่นสองทางและเครือข่ายประสาทแบ็คกราวด์แบบ Elman เพื่อคาดการณ์ทิศทางการเคลื่อนไหวรายสัปดาห์ของดัชนี NIKKEI 225 และพบว่า SVM มีประสิทธิภาพสูงกว่าวิธีการจำแนกประเภทอื่น ๆ ทั้งหมด . ยังดีกว่าคือการรวมน้ำหนักของแบบจำลอง TRAFALIS, Theodore B. และ Huseyin INCE, 2000. เครื่องเวกเตอร์เวคเตอร์สำหรับการถดถอยและการประยุกต์ใช้เพื่อการพยากรณ์ทางการเงิน ใน: IJCNN 2000: การดำเนินการของ IEEE-INNS-ENNS การประชุมร่วมกันระหว่างประเทศเกี่ยวกับโครงข่ายประสาทเทียม: เล่ม 6 แก้ไขโดย Shun-Ichi Amari, et al. . หน้า 6348 สมาคมคอมพิวเตอร์ IEEE บทคัดย่อ: วัตถุประสงค์หลักของบทความนี้คือการเปรียบเทียบเครื่องเวคเตอร์สนับสนุน (SVM) ที่พัฒนาขึ้นโดย Vapnik พร้อมกับเทคนิคอื่น ๆ เช่น Backpropagation และ Radial Basis Function (RBF) Networks สำหรับการคาดการณ์ทางการเงิน ทฤษฎีของอัลกอริทึม SVM ใช้ทฤษฎีการเรียนรู้ทางสถิติ การฝึกอบรมเรื่อง SVM จะนำไปสู่ปัญหาการเขียนโปรแกรม (quadratic programming) (QP) ผลการคำนวณเบื้องต้นสำหรับการทำนายราคาหุ้นยังแสดงถึง SVM ที่มี Backpropagation และ Radial Basis Function (RBF) Networks ด้วยการคาดการณ์ราคาหุ้นรายวันของ IBM, Yahoo และ America Online ผิดปกติโดยใช้ SVM สำหรับการถดถอยพวกเขาได้รับชุดตรวจสอบตั้งค่า epsilon เป็นศูนย์และคง C และทำซ้ำการทดสอบสำหรับการตั้งค่าต่างๆของพารามิเตอร์เคอร์เนล sigma ซึ่งทำให้เกิดผลลัพธ์หลายอย่าง CAO, Lijuan และ Qingming GU, 2002. เครื่องเวกเตอรสนับสนุนแบบไดนามิกสําหรับการคาดการณ์อนุกรมเวลาที่ไมคงที่ การวิเคราะห์ข้อมูลอัจฉริยะ เล่ม 6, ฉบับที่ 1, หน้า 67-83 โดยบทคัดย่อ: บทคัดย่อ: บทความนี้ขอเสนอรูปแบบของเวกเตอร์เวกเตอร์สนับสนุน (SVM) ที่ได้รับการแก้ไขซึ่งเรียกว่าเครื่องเวกเตอร์สนับสนุนแบบไดนามิก (Dynamic Velocity Vector Machines - DSVM) เพื่อทำเป็นชุดเวลาแบบไม่หยุดนิ่ง DSVM สามารถหาได้จากการรวมเอาความรู้ของโดเมนปัญหาเข้าด้วยกันเป็นชุดคำสั่งแบบไม่ต่อเนื่องใน SVMs ซึ่งแตกต่างจาก SVM มาตรฐานที่ใช้ค่าคงที่ของค่าคงที่สม่ำเสมอและขนาดของท่อในจุดข้อมูลการฝึกอบรมทั้งหมด DSVM ใช้ค่าคงที่สม่ำเสมอที่เพิ่มขึ้นอย่างมากและลดขนาดของท่อลงเพื่อจัดการกับการเปลี่ยนแปลงโครงสร้างของข้อมูล ค่าคงที่แบบไดนามิกคงที่และขนาดของหลอดจะขึ้นอยู่กับความรู้ก่อนว่าในช่วงเวลาที่ไม่ใช่ชุดข้อมูลล่าสุดอาจให้ข้อมูลที่สำคัญกว่าจุดข้อมูลที่ห่างไกล ในการทดสอบ DSVM จะได้รับการประเมินโดยใช้ชุดข้อมูลจำลองและชุดข้อมูลจริง การจำลองนี้แสดงให้เห็นว่า DSVM มีการสร้างแบบจำลองที่ดีกว่า SVM แบบมาตรฐานในการคาดการณ์ชุดเวลาที่ไม่ใช่แบบหยุดนิ่ง ข้อดีอีกประการหนึ่งของการปรับเปลี่ยนนี้ก็คือ DSVM ใช้เวกเตอร์สนับสนุนน้อยลงส่งผลให้เกิดการแก้ปัญหาแบบเบาบางทำให้ทราบว่าชุดข้อมูลทางการเงินแบบไม่ต่อเนื่องเป็นแบบเวกเตอร์สนับสนุนแบบไดนามิก (DSVMs) และใช้ค่าคงที่สม่ำเสมอที่เพิ่มขึ้นอย่างต่อเนื่องและ ขนาดของหลอดที่ลดลงเรื่อย ๆ เพื่อจัดการกับการเปลี่ยนแปลงโครงสร้างในข้อมูลเกี่ยวกับข้อสันนิษฐานว่าจุดข้อมูลล่าสุดอาจให้ข้อมูลที่สำคัญกว่าจุดข้อมูลที่ห่างไกล พวกเขาสรุปได้ว่า DSVMs เข้าใจดีกว่า SVM แบบมาตรฐานในการคาดการณ์ชุดเวลาแบบไม่หยุดนิ่งขณะที่พวกเขายังใช้เวกเตอร์สนับสนุนน้อยลงส่งผลให้มีการแก้ปัญหาโดยใช้ sparser TAY, Francis E. H และ L. J. CAO, 2002 949-Descending Support Vector Machines สำหรับการพยากรณ์ทางการเงินของ Series Time ตัวประมวลผลระบบประสาท (15) (2): 179-195 การศึกษานี้นำเสนอโมเดลเวคเตอร์สนับสนุน (SVM) รุ่นที่ได้รับการแก้ไขซึ่งเรียกว่า 949-descending support vector machines (949-DSVMs) เพื่อใช้เป็นแบบจำลองทางการเงินที่ไม่ใช่นิ่ง 949-DSVMs ได้มาจากการรวมเอาความรู้เกี่ยวกับปัญหาโดเมน 8211 ที่ไม่เป็นตัวนิ่งของชุดเวลาทางการเงินเข้าสู่ SVMs ซึ่งแตกต่างจาก SVM มาตรฐานที่ใช้ท่อแบบคงที่ในจุดข้อมูลการฝึกทั้งหมด 949-DSVM ใช้หลอดปรับตัวเพื่อจัดการกับการเปลี่ยนแปลงโครงสร้างในข้อมูลการทดสอบแสดงให้เห็นว่า 949-DSVMs สามารถสรุปได้ดีกว่า SVM มาตรฐานในการคาดการณ์ ชุดเวลาทางการเงินที่ไม่ใช่นิ่ง ข้อดีอีกประการหนึ่งของการปรับเปลี่ยนนี้ก็คือ 949-DSVMs มาบรรจบกับเวกเตอร์สนับสนุนที่น้อยลงส่งผลให้เกิดการแก้ปัญหาแบบ sparser รวมถึงปัญหาเกี่ยวกับโดเมนที่ไม่ใช่ stationary ของชุดเวลาทางการเงินใน SVMS โดยใช้ท่อแบบปรับตัวเพื่อเรียกว่า epsilon-descending support vector machines (epsilon-DSVMs) การทดลองแสดงให้เห็นว่า epsilon-DSVMs สามารถสรุปได้ดีกว่า SVM แบบมาตรฐานในการคาดการณ์ชุดข้อมูลทางการเงินที่ไม่ใช่แบบ stationary และยังรวมไปถึงเวกเตอร์การสนับสนุนที่น้อยลงส่งผลให้มีการแก้ปัญหาโดยใช้ sparser DEBNATH, Sandip และ C. Lee GILES, 2005. แบบจำลองการเรียนรู้สำหรับการสกัดหัวข้อบทความข่าวเพื่อหาคำอธิบายสำหรับเหตุการณ์ ใน: K-CAP 821705: การประชุมวิชาการนานาชาติครั้งที่ 3 เรื่องการจับความรู้ หน้า 189-190 อ้างถึง 2 (1.67 ปี) บทคัดย่อ: ข้อมูลเมตามีบทบาทสำคัญในการเพิ่มประสิทธิภาพการจัดเก็บเอกสารและการจัดเก็บเอกสาร ข้อมูลเมตาประกอบด้วย DateLine ByLine HeadLine และอื่น ๆ อีกมากมาย เราพบว่าข้อมูล HeadLine เป็นประโยชน์ในการคาดเดาหัวข้อของบทความข่าว โดยเฉพาะอย่างยิ่งสำหรับบทความข่าวการเงินเราพบว่า HeadLine สามารถเป็นประโยชน์อย่างยิ่งในการค้นหาประโยคอธิบายสำหรับเหตุการณ์สำคัญ ๆ เช่นการเปลี่ยนแปลงที่สำคัญในราคาหุ้น ในบทความนี้เราจะศึกษาแนวทางการเรียนรู้แบบเวกเตอร์สนับสนุนโดยอัตโนมัติเพื่อดึงข้อมูลเมตาของ HeadLine ออกโดยอัตโนมัติ เราพบว่าความถูกต้องของการจำแนกประเภทของการค้นหา Headline จะเพิ่มขึ้นหาก DateLine s ถูกระบุเป็นอันดับแรก จากนั้นเราจึงใช้ HeadLine ที่แยกออกมาเพื่อเริ่มต้นการจับคู่รูปแบบของคำหลักเพื่อค้นหาประโยคที่มีความรับผิดชอบสำหรับธีมเรื่อง การใช้ชุดรูปแบบนี้และรูปแบบภาษาที่เรียบง่ายจึงเป็นไปได้ที่จะหาประโยคคำอธิบายใด ๆ สำหรับการเปลี่ยนแปลงราคาที่สำคัญ ๆ ได้โดยใช้แนวทางใหม่ในการดึงข้อมูลเมตาดาต้า HeadLines โดยใช้ SVMS และใช้พวกเขาเพื่อหาธีมเรื่องราวเพื่อรับคำอธิบายตามประโยคสำหรับหุ้น การเปลี่ยนแปลงราคา Van GESTEL, Tony, et al. . 2003. เครื่องเวกเตอร์สนับสนุนวิธีการให้คะแนนเครดิต Bank en Financiewezen เล่ม 2, มีนาคม, หน้า 73-82 การอ้างถึง 5 (1.56 ปี) บทคัดย่อ: ด้วยความต้องการที่จะจัดสรรเงินทุนในรูปแบบที่ทำกำไรได้และด้วยข้อบังคับ Basel II ที่เพิ่งมีการกล่าวถึงเร็ว ๆ นี้สถาบันการเงินมีความจำเป็นต้องสร้างแบบจำลองการให้คะแนนเครดิตมากขึ้นเพื่อประเมินความเสี่ยงในการผิดนัดชำระหนี้ของลูกค้า . มีเทคนิคหลายอย่างที่แนะนำเพื่อรับมือกับปัญหานี้ เวคเตอร์เวกเตอร์สนับสนุน (SVM) เป็นเทคนิคใหม่ที่น่าสนใจที่เพิ่งเริ่มต้นจากโดเมนต่างๆเช่นสถิติที่ใช้เครือข่ายประสาทและการเรียนรู้ด้วยเครื่อง ในบทความนี้เราทดลองกับเครื่องเวคเตอร์เวคเตอร์สนับสนุนกำลังสองน้อยที่สุด (LS-SVMs) รุ่น SVM ที่ได้รับการแก้ไขเมื่อเร็ว ๆ นี้และรายงานผลการค้นหาที่ดีขึ้นอย่างมากเมื่อเทียบกับเทคนิคคลาสสิกที่ทำการศึกษา 4 วิธีคือ Orginal Least Squares (OLS), Orginal Logistic Regression OLR) Perceptron Multilayer (MLP) และเวกเตอร์เวกเตอร์สนับสนุนอย่างน้อย (LS-SVM) เมื่อใช้กับการให้คะแนนเครดิต วิธีการแบบ SVM ให้ผลลัพธ์ที่ดีและมีนัยสำคัญมากกว่าวิธีเชิงเส้นแบบคลาสสิก FAN, Alan และ Marimuthu PALANISWAMI, 2000 การเลือกตัวทำนายการล้มละลายโดยใช้วิธีเวคเตอร์แบบเวกเตอร์สนับสนุน IJCNN 2000: การดำเนินงานของ IEEE-INNS-ENNS ระหว่างประเทศเกี่ยวกับโครงข่ายประสาทเทียมเล่ม 6 แก้ไขโดย Shun-Ichi Amari et al. . หน้า 6354 อ้างถึง 9 (1.45 ปี) บทคัดย่อ: วิธีเครือข่ายประสาทเทียมแบบดั้งเดิมพบว่ามีประโยชน์ในการทำนายความทุกข์ยากของ บริษัท จากงบการเงิน ในบทความนี้เราได้ใช้แนวทาง Vector Machine ในการแก้ไขปัญหา วิธีใหม่ในการเลือกตัวบ่งชี้การล้มละลายจะแสดงโดยใช้เกณฑ์ระยะทางยุคลิดที่คำนวณได้ภายในเคอร์เนล SVM การศึกษาเปรียบเทียบได้จัดทำขึ้นโดยใช้แบบจำลองความทุกข์ทรมานขององค์กรสามแบบและแบบจำลองทางเลือกที่ใช้วิธี SVM ใช้ SVM เพื่อเลือกตัวทำนายการล้มละลายและให้การศึกษาเปรียบเทียบ TAY, Francis Eng Hock และ Li Juan CAO, 