الفوركس التنبؤ - svm

دعم آلات المتجهات للانحدار ويمكن أيضا أن تطبق طريقة دعم ناقلات إلى حالة الانحدار، والحفاظ على كافة الميزات الرئيسية التي تميز خوارزمية الهامش القصوى: يتم تعلم وظيفة غير الخطية من قبل آلة التعلم الخطية في مساحة ميزة التي يسببها نواة في حين يتم التحكم في قدرة النظام من قبل المعلمة التي لا تعتمد على أبعاد الفضاء. كريستيانيني و شاو-تايلور (2000) في سفم الفكرة الأساسية هي لتعيين البيانات x في الفضاء ميزة عالية الأبعاد F عن طريق رسم الخرائط غير الخطية. والقيام بالانحدار الخطي في هذا الفضاء (راجع بوسر وآخرون (1992) فابنيك (1995)). الأكثر شهرة بيبليوغرافيا تساو، ليجوان، دعم ناقلات آلات الخبراء للتنبؤ سلسلة زمنية تظهر المحاكاة أن خبراء سفمز تحقيق تحسن كبير في أداء التعميم بالمقارنة مع نماذج سفمس واحدة. وبالإضافة إلى ذلك، خبراء سفمز أيضا تلتقي بشكل أسرع واستخدام ناقلات دعم أقل. تساو (2002) غاو، J. B. S. R. غون و C. J. هاريس، طريقة الحقل المتوسط ​​لتدهور آلة ناقلات الدعم تتناول هذه الورقة موضوعين. أولا، سوف نعرض كيف يمكن حل مشكلة ناقلات الدعم (سفم) مشكلة الانحدار كما الحد الأقصى للتنبؤ الخلفي في إطار بايزي. ويصف الجزء الثاني تقنية تقريبية مفيدة في إجراء العمليات الحسابية ل سفم استنادا إلى خوارزمية المجال المتوسط ​​التي كانت مقترحة أصلا في الفيزياء الإحصائية للنظم المختلة. ميزة واحدة هي أنه يعالج المتوسطات اللاحقة للعملية الغوسية التي ليست قابلة للتحليل. غاو، غن وهاريس (2002) غون، S. دعم آلات ناقلات لتصنيف والانحدار. إيزيس تيشنيكال ريبورت، 1998. مقتبس من 164 هارلاند، زاك، باستخدام دعم آلات المتجهات للتجارة الألومنيوم على لم. وتصف هذه الورقة وتقيم استخدام الانحدار ناقلات الدعم لتجارة العقود الآجلة للألمنيوم لمدة ثلاثة أشهر في بورصة لندن للمعادن، خلال الفترة من يونيو 1987 إلى نوفمبر 1999. آلة دعم ناقلات هي طريقة التعلم الآلي للتصنيف والانحدار وسريعة لتحل محل الشبكات العصبية كأداة الاختيار للتنبؤ ومهام التعرف على الأنماط، ويرجع ذلك أساسا إلى قدرتها على تعميم بشكل جيد على البيانات غير المرئية. تقوم الخوارزمية على أفكار مستمدة من نظرية التعلم الإحصائي ويمكن فهمها بشكل حدسي ضمن إطار هندسي. في هذه الورقة نستخدم الانحدار دعم ناقلات لتطوير عدد من سوبيدلز التداول التي عند الجمع بين، ويؤدي إلى النموذج النهائي الذي يظهر عوائد فوق المتوسط ​​على الخروج من بيانات العينة، وبالتالي توفير بعض الأدلة على أن سعر العقود الآجلة الألومنيوم أقل من الكفاءة. وما إذا كانت أوجه القصور هذه ستستمر في المستقبل غير معروفة. هارلاند هونغ، وحفر هون، تشانغا هوانغ، ناقلات الدعم آلات الانحدار غامض دعم آلة ناقلات (سفم) كانت ناجحة جدا في التعرف على الأنماط وظيفة تقديرالشهادات. في هذه الورقة، ونحن نقدم استخدام سفم للنماذج الانحدار الخطي غامض وغير الخطية متعددة المتغيرات. استخدام الفكرة الأساسية الكامنة وراء سفم للانحدارات الضبابية متعددة المتغيرات يعطي الكفاءة الحاسوبية في الحصول على الحلول. هونغ و هوانغ M220LLER، K.