2001. การคาดการณ์ชุดเวลาทางการเงินที่ดีขึ้นโดยการรวมเวิร์กชีทสนับสนุนด้วยแผนที่คุณลักษณะการจัดตัวเอง การวิเคราะห์ข้อมูลอัจฉริยะ เล่ม 5, ฉบับที่ 4, หน้า 339-354 อ้างถึง 7 (1.35 ปี) บทคัดย่อ: โครงข่ายโครงข่ายประสาทเทียมสองขั้นตอนที่สร้างขึ้นโดยการรวมเครื่องเวคเตอร์รองรับ (SVMs) ด้วยแผนที่คุณลักษณะการจัดตัวเอง (SOM) ถูกเสนอสำหรับการคาดการณ์ชุดเวลาทางการเงิน ในขั้นตอนแรก SOM ใช้เป็นอัลกอริธึมการจัดกลุ่มเพื่อแบ่งพื้นที่การป้อนข้อมูลทั้งหมดลงในพื้นที่ที่ไม่ประสานกัน สถาปัตยกรรมโครงสร้างที่มีโครงสร้างถูกนำมาใช้ในพาร์ติชันเพื่อหลีกเลี่ยงปัญหาในการกำหนดจำนวนพื้นที่ที่แบ่งพาร์ติชันก่อนกำหนด จากนั้นในขั้นตอนที่สอง SVM หลายแห่งที่เรียกว่าผู้เชี่ยวชาญ SVM ที่เหมาะกับภูมิภาคที่แบ่งพาร์ติชันสูงสุดจะถูกสร้างขึ้นโดยค้นหาฟังก์ชันเคอร์เนลที่เหมาะสมที่สุดและพารามิเตอร์การเรียนรู้ที่ดีที่สุดของ SVM ใช้อัตราแลกเปลี่ยน Santa Fe และสัญญาฟิวเจอร์สที่เป็นจริง 5 สัญญาในการทดสอบ แสดงให้เห็นว่าวิธีการที่เสนอนี้ทำาให้เกิดประสิทธิภาพการทำนายที่สูงขึ้นอย่างมากและความเร็วในการลู่เข้าเร็วขึ้นเมื่อเปรียบเทียบกับ SVM ที่มีรูปแบบ SVM แบบเดียวกับแผนที่ลักษณะการจัดตัวเอง (SOM) และทดสอบรูปแบบของอัตราการซื้อขาย Santa Fe และสัญญาฟิวเจอร์ส 5 ฉบับ . พวกเขาแสดงให้เห็นว่าวิธีการที่นำเสนอของพวกเขาบรรลุทั้งประสิทธิภาพการทำนายที่สูงขึ้นอย่างมีนัยสำคัญและความเร็วในการลู่เร็วขึ้นเมื่อเทียบกับรูปแบบ SVM เดียว SANSOM, D. C. T. DOWNS and T. K. SAHA, 2003. Evaluation of support vector machine based forecasting tool in electricity price forecasting for Australian national electricity market participants. Journal of Electrical Electronics Engineering, Australia . Vol 22, No. 3, Pages 227-234. Cited by 5 (1.19year) Abstract: In this paper we present an analysis of the results of a study into wholesale (spot) electricity price forecasting utilising Neural Networks (NNs) and Support Vector Machines (SVM). Frequent regulatory changes in electricity markets and the quickly evolving market participant pricing (bidding) strategies cause efficient retraining to be crucial in maintaining the accuracy of electricity price forecasting models. The efficiency of NN and SVM retraining for price forecasting was evaluated using Australian National Electricity Market (NEM), New South Wales regional data over the period from September 1998 to December 1998. The analysis of the results showed that SVMs with one unique solution, produce more consistent forecasting accuracies and so require less time to optimally train than NNs which can result in a solution at any of a large number of local minima. The SVM and NN forecasting accuracies were found to be very similar.evaluated utilising Neural Networks (NNs) and Support Vector Machines (SVM) for wholesale (spot) electricity price forecasting. The SVM required less time to optimally train than the NN, whilst the SVM and NN forecasting accuracies were found to be very similar. ABRAHAM, Ajith and Andy AUYEUNG, 2003. Integrating Ensemble of Intelligent Systems for Modeling Stock Indices. In: Proceedings of 7th International Work Conference on Artificial and Natural Neural Networks, Part II . Lecture Notes in Computer Science, Volume 2687, Jose Mira and Jose R. Alverez (Eds.), Springer Verlag, Germany, pp. 774-781, 2003. Cited by 3 (0.94year) Abstract: The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well-represented using ensemble of intelligent paradigms. To demonstrate the proposed technique, we considered Nasdaq-100 index of Nasdaq Stock Market SM and the SampP CNX NIFTY stock index. The intelligent paradigms considered were an artificial neural network trained using Levenberg-Marquardt algorithm, support vector machine, Takagi-Sugeno neuro-fuzzy model and a difference boosting neural network. The different paradigms were combined using two different ensemble approaches so as to optimize the performance by reducing the different error measures. The first approach is based on a direct error measure and the second method is based on an evolutionary algorithm to search the optimal linear combination of the different intelligent paradigms. Experimental results reveal that the ensemble techniques performed better than the individual methods and the direct ensemble approach seems to work well for the problem considered.considered an artificial neural network trained using Levenberg-Marquardt algorithm, a support vector machine, a Takagi-Sugeno neuro-fuzzy model and a difference boosting neural network for predicting the NASDAQ-100 Index of The Nasdaq Stock Market and the SP CNX NIFTY stock index. They concluded that an ensemble of the intelligent paradigms performed better than the individual methods. YANG, Haiqin, et al. . 2004. Financial Time Series Prediction Using Non-fixed and Asymmetrical Margin Setting with Momentum in Support Vector Regression. In: Neural Information Processing: Research and Development . edited by Jagath Chandana Rajapakse and Lipo Wang, Springer-Verlag. Cited by 2 (0.91year) Abstract: Recently, Support Vector Regression (SVR) has been applied to financial time series prediction. The financial time series usually contains the characteristics of small sample size, high noise and non-stationary. Especially the volatility of the time series is time-varying and embeds some valuable information about the series. Previously, we had proposed to use the volatility in the data to adaptively change the width of the margin in SVR. We have noticed that up margin and down margin would not necessary be the same, and we also observed that their choice would affect the upside risk, downside risk and as well as the overall prediction performance. In this work, we introduce a novel approach to adopt the momentum in the asymmetrical margins setting. We applied and compared this method to predict the Hang Seng Index and Dow Jones Industrial Average.used SVMs for regression with non-fixed and asymmetrical margin settings, this time with momentum, to predict the Hang Seng Index and Dow Jones Industrial Average. PAI, Ping-Feng and Chih-Sheng LIN, 2005. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega . Volume 33, Issue 6, December 2005, Pages 497-505. Cited by 1 (0.84year) Abstract: Traditionally, the autoregressive integrated moving average (ARIMA) model has been one of the most widely used linear models in time series forecasting. However, the ARIMA model cannot easily capture the nonlinear patterns. Support vector machines (SVMs), a novel neural network technique, have been successfully applied in solving nonlinear regression estimation problems. Therefore, this investigation proposes a hybrid methodology that exploits the unique strength of the ARIMA model and the SVMs model in forecasting stock prices problems. Real data sets of stock prices were used to examine the forecasting accuracy of the proposed model. The results of computational tests are very promising.proposed a hybrid ARIMA and support vector machine model for stock price forecasting, and results looked very promising. ABRAHAM, Ajith, et al. . 2002. Performance Analysis of Connectionist Paradigms for Modeling Chaotic Behavior of Stock Indices. In: Second international workshop on Intelligent systems design and application . edited by Ajith Abraham, et al. . pages 181--186. Cited by 3 (0.71year) Abstract: The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well represented using several connectionist paradigms and soft computing techniques. To demonstrate the different techniques, we considered Nasdaq-100 index of Nasdaq Stock MarketTM and the SP CNX NIFTY stock index. We analyzed 7 years Nasdaq 100 main index values and 4 years NIFTY index values. This paper investigates the development of a reliable and efficient technique to model the seemingly chaotic behavior of stock markets. We considered an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN). This paper briefly explains how the different connectionist paradigms could be formulated using different learning methods and then investigates whether they can provide the required level of performance, which are sufficiently good and robust so as to provide a reliable forecast model for stock market indices. Experiment results reveal that all the connectionist paradigms considered could represent the stock indices behavior very accurately.analysed the performance of an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN) when predicting the NASDAQ-100 Index of The Nasdaq Stock Market and the SP CNX NIFTY stock index. YANG, Haiqin, I. KING and Laiwan CHAN, 2002. Non-fixed and asymmetrical margin approach to stock market prediction using Support Vector Regression. In: ICONIP 02. Proceedings of the 9th International Conference on Neural Information Processing. Volume 3 . edited by Lipo Wang, et al. . pages 1398--1402. Cited by 3 (0.71year) Abstract: Recently, support vector regression (SVR) has been applied to financial time series prediction. Typical characteristics of financial time series are non-stationary and noisy in nature. The volatility, usually time-varying, of the time series is therefore some valuable information about the series. Previously, we had proposed to use the volatility to adaptively change the width of the margin of SVR. We have noticed that upside margin and downside margin do not necessary be the same, and we have observed that their choice would affect the upside risk, downside risk and as well as the overall prediction result. In this paper, we introduce a novel approach to adapt the asymmetrical margins using momentum. We applied and compared this method to predict the Hang Seng Index and Dow Jones Industrial Average.used SVM regression with a non-fixed and asymmetrical margin, this time adapting the asymmetrical margins using momentum, and applied it to predicting the Hang Seng Index and the Dow Jones Industrial Average. GAVRISHCHAKA, Valeriy V. and Supriya B. GANGULI, 2003. Volatility forecasting from multiscale and high-dimensional market data. Neurocomputing . Volume 55, Issues 1-2 (September 2003), Pages 285-305. Cited by 2 (0.63year) Abstract: Advantages and limitations of the existing volatility models for forecasting foreign-exchange and stock market volatility from multiscale and high-dimensional data have been identified. Support vector machines (SVM) have been proposed as a complimentary volatility model that is capable of effectively extracting information from multiscale and high-dimensional market data. SVM-based models can handle both long memory and multiscale effects of inhomogeneous markets without restrictive assumptions and approximations required by other models. Preliminary results with foreign-exchange data suggest that SVM can effectively work with high-dimensional inputs to account for volatility long-memory and multiscale effects. Advantages of the SVM-based models are expected to be of the utmost importance in the emerging field of high-frequency finance and in multivariate models for portfolio risk management.used SVMs for forecasting the volatility of foreign-exchange data. Their preliminary benchmark tests indicated that SVMs can perform significantly better than or comparable to both naive and GARCH(1,1) models. P201REZ-CRUZ, Fernando, Julio A. AFONSO-RODR205GUEZ and Javier GINER, 2003. Estimating GARCH models using support vector machines. Quantitative Finance . Volume 3, Number 3 (June 2003), Pages 163-172. Cited by 2 (0.63year) Abstract: Support vector machines (SVMs) are a new nonparametric tool for regression estimation. We will use this tool to estimate the parameters of a GARCH model for predicting the conditional volatility of stock market returns. GARCH models are usually estimated using maximum likelihood (ML) procedures, assuming that the data are normally distributed. In this paper, we will show that GARCH models can be estimated using SVMs and that such estimates have a higher predicting ability than those obtained via common ML methods.used SVMs for regression to estimate the parameters of a GARCH model for predicting the conditional volatility of stock market returns and showed that such estimates have a higher predicting ability than those obtained via common maximum likelihood (ML) methods. Van GESTEL, T. et al. . 2003. Bankruptcy prediction with least squares support vector machine classifiers. In: 2003 IEEE International Conference on Computational Intelligence for Financial Engineering: Proceedings . pages 1-8. Cited by 2 (0.63year) Abstract: Classification algorithms like linear discriminant analysis and logistic regression are popular linear techniques for modelling and predicting corporate distress. These techniques aim at finding an optimal linear combination of explanatory input variables, such as, e.g. solvency and liquidity ratios, in order to analyse, model and predict corporate default risk. Recently, performant kernel based nonlinear classification techniques, like support vector machines, least squares support vector machines and kernel fisher discriminant analysis, have been developed. Basically, these methods map the inputs first in a nonlinear way to a high dimensional kernel-induced feature space, in which a linear classifier is constructed in the second step. Practical expressions are obtained in the so-called dual space by application of Mercers theorem. In this paper, we explain the relations between linear and nonlinear kernel based classification and illustrate their performance on predicting bankruptcy of mid-cap firms in Belgium and the Netherlands.used least squares support vector machine classifiers for predicting bankruptcy of mid-cap firms in Belgium and the Netherlands. CAO, L. J. and W. K. CHONG, 2002. Feature extraction in support vector machine: a comparison of PCA, XPCA and ICA. ICONIP 02: Proceedings of the 9th International Conference on Neural Information Processing, Volume 2 . edited by Lipo Wang, et al. . pages 1001-1005. Cited by 2 (0.48year) Abstract: Recently, support vector machine (SVM) has become a popular tool in time series forecasting. In developing a successful SVM forecaster, feature