-R. وآخرون. استخدام آلات دعم المتجهات لسلسلة زمنية التنبؤ دعم ناقلات آلات تستخدم للتنبؤ سلسلة زمنية ومقارنة لشبكات وظيفة أساس شعاعي. نستفيد من وظيفتين مختلفتين لتكلفة ناقلات الدعم: التدريب مع (1) فقدان إبسيلون غير حساس و (2) دالة فقدان قوية المتاعب ومناقشة كيفية اختيار المعلمات تسوية في هذه النماذج. وينظر في طلبين: بيانات من (أ) نظام ماكي زجاجي صاخب (ضجيج عادي وموحد) و (ب) مسابقة سانتا في سلسلة الوقت (مجموعة D). في كلتا الحالتين، دعم آلات ناقلات تظهر أداء ممتازا. في حالة (ب)، يحسن نهج دعم الدعم أفضل نتيجة معروفة على المعيار من قبل 29.Moller إت آل. (2000) بونتيل، ماسيميليانو، سايان موخرجي و فيديريكو جيروسي، على نموذج الضوضاء لدعم ناقلات آلة الانحدار بونتيل، موخرجي و جيروسي (1998) سمولا، أليكس J. و برنارد SCH214LKOPF، A توتوريال أون سوبورت فيكتور رجرسيون سمولا أند ششولكوبف ) مقتبس من 309Support آلات المتجهات: التطبيقات المالية المدرجة في ترتيب الاستشهادات في السنة، أعلى في الأعلى. آخر تحديث سبتمبر 2006. بانغ، بو، ليليان لي و شيفاكومار فيثياناثان، 2002. ممتاز تصنيف المشاعر باستخدام تقنيات التعلم الآلي. في: إمنلب 02: وقائع المؤتمر أكل-02 حول الطرق التجريبية في معالجة اللغات الطبيعية - المجلد 10. صفحات 79--86. تم الاقتباس ب 154 يوما (36.66 سنة) ملخص البحث: نحن نعتبر مشكلة تصنيف الوثائق ليس حسب الموضوع، ولكن بالمعنى العام، على سبيل المثال. وتحديد ما إذا كانت المراجعة إيجابية أو سلبية. باستخدام استعراض الأفلام كبيانات، نجد أن تقنيات التعلم الآلي القياسية تفوق بشكل واضح خطوط الأساس المنتجة من قبل الإنسان. ومع ذلك، فإن أساليب التعلم آلة الثلاثة التي استخدمناها (نايف بايس، والحد الأقصى تصنيف الانتروبيا، وآلات ناقلات الدعم) لا تؤدي كذلك على تصنيف المشاعر كما في التصنيف القائم على الموضوع التقليدي. نستنتج من خلال دراسة العوامل التي تجعل مشكلة تصنيف المشاعر أكثر صعوبة. وجد أن تقنيات التعلم الآلي القياسية، باستخدام استعراض الأفلام كبيانات، تفوقت بشكل واضح على خطوط الأساس التي ينتجها الإنسان. ومع ذلك، وجدوا أيضا أن أساليب التعلم آلة ثلاثة كانوا يعملون (نايف بايس، التصنيف الأقصى للإنتروبيا، وآلات ناقلات الدعم) لم تؤدي كذلك على تصنيف المشاعر كما في التصنيف القائم على الموضوع التقليدي. فان جيستل، توني، وآخرون. . 2001. الوقت المالي سلسلة التنبؤ باستخدام المربعات الأقل دعم آلات ناقلات ضمن إطار الأدلة. معاملات إيي على الشبكات العصبية. المجلد 12، العدد 4، تموز / يوليه 2001، الصفحات 809-821. تم وضع إطار الأدلة البيزي في هذه الورقة على المربعات الصغرى دعم ناقلات ناقلات (لس-سفم) الانحدار من أجل استنتاج نماذج غير الخطية للتنبؤ سلسلة زمنية مالية والتقلبات ذات الصلة. على المستوى الأول من الاستدلال، يرتبط الإطار الإحصائي لصياغة لس-سفم التي تسمح للمرء أن تشمل تقلب الوقت متغيرة في السوق عن طريق الاختيار المناسب للعديد من المعلمات فرط. يتم استدلال المعلمات الفائقة للنموذج على المستوى الثاني من الاستدلال. وتستخدم المعلمات الفائقة المستنبطة، والمتصلة بالتقلب، في بناء نموذج للتقلب في إطار الأدلة. يتم إجراء مقارنة نموذج على المستوى الثالث من