extraction is the first important step. This paper proposes the applications of principal component analysis (PCA), kernel principal component analysis (KPCA) and independent component analysis (ICA) to SVM for feature extraction. PCA linearly transforms the original inputs into uncorrelated features. KPCA is a nonlinear PCA developed by using the kernel method. In ICA, the original inputs are linearly transformed into statistically independent features. By examining the sunspot data and one real futures contract, the experiment shows that SVM by feature extraction using PCA, KPCA or ICA can perform better than that without feature extraction. Furthermore, there is better generalization performance in KPCA and ICA feature extraction than PCA feature extraction.considered the application of principal component analysis (PCA), kernel principal component analysis (KPCA) and independent component analysis (ICA) to SVMs for feature extraction. By examining the sunspot data and one real futures contract, they showed that SVM by feature extraction using PCA, KPCA or ICA can perform better than that without feature extraction. Furthermore, they found that there is better generalization performance in KPCA and ICA feature extraction than PCA feature extraction. CAO, L. J. and Francis E. H. TAY, 2000. Feature Selection for Support Vector Machines in Financial Time Series Forecasting. In: Intelligent Data Engineering and Automated Learning - IDEAL 2000: Data Mining, Financial Engineering, and Intelligent Agents . edited by Kwong Sak Leung, Lai-Wan Chan and Helen Meng, pages 268-273. Cited by 3 (0.48year) Abstract: This paper deals with the application of saliency analysis to Support Vector Machines (SVMs) for feature selection. The importance of feature is ranked by evaluating the sensitivity of the network output to the feature input in terms of the partial derivative. A systematic approach to remove irrelevant features based on the sensitivity is developed. Five futures contracts are examined in the experiment. Based on the Simulation results, it is shown that that saliency analysis is effective in SVMs for identifying important features.dealt with the application of saliency analysis to feature selection for SVMs. Five futures contracts were examined and they concluded that saliency analysis is effective in SVMs for identifying important features. ZHOU, Dianmin, Feng GAO and Xiaohong GUAN, 2004. Application of accurate online support vector regression in energy price forecast. WCICA 2004: Fifth World Congress on Intelligent Control and Automation, Volume 2 . pages 1838-1842. Cited by 1 (0.45year) Abstract: Energy price is the most important indicator in electricity markets and its characteristics are related to the market mechanism and the change versus the behaviors of market participants. It is necessary to build a real-time price forecasting model with adaptive capability. In this paper, an accurate online support vector regression (AOSVR) method is applied to update the price forecasting model. Numerical testing results show that the method is effective in forecasting the prices of the electric-power markets.applied an accurate online support vector regression (AOSVR) to forecasting the prices of the electric-power markets, results showed that it was effective. FAN, A. and M. PALANISWAMI, 2001. Stock selection using support vector machines. IJCNN01: International Joint Conference on Neural Networks, Volume 3 . Pages 1793-1798. Cited by 2 (0.38year) Abstract: We used the support vector machines (SVM) in a classification approach to beat the market. Given the fundamental accounting and price information of stocks trading on the Australian Stock Exchange, we attempt to use SVM to identify stocks that are likely to outperform the market by having exceptional returns. The equally weighted portfolio formed by the stocks selected by SVM has a total return of 208 over a five years period, significantly outperformed the benchmark of 71. We also give a new perspective with a class sensitivity tradeoff, whereby the output of SVM is interpreted as a probability measure and ranked, such that the stocks selected can be fixed to the top 25used SVMs for classification for stock selection on the Australian Stock Exchange and significantly outperformed the benchmark. Van GESTEL, Tony, et al. . 2000. Volatility Tube Support Vector Machines. Neural Network World . vol. 10, number 1, pp. 287-297. Cited by 2 (0.32year) Abstract: In Support Vector Machines (SVM8217s), a non-linear model is estimated based on solving a Quadratic Programming (QP) problem. The quadratic cost function consists of a maximum likelihood cost term with constant variance and a regularization term. By specifying a difference inclusion on the noise variance model, the maximum likelihood term is adopted for the case of heteroskedastic noise, which arises in financial time series. The resulting Volatility Tube SVM8217s are applied on the 1-day ahead prediction of the DAX30 stock index. The influence of todays closing prices of the New York Stock Exchange on the prediction of tomorrow8217s DAX30 closing price is analyzed.developed the Volatility Tube SVM and applied it to 1-day ahead prediction of the DAX30 stock index, and significant positive out-of-sample results were obtained. CAO, Li Juan, Kok Seng CHUA and Lim Kian GUAN, 2003. Combining KPCA with support vector machine for time series forecasting. In: 2003 IEEE International Conference on Computational Intelligence for Financial Engineering . pages 325-329. Cited by 1 (0.31year) Abstract: Recently, support vector machine (SVM) has become a popular tool in time series forecasting. In developing a successful SVM forecaster, the first important step is feature extraction. This paper applies kernel principal component analysis (KPCA) to SVM for feature extraction. KPCA is a nonlinear PCA developed by using the kernel method. It firstly transforms the original inputs into a high dimensional feature space and then calculates PCA in the high dimensional feature space. By examining the sunspot data and one real futures contract, the experiment shows that SVM by feature forms much better than that extraction using KPCA per without feature extraction. In comparison with PCA, there is also superior performance in KPCA.applied kernel principal component analysis (KPCA) to SVM for feature extraction. The authors examined sunspot data and one real futures contract, and found such feature extraction enhanced performance and also that KPCA was superior to PCA. YANG, Haiqin, 2003. Margin Variations in Support Vector Regression for the Stock Market Prediction. Degree of Master of Philosophy Thesis, Department of Computer Science Engineering, The Chinese University of Hong Kong, June 2003. Cited by 1 (0.31year) Abstract: Support Vector Regression (SVR) has been applied successfully to financial time series prediction recently. In SVR, the 949-insensitive loss function is