الاستدلال من أجل ضبط تلقائيا المعلمات وظيفة النواة واختيار المدخلات ذات الصلة. تسمح الصيغة لس-سفم باستخلاص تعبيرات تحليلية في مساحة الموضع ويتم الحصول على تعبيرات عملية في الفراغ المزدوج الذي يحل محل المنتج الداخلي بواسطة دالة النواة ذات الصلة باستخدام نظرية ميرسرس. خطوة واحدة إلى الأمام التنبؤ العروض التي تم الحصول عليها على التنبؤ الأسبوعي 90 يوم T - معدل الفاتورة وأسعار الإغلاق DAX30 اليومية تبين أن كبيرة من عينة علامة التوقعات يمكن أن يتم فيما يتعلق اختبار بيساران تيمرمان إحصائية إطار الأدلة بايزي إلى المربعات الصغرى دعم ناقلات آلة (لس-سفم) الانحدار للتنبؤ الأسبوعية 90 يوما معدل فاتورة T وأسعار الإغلاق اليومية DAX30. تاي، فرانسيس E. H. و ليجوان تساو، 2001. تطبيق آلات ناقلات الدعم في الوقت المالي التنبؤ سلسلة. أوميغا: المجلة الدولية للعلوم الإدارية. المجلد 29، العدد 4، آب / أغسطس 2001، الصفحات 309-317. تم الاقتباس من قبل 67 (12.89 سنة) ملخص البحث: تتناول هذه الورقة تطبيق تقنية الشبكة العصبية الجديدة، وآلة ناقلات الدعم (سفم)، في التنبؤ بالسلاسل الزمنية المالية. والهدف من هذه الورقة هو دراسة جدوى سفم في التنبؤ بالسلاسل الزمنية المالية من خلال مقارنتها بشبكة عصبية متعددة الانتشار (بب). يتم استخدام خمسة عقود العقود الآجلة الحقيقية التي تم جمعها من سوق شيكاغو التجاري كمجموعات البيانات. وتبين التجربة أن سفم يتفوق على الشبكة العصبية بب استنادا إلى معايير الخطأ المتوسط ​​للمربع العادي (نمز)، ومتوسط ​​الخطأ المطلق (مي)، والتناظر الاتجاهي (دس)، والتناظر الاتجاهي المرجح (ودس). وبما أنه لا توجد طريقة منظمة لاختيار المعلمات الحرة من سفمس، يتم التحقيق في التباين في الأداء فيما يتعلق المعلمات الحرة في هذه الدراسة. وقد أثبت تحليل النتائج التجريبية أنه من المفيد تطبيق سفمز للتنبؤ بسلسلة زمنية مالية. وأكد أن سفم تفوق على الشبكة العصبية المتعددة الانتشار (بب) على خمسة عقود مستقبلية حقيقية من سوق شيكاغو التجاري. تاي، فرانسيس E. H. أند L. J. تساو، 2002. موديفيد سوبورت فيكتور ماشينس إن فينانسيال تايم سيريز فوريكاستينغ. الحواسيب العصبية. المجلد 48، القضايا 1-4، تشرين الأول / أكتوبر 2002، الصفحات 847-861. تم الاقتباس من قبل 54 (12.86year) ملخص البحث: تقترح هذه الورقة نسخة معدلة من آلات ناقلات الدعم، تسمى C - متجه الدعم ناقلات آلة، لنموذج غير متسلسلة زمنية مالية ثابتة. يتم الحصول على آلات متجه الدعم C - عن طريق تعديل بسيط من وظيفة المخاطر المنتظمة في آلات ناقلات الدعم، حيث يتم معاقبة الأخطاء الأخيرة 949 غير حساسة أكثر من الأخطاء البعيدة 949 غير حساسة. ويستند هذا الإجراء إلى معرفة مسبقة بأن التبعية بين متغيرات المدخلات ومتغير الناتج تتغير تدريجيا في الوقت غير المحدد في الوقت الحالي، وعلى وجه التحديد، فإن البيانات السابقة الأخيرة يمكن أن توفر معلومات أكثر أهمية من البيانات السابقة البعيدة. في التجربة، يتم اختبار C - المتجه آلات ناقلات الدعم باستخدام ثلاثة العقود الآجلة الحقيقية التي تم جمعها من سوق شيكاغو التجاري. ويظهر أن آلات ناقلات الدعم C - المتداخلة مع بيانات العينة