usually used to measure the empirical risk. The margin in this loss function is fixed and symmetrical. Typically, researchers have used methods such as crossvalidation or random selection to select a suitable 949 for that particular data set. In addition, financial time series are usually embedded with noise and the associated risk varies with time. Using a fixed and symmetrical margin may have more risk inducing bad results and may lack the ability to capture the information of stock market promptly. In order to improve the prediction accuracy and to consider reducing the downside risk, we extend the standard SVR by varying the margin. By varying the width of the margin, we can reflect the change of volatility in the financial data by controlling the symmetry of margins, we are able to reduce the downside risk. Therefore, we focus on the study of setting the width of the margin and also the study of its symmetry property. For setting the width of margin, the Momentum (also including asymmetrical margin control) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models are considered. Experiments are performed on two indices: Hang Seng Index (HSI) and Dow Jones Industrial Average (DJIA) for the Momentum method and three indices: Nikkei225, DJIA and FTSE100, for GARCH models, respectively. The experimental results indicate that these methods improve the predictive performance comparing with the standard SVR and benchmark model. On the study of the symmetry property, we give a sufficient condition to prove that the predicted value is monotone decreasing to the increase of the up margin. Therefore, we can reduce the predictive downside risk, or keep it zero, by increasing the up margin. An algorithm is also proposed to test the validity of this condition, such that we may know the changing trend of predictive downside risk by only running this algorithm on the training data set without performing actual prediction procedure. Experimental results also validate our analysis.employs SVMs for regression and varys the width of the margin to reflect the change of volatility and controls the symmetry of margins to reduce the downside risk. Results were positive. CALVO, Rafael A. and Ken WILLIAMS, 2002. Automatic Categorization of Announcements on the Australian Stock Exchange. Cited by 1 (0.24year) Abstract: This paper compares the performance of several machine learning algorithms for the automatic categorization of corporate announcements in the Australian Stock Exchange (ASX) Signal G data stream. The article also describes some of the applications that the categorization of corporate announcements may enable. We have performed tests on two categorization tasks: market sensitivity, which indicates whether an announcement will have an impact on the market, and report type, which classifies each announcement into one of the report categories defined by the ASX. We have tried Neural Networks, a Na239ve Bayes classifier, and Support Vector Machines and achieved good resultspared the performance of neural networks, a na ve bayes classifier, and SVMs for the automatic categorization of corporate announcements in the Australian Stock Exchange (ASX) Signal G data stream. The results were all good, but with the SVM underperforming the other two models. AHMED, A.H.M.T. 2000. Forecasting of foreign exchange rate time series using support vector regression. 3rd year project. Computer Science Department, University of Manchester. Cited by 1 (0.16year)used support vector regression for forecasting a foreign exchange rate time series. GUESDE, Bazile, 2000. Predicting foreign exchange rates with support vector regression machines. MSc thesis. Computer Science Department, University of Manchester. Cited by 1 (0.16year) Abstract: This thesis investigates how Support Vector Regression can be applied to forecasting foreign exchange rates. At first we introduce the reader to this non linear kernel based regression and demonstrate how it can be used for time series prediction. Then we define a predictive framework and apply it to the Canadian exchange rates. But the non-stationarity in the data, which we here define as a drift in the map of the dynamics, forces us to present and use the typical learning processes for catching different dynamics. Our implementation of these solutions include Clusters of Volatility and competing experts. Finally those experts are used in a financial vote trading system and substantial profits are achieved. Through out the thesis we hope the reader will be intrigued by the results of our analysis and be encouraged in other dircetions for further research.used SVMs for regression to predict the Canadian exchange rate, wisely recognised the problem of nonstationarity, dealt with it using experts and claimed that substantial profits were achieved. BAO, Yu-Kun, et al. . 2005. Forecasting Stock Composite Index by Fuzzy Support Vector Machines Regression. Proceedings of 2005 International Conference on Machine Learning and Cybernetics, Volume 6 . pages 3535-3540. not cited (0year) Abstract: Financial time series forecasting methods such as exponential smoothing are commonly used for prediction on stock composition index (SCI) and have made great contribution in practice, but efforts on looking for superior forecasting method are still made by practitioners and academia. This paper deals with the application of a novel neural network technique, fuzzy support vector machines regression (FSVMR), in SCI forecasting. The objective of this paper is not only to examine the feasibility of FSVMR in SCI forecasting but presents our efforts on improving the accuracy of FSVMR in terms of data pre-processing, kernel function selection and parameters selection. A data set from Shanghai Stock Exchange is used for the experiment to test the validity of FSVMR. The experiment shows FSVMR a better method in SCI forecasting.used fuzzy support vector machines regression (FSVMR) to forecast a data set from the Shanghai Stock Exchange with positive results. CHEN, Kuan-Yu and Chia-Hui HO, 2005. An Improved Support Vector Regression Modeling for Taiwan Stock Exchange Market Weighted Index Forecasting. ICNNB 05: International Conference on Neural Networks and Brain, 2005, Volume 3 not cited (0year) Abstract: This study applies a novel neural network technique, Support Vector Regression (SVR), to Taiwan Stock Exchange Market Weighted Index (TAIEX) forecasting. To build an effective SVR model, SVRs parameters must be set carefully. This study proposes a novel approach, known as GA-SVR, which searches for SVRs optimal parameters using real value genetic algorithms. The experimental results demonstrate that SVR outperforms the ANN and RW models based on the Normalized Mean Square Error (NMSE), Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE). Moreover, in order to test the importance and understand the features of SVR model, this study examines the effects of the number of input node.used an SVM for regression for forecasting the Taiwan Stock Exchange Market Weighted Index (TAIEX). The results demonstrated that the SVR outperformed the ANN and RW models. CHEN, Wun-Hwa and Jen-Ying SHIH, 2006. A study of Taiwan39s issuer credit rating systems using support vector machines. Expert Systems with Applications . Volume 30, Issue 3, April 2006, Pages 427-435. not cited (0year) By providing credit risk information, credit rating systems benefit most participants in financial markets, including issuers, investors, market regulators and intermediaries. In this paper, we propose an automatic classification model for issuer credit ratings, a type of fundamental credit rating information, by applying the support vector machine (SVM) method. This is a novel classification algorithm that is famous for dealing with high dimension classifications. We also use three new variables: stock market information, financial support by the government, and financial support by major shareholders to enhance the effectiveness of the classification. Previous research has seldom considered these variables. The data period of the input variables used in this study covers three years, while most previous research has only considered one year. We compare our SVM model with the back propagation neural network (BP), a well-known credit rating classification method. Our experiment results show that the SVM classification model performs better than the BP model. The accuracy rate (84.62) is also higher than previous research.used an SVM to classify Taiwans issuer credit ratings and found that it performed better than the back propagation neural network (BP) model. CHEN, Wun-Hua, Jen-Ying SHIH and Soushan WU, 2006. Comparison of support-vector machines and back propagation neural networks in forecasting the six major Asian stock markets. International Journal of Electronic Finance . Volume, Issue 1, pages 49-67. not cited (0year) Abstract: Recently, applying the novel data mining techniques for financial time-series forecasting has received much research attention. However, most researches are for the US and European markets, with only a few for Asian markets. This research applies Support-Vector Machines (SVMs) and Back Propagation (BP) neural networks for six Asian stock markets and our experimental results showed the superiority of both models, compared to the early researchespared SVMs and back propagation (BP) neural networks when forecasting the six major Asian stock markets. Both models perform better than the benchmark AR (1) model in the deviation measurement criteria, whilst SVMs performed better than the BP model in four out of six markets. GAVRISHCHAKA, Valeriy V. and Supriya BANERJEE, 2006. Support Vector Machine as an Efficient Framework for Stock Market Volatility Forecasting. Computational Management Science . Volume 3, Number 2 (April 2006), Pages 147-160. not cited (0year) Abstract: Advantages and limitations of the existing models for practical forecasting of stock market volatility have been identified. Support vector machine (SVM) have been proposed as a complimentary volatility model that is capable to extract information from multiscale and high-dimensional market data. Presented results for SP500 index suggest that SVM can efficiently work with high-dimensional inputs to account for volatility long-memory and multiscale effects and is often superior to the main-stream volatility models. SVM-based framework for volatility forecasting is expected to be important in the development of the novel strategies for volatility trading, advanced risk management systems, and other applications dealing with multi-scale and high-dimensional market data.used SVMs for forecasting stock market volatility with positive results. HOVSEPIAN, K. and P. ANSELMO, 2005. Heuristic Solutions to Technical Issues Associated with Clustered Volatility Prediction using Support Vector Machines. ICNNampB3905: International Conference on Neural Networks and Brain, 2005, Volume 3 . Pages 1656-1660. not cited (0year) Abstract: We outline technological issues and our fimdings for the problem of prediction of relative volatility bursts in dynamic time-series utilizing support vector classifiers (SVC). The core approach used for prediction has been applied successfully to detection of relative volatility clusters. In applying it to prediction, the main issue is the selection of the SVC trainingtesting set. We describe three selection schemes and experimentally compare their performances in order to propose a method for training the SVC for the prediction problem. In addition to performing cross-validation experiments, we propose an improved variation to sliding window experiments utilizing the output from SVCs decision function. Together with these experiments, we show that accurate and robust prediction of volatile bursts can be achieved with our approach.used SVMs for classification to predict relative volatility clusters and achieved accurate and robust results. INCE, H. and T.B. TRAFALIS, 2004. Kernel principal component analysis and support vector machines for stock price prediction. Proceedings of the 2004 IEEE International Joint Conference on Neural Networks, Volume 3 . pages 2053-2058. not cited (0year) Abstract: Financial time series are complex, non-stationary and deterministically chaotic. Technical indicators are used with principal component analysis (PCA) in order to identify the most influential inputs in the context of the forecasting model. Neural networks (NN) and support vector regression (SVR) are used with different inputs. Our assumption is that the future value of a stock price depends on the financial indicators although there is no parametric model to explain this relationship. This relationship comes from technical analysis. Comparison shows that SVR and MLP networks require different inputs. The MLP networks outperform the SVR technique.found that MLP neural networks outperform support vector regression when applied to stock price prediction. KAMRUZZAMAN, Joarder, Ruhul A SARKER and Iftekhar AHMAD, 2003. SVM Based Models for Predicting Foreign Currency Exchange Rates. Proceedings of the Third IEEE International Conference on Data Mining (ICDM03) . Pages 557-560. not cited (0year) Abstract: Support vector machine (SVM) has appeared as a powerful tool for forecasting forex market and demonstrated better performance over other methods, e.g. neural network or ARIMA based model. SVM-based forecasting model necessitates the selection of appropriate kernel function and values of free parameters: regularization parameter and varepsilon- insensitive loss function. In this paper, we investigate the effect of different kernel functions, namely, linear, polynomial, radial basis and spline on prediction error measured by several widely used performance metrics. The effect of regularization parameter is also studied. The prediction of six different foreign currency