المطلوبة فعلا تتوقع باستمرار أفضل من أجهزة ناقلات الدعم القياسية، مع أسوأ أداء عندما يتم استخدام البيانات عينة أمر عكسي. وعلاوة على ذلك، فإن ناقلات دعم دعم C - تستخدم ناقلات دعم أقل من ناقلات دعم ناقلات القياسية، مما أدى إلى تمثيل متناثرة من الحل. تطوير C - المتجه آلات ناقلات الدعم، التي تعاقب الأخيرة 949 أخطاء غير حساسة هي أكثر بكثير من بعيد 949 أخطاء غير حساسة، ووجدوا أنهم يتوقعون أفضل من سفم القياسية على ثلاثة العقود الآجلة الحقيقية التي تم جمعها من سوق شيكاغو التجاري. هوانغ، زان، وآخرون. . 2004. تحليل التصنيف الائتماني مع آلات ناقلات الدعم والشبكات العصبية: دراسة مقارنة السوق. نظم دعم القرار. المجلد 37، العدد 4 (أيلول / سبتمبر 2004)، الصفحات 543-558. تم الاقتباس من قبل 21 (9.55 سنة) ملخص: لقد اجتذب تحليل التصنيف الائتماني للشركات الكثير من الاهتمامات البحثية في الأدب. وقد أظهرت الدراسات الحديثة أن أساليب الذكاء الاصطناعي (أي) حققت أداء أفضل من الأساليب الإحصائية التقليدية. تقدم هذه المقالة تقنية تعلم آلي جديدة نسبيا، آلات ناقلات الدعم (سفم)، للمشكلة في محاولة لتوفير نموذج مع قوة تفسيرية أفضل. استخدمنا الشبكة العصبية باكبروباغاتيون (بنن) كمعيار وحصل على دقة التنبؤ حوالي 80 لطريقتي بن و سفم في أسواق الولايات المتحدة وتايوان. ومع ذلك، لوحظ تحسن طفيف فقط من سفم. وثمة اتجاه آخر للبحث يتمثل في تحسين إمكانية تفسير النماذج القائمة على أساس الذكاء الاصطناعي. طبقنا نتائج البحوث الحديثة في تفسير نموذج الشبكة العصبية وحصلنا على أهمية نسبية للمتغيرات المالية المدخلات من نماذج الشبكات العصبية. واستنادا إلى هذه النتائج، أجرينا تحليلا مقارنا للسوق على الاختلافات في تحديد العوامل في أسواق الولايات المتحدة وتايوان. تطبيق الشبكات العصبية باكبروباغاتيون و سفمس لتوقعات التصنيف الائتماني للشركات لأسواق الولايات المتحدة وتايوان ووجدت أن نتائج قابلة للمقارنة (وكلاهما متفوقان على الانحدار اللوجستي)، مع سفم أفضل قليلا. تساو، ليجوان، 2003. دعم ناقلات آلات خبراء للتنبؤ سلسلة زمنية. الحواسيب العصبية. المجلد 51، نيسان / أبريل 2003، الصفحات 321-339. تم الاقتباس من قبل 29 (9.08year) ملخص البحث: تقترح هذه الورقة استخدام خبراء ناقلات الدعم (سفمس) للتنبؤ بسلاسل زمنية. خبراء سفمس المعمم لديهم بنية الشبكة العصبية على مرحلتين. في المرحلة الأولى، يتم استخدام خريطة ميزة التنظيم الذاتي (سوم) كخوارزمية تجميع لتقسيم مساحة الإدخال بالكامل إلى عدة مناطق مفككة. يتم اعتماد بنية هيكلية شجرة في القسم لتجنب مشكلة تحديد عدد المناطق المقسمة مسبقا. ثم، في المرحلة الثانية، سفمس متعددة، وتسمى أيضا خبراء سفم، التي يتم إنشاؤها بشكل أفضل المناطق المقسمة من خلال إيجاد وظيفة النواة الأكثر ملاءمة والمعلمات الحرة المثلى من سفمز. يتم تقييم البيانات البقع الشمسية، مجموعات البيانات سانتا في A، C و D، ومجموعتي بيانات المبنى في التجربة. وتبين المحاكاة أن خبراء سفمز تحقيق تحسن كبير في أداء التعميم بالمقارنة مع نماذج سفمز واحدة. وبالإضافة إلى ذلك، فإن خبراء سفمز أيضا تلتقي بشكل أسرع واستخدام ناقلات دعم أقل. شاهد