exchange rates against Australian dollar has been performed and analyzed. Some interesting results are presented.investigated the effect of different kernel functions and the regularization parameter when using SVMs to predict six different foreign currency exchange rates against the Australian dollar. investigated comprehensible credit scoring models using rule extraction from SVMs. NALBANTOV, Georgi, Rob BAUER and Ida SPRINKHUIZEN-KUYPER, 2006. Equity Style Timing Using Support Vector Regressions. to appear in Applied Financial Economics . not cited (0year) Abstract: The disappointing performance of value and small cap strategies shows that style consistency may not provide the long-term benefits often assumed in the literature. In this study we examine whether the short-term variation in the U.S. size and value premium is predictable. We document style-timing strategies based on technical and (macro-)economic predictors using a recently developed artificial intelligence tool called Support Vector Regressions (SVR). SVR are known for their ability to tackle the standard problem of overfitting, especially in multivariate settings. Our findings indicate that both premiums are predictable under fair levels of transaction costs and various forecasting horizons.used SVMs for regression for equity style timing with positive results. ONGSRITRAKUL, P. and N. SOONTHORNPHISAJ, 2003. Apply decision tree and support vector regression to predict the gold price. Proceedings of the International Joint Conference on Neural Networks, 2003, Volume 4 . Pages 2488-2492. not cited (0year) Abstract: Recently, support vector regression (SVR) was proposed to resolve time series prediction and regression problems. In this paper, we demonstrate the use of SVR techniques for predicting the cost of gold by using factors that have an effect on gold to estimate its price. We apply a decision tree algorithm for the feature selection task and then perform the regression process using forecasted indexes. Our experimental results show that the combination of the decision tree and SVR leads to a better performance.applied a decision tree algorithm for feature selection and then performed support vector regression to predict the gold price, their results were positive. Van GESTEL, Tony, et al. . 2005. Linear and non-linear credit scoring by combining logistic regression and support vector machines, Journal of Credit Risk . Vol. 1, No. 4, Fall 2005, Pages 31-60. not cited (0year) Abstract: The Basel II capital accord encourages banks to develop internal rating models that are financially intuitive, easily interpretable and optimally predictive for default. Standard linear logistic models are very easily readable but have limited model flexibility. Advanced neural network and support vector machine models (SVMs) are less straightforward to interpret but can capture more complex multivariate non-linear relations. A gradual approach that balances the interpretability and predictability requirements is applied here to rate banks. First, a linear model is estimated it is then improved by identifying univariate non-linear ratio transformations that emphasize distressed conditions and finally SVMs are added to capture remaining multivariate non-linear relations.apply linear and non-linear credit scoring by combining logistic regression and SVMs. YANG, Haiqin, et al. . 2004. Outliers Treatment in Support Vector Regression for Financial Time Series Prediction. Neural Information Processing: 11th International Conference, ICONIP 2004, Calcutta, India, November 2004, Proceedings not cited (0year) Abstract: Recently, the Support Vector Regression (SVR) has been applied in the financial time series prediction. The financial data are usually highly noisy and contain outliers. Detecting outliers and deflating their influence are important but hard problems. In this paper, we propose a novel 8220two-phase8221 SVR training algorithm to detect outliers and reduce their negative impact. Our experimental results on three indices: Hang Seng Index, NASDAQ, and FSTE 100 index show that the proposed 8220two-phase8221 algorithm has improvement on the prediction.proposed a novel two-phase SVR training procedure to detect and deflate the influence of outliers. The method was tested on the Hang Seng Index, NASDAQ and FSTE 100 index and results were positive. However, its not clear why the significance of outliers (such as market crashes) should be understated. YU, Lean, Shouyang WANG and Kin Keung LAI, 2005. Mining Stock Market Tendency Using GA-Based Support Vector Machines. Internet and Network Economics: First International Workshop, WINE 2005, Hong Kong, China, December 15-17, 2005, Proceedings (Lecture Notes in Computer Science) edited by Xiaotie Deng and Yinyu Ye, pages 336-345. not cited (0year) Abstract: In this study, a hybrid intelligent data mining methodology, genetic algorithm based support vector machine (GASVM) model, is proposed to explore stock market tendency. In this hybrid data mining approach, GA is used for variable selection in order to reduce the model complexity of SVM and improve the speed of SVM, and then the SVM is used to identify stock market movement direction based on the historical data. To evaluate the forecasting ability of GASVM, we compare its performance with that of conventional methods (e.g. statistical models and time series models) and neural network models. The empirical results reveal that GASVM outperforms other forecasting models, implying that the proposed approach is a promising alternative to stock market tendency exploration.applied a random walk (RW) model, an autoregressive integrated moving average (ARIMA) model, an individual back-propagation neural network (BPNN) model, an individual SVM model and a genetic algorithm-based SVM (GASVM) to the task of predicting the direction of change in the daily SP500 stock price index and found that their proposed GASVM model performed the best. HARLAND, Zac, 2002. Using Support Vector Machines to Trade Aluminium on the LME.. Proceedings of the Ninth International Conference, Forecasting Financial Markets: Advances For Exchange Rates, Interest Rates and Asset Management . edited by C. Dunis and M. Dempster. not listed Abstract: This paper describes and evaluates the use of support vector regression to trade the three month Aluminium futures contract on the London Metal Exchange, over the period June 1987 to November 1999. The Support Vector Machine is a machine learning method for classification and regression and is fast replacing neural networks as the tool of choice for prediction and pattern recognition tasks, primarily due to their ability to generalise well on unseen data. The algorithm is founded on ideas derived from statistical learning theory and can be understood intuitively within a geometric framework. In this paper we use support vector regression to develop a number of trading submodels that when combined, result in a final model that exhibits above-average returns on out of sample data, thus providing some evidence that the aluminium futures price is less than efficient. Whether these inefficiencies will continue into the future is unknown.used an ensemble of SVMs for regression to trade the three month Aluminium futures contract on the London Metal Exchange with positive results. Van GESTEL, T. et al. . 2005. Credit rating systems by combining linear ordinal logistic regression and fixed-size least squares support vector machines, Workshop on Machine Learning in Finance, NIPS 2005 Conference, Whistler (British Columbia, Canada), Dec. 9.not listeddeveloped credit rating systems by combining linear ordinal logistic regression and fixed-size least squares SVMs.Taking a big step in machine learning: Profitable historical results across multiple Forex pairs In the past I have been able to use machine learning to create profitable trading systems successfully, this includes my Neural Network implementations (which generated the Sunqu, Tapuy and Paqarin strategies, later building the AsirikuyBrain) as well as my attempts at linear classification and other types of algorithms. However, one of the things that all of these developments have in common is that they have traded on EURUSD daily data and have failed to generate decent results across other pairs andor time frames. This means that although I have tackled this particular pairtimeframe successfully (several of these systems have been traded live with profitable outcomes) I still hadn8217t been able to develop anything for other instruments. On today8217s post I am going to talk about one of my latest developments (in big part due to an Asirikuy member I will be mentioning later on) which has allowed me to achieve profitable machine learning results across other pairs besides the EURUSD. Note that all back-testing results showed are non-compound (so that they can be easily judged by linearity). The fact that machine learning techniques seem to be so 8220easy8221 to develop on the EURUSD daily, yet so hard to develop on other pairs on the same timeframe has always bugged me. Why is the EURUSD daily so special, that previous data seems to easily predict future daily bar outcomes while in other pairs this simply does not work The answer seems to be this exact same point of view 8212 what I am trying to predict. Fabio 8211 a member of our community 8211 pointed to me that it would be interesting to attempt to classify whether a certain trade outcome would be successful, rather than trying to classify simply whether the next bar would be 8220bullish or bearish8221. Predicting whether a certain trade entry would be successful is an interesting route, because you8217re trying to predict whether your actual trade within some exit boundaries will reach a profit or loss, rather than whether the overall directionality will be for or against you. When implementing the above idea in F4, I saw that not all trade outcome predictions were equally successful, while predicting big edges didn8217t work at all (for example attempting to predict where a 1:2 risk to reward trade would be successful), predicting smaller edges worked much better. Different algorithms also gave markedly different results, while linear classifiers were extremely dependent on the feed data (changed significantly between my two FX data sets), Support Vector Machines (SVM) gave me the best overall results with reduced feed dependency and improved profit to drawdown characteristics. Simple mean keltner clustering techniques also gave interesting results, although the profitability was reduced compared with the SVM. As in all my machine learning implementations, training is done on each new daily bar using the past X bars and therefore the machine learning technique constantly retrains through the whole back-testing period . 8211 8211 Interestingly this technique achieves profitable results (25 year back-tests) across all 4 Forex majors (same settings), with particularly good results on the EURUSD and GBPUSD and worse but still profitable results on the USDCHF and the USDJPY. The ability to predict outcomes seems to be lost most significantly on the USDJPY, where there is a significantly long period (about 10 years) where the strategy is unable to achieve any significant level of success. I would also like to point out that the current machine learning test uses just a single machine learning instance and I haven8217t attempted to increase profitability by building committees or such other 8220tricks8221 that might help improve and smooth results when using machine learning techniques. In this case trying different trade range predictions within a committee or even only putting SVM and mean Keltner techniques to work together might significantly improve the results. For me the fact that this technique has finally 8220broken the multi-pair barrier8221 has been quite significant as it reveals something fundamental about using machine learning which, up until now, I seem to have missed. This also reinforces the fact that output selections are absolutely critical when developing machine learning strategies as attempting to predict the wrong outputs can easily lead to unprofitable techniques (as it happened to me when attempting to create ML strategies on other symbols). Choosing outputs that are meaningful for trading but still predictable within a good accuracy, leads to the development of more successful machine learning strategies. In this case in particular, changing the focus to a prediction that had direct implications in trade profitability had a good impact. 8211 8211 Although the results up until now are quantitatively nothing to 8220party about8221, the fact that there is now a road open towards developing profitable ML strategies that might work across the board (not just only on one pair) gives me confidence in the fact that I am walking the correct path (thanks to Fabio for his suggestions). After reaching this milestone my goal now is to polish and study this machine learning implementations to find better predictors and improve the results on non-EURUSD pairs, my end-goal would be to have a machine learning strategy that can deliver highly linear historical results (alike the AsirikuyBrain) across at least the 4 majors (hopefully even more pairs) so that I can have a source of diversification that is constantly being adapted to new market conditions. If you would like to learn more about machine learning strategies and how you too can easily build linear classifiers, random forests, keltner mean clustering, neural network and SVM strategies in F4 please consider joining Asirikuy, a website filled with educational videos, trading systems, development and a sound, honest and transparent approach towards automated trading in general. I hope you enjoyed this article. o)
ความต้องการที่ คาดการณ์ - ง่าย เฉลี่ยเคลื่อนที่
โกลเด้น   v3 - อัตราแลกเปลี่ยน