أن أسلوبهم من خبراء سفم حققت تحسنا كبيرا فوق نماذج سفمز واحدة عندما أبليد لمجموعة البيانات سانتا في C (أسعار الصرف عالية التردد بين الفرنك السويسري و الدولار الأمريكي). كيم، كيونغ-جاي، 2003. التنبؤ بالسلسلة الزمنية المالية باستخدام آلات ناقلات الدعم. الحواسيب العصبية. المجلد 55، القضايا 1-2 (أيلول / سبتمبر 2003)، الصفحات 307-319. تم الاقتباس من قبل 28 (8.76year) ملخص: أجهزة ناقلات الدعم (سفمس) هي طرق واعدة للتنبؤ السلاسل الزمنية المالية لأنها تستخدم وظيفة المخاطر التي تتألف من الخطأ التجريبي ومصطلح المصطلح الذي هو مستمد من مبدأ تقليل المخاطر الهيكلية . وتطبق هذه الدراسة سفم على التنبؤ بمؤشر أسعار الأسهم. وبالإضافة إلى ذلك، تبحث هذه الدراسة جدوى تطبيق سفم في التنبؤ المالي من خلال مقارنتها مع الشبكات العصبية الانتشار الخلفي والتفكير القائم على الحالة. وتظهر النتائج التجريبية أن سفم يوفر بديلا واعدا لتنبؤ سوق الأسهم. فقد تفوقت سفمز على الشبكات العصبية للانتشار الخلفي والتفكير القائم على الحالة عند استخدامها للتنبؤ بمؤشر أسعار الأسهم المركب اليومي (كوسبي). شين كيونغ-شيك، تايك سو لي و هيون-جونغ كيم، 2005. تطبيق آلات ناقلات الدعم في نموذج التنبؤ بالإفلاس. نظم الخبراء مع التطبيقات. المجلد 28، العدد 1، يناير 2005، الصفحات 127-135. تم اقتباسه من قبل 8 (6.67 سنة) ملخص البحث: هذه الدراسة تحقق في فعالية تطبيق أجهزة ناقلات الدعم (سفم) لمشكلة التنبؤ بالإفلاس. على الرغم من أنه من المعروف جيدا أن الشبكة العصبية الانتشار الخلفي (بن) تؤدي بشكل جيد في مهام التعرف على الأنماط، فإن الأسلوب لديه بعض القيود في أنه هو فن لإيجاد هيكل نموذج مناسب والحل الأمثل. وعلاوة على ذلك، هناك حاجة إلى تحميل أكبر عدد ممكن من مجموعة التدريب في الشبكة للبحث في أوزان الشبكة. من ناحية أخرى، منذ سفم يلتقط الخصائص الهندسية لمساحة الميزة دون اشتقاق الأوزان من الشبكات من بيانات التدريب، وأنها قادرة على استخراج الحل الأمثل مع حجم مجموعة التدريب الصغيرة. في هذه الدراسة، وتبين لنا أن المصنف المقترح لنهج سفم يتفوق بن على مشكلة إفلاس الشركات التنبؤ. وتظهر النتائج أن دقة وتعميم أداء سفم هو أفضل من أن بن كما يصبح حجم مجموعة التدريب أصغر. كما ندرس تأثير التغير في الأداء فيما يتعلق بقيم مختلفة من المعلمات في سفم. بالإضافة إلى ذلك، نحن التحقيق وتلخيص عدة نقاط متفوقة من خوارزمية سفم مقارنة مع BPN. demonstrated أن سفمس أداء أفضل من الشبكات العصبية الانتشار الخلفي عند تطبيقها على التنبؤ بالإفلاس الشركات. كاو، L. J. أند فرانسيس E. H. تاي، 2003. دعم آلة ناقلات مع معلمات التكيف في المالية سلسلة زمنية التنبؤ. معاملات إيي على الشبكات العصبية. المجلد 14، العدد 6، تشرين الثاني / نوفمبر 2003، الصفحات 1506-1518. (سبم) يتلقى اهتماما متزايدا في مجالات تتراوح بين تطبيقه الأصلي في التعرف على الأنماط إلى تطبيقات أخرى مثل تقدير الانحدار بسبب أدائه المتميز للتعميم . تتناول هذه الورقة تطبيق سفم في التنبؤ بالسلاسل الزمنية المالية. يتم فحص جدوى تطبيق سفم في التنبؤ المالي أولا من خلال مقارنتها مع الشبكة العصبية المتعددة الانتشار (بب) والشبكة العصبية الأساسية (رابف). يتم دراسة التباين في أداء سفم فيما يتعلق المعلمات الحرة تجريبيا. ثم تقترح المعلمات التكيفية من خلال دمج عدم انقطاع السلسلة الزمنية المالية في سفم. يتم استخدام خمسة عقود مستقبلية حقيقية مجمعة من سوق شيكاغو التجاري كمجموعات بيانات. وتبين المحاكاة أن من بين الطرق الثلاث، تفوق سفم شبكة العصبية بب في التنبؤ المالي، وهناك أداء تعميم مماثل بين سفم والشبكة العصبية ربف المنظمة. وعلاوة على ذلك، فإن المعلمات الحرة سفم يكون لها تأثير كبير على أداء التعميم. سفم مع المعلمات التكيف يمكن على حد سواء تحقيق أعلى أداء التعميم واستخدام ناقلات دعم أقل من سفم القياسية في التنبؤ المالي. استخدام سفم، شبكة متعددة الانتشار الانتشار (بب) الشبكة العصبية وشبكة النظام الأساسي شعاعي تنظيمي (ربف) للتنبؤ خمسة عقود مستقبلية حقيقية مجمعة من سوق شيكاغو التجاري. وأظهرت النتائج أن سفم والشبكة العصبية ربف النظامية كانت قابلة للمقارنة وفوق كل من شبكة العصبية بب. تساو، ليجوان و فرانسيس E. H. تاي، 2001. التنبؤ المالي باستخدام دعم ناقلات الآلات. العصبية الحوسبة أمبير التطبيقات. المجلد 10، العدد 2 (أيار / مايو 2001)، الصفحات 184-192. مقتبس من 26 (5.00 سنة) مختصر: تمت دراسة استخدام آلات دعم المتجهات (سفمس) في التنبؤ المالي من خلال مقارنته مع بيرسيبترون متعدد الطبقات تدربه خوارزمية الانتشار الخلفي (بب). سفمز توقعات أفضل من بب استنادا إلى معايير خطأ متوسط ​​يعني مربع (نمس)، يعني الخطأ المطلق (مي)، الاتجاه التماثل (دس)، الاتجاه الصحيح (كب) الاتجاه الصحيح أسفل (سد). ويستخدم سامب 500 مؤشر الأسعار اليومي كمجموعة البيانات. وبما أنه لا توجد طريقة منظمة لاختيار المعلمات الحرة من سفمز، يتم التحقيق في الخطأ تعميم فيما يتعلق المعلمات الحرة من سفمس في هذه التجربة. كما هو موضح في التجربة، لديهم تأثير ضئيل على الحل. تحليل النتائج التجريبية يدل على أنه من المفيد لتطبيق سفمس للتنبؤ السلاسل الزمنية المالية. تذكر أن سفمس توقع مؤشر السعر اليومي سامب 500 أفضل من بيرسيبترون متعدد الطبقات المدربين من قبل خوارزمية الانتشار الخلفي (بب). مين، جاي H. و يانغ-تشان لي، 2005. التنبؤ بالإفلاس باستخدام آلة دعم ناقلات مع الخيار الأمثل من المعلمات وظيفة النواة. نظم الخبراء مع التطبيقات. المجلد 28، العدد 4، مايو 2005، الصفحات 603-614. تم الاقتباس من قبل 6 (5.00 سنة) مختصر: وقد أثار التنبؤ الإفلاس الكثير من المصالح البحثية في الأدب السابق، وقد أظهرت الدراسات الحديثة أن تقنيات التعلم الآلي حقق أداء أفضل من تلك الإحصائية التقليدية. وتطبق هذه الورقة آلات ناقلات الدعم (سفمس) لمشكلة التنبؤ بالإفلاس في محاولة لاقتراح نموذج جديد مع قوة تفسيرية أفضل والاستقرار. لخدمة هذا الغرض، ونحن نستخدم تقنية البحث الشبكة باستخدام 5 أضعاف التحقق من صحة التحقق من معرفة القيم المعلمة الأمثل من وظيفة النواة سفم. وبالإضافة إلى ذلك، لتقييم دقة التنبؤ سفم، قارنا أدائها مع تلك التحليل المتعدد التمييزي (مدا)، تحليل الانحدار اللوجستي (لوجيت)، وثلاث طبقات متصلة بالكامل الشبكات العصبية الانتشار الذاتي (بنز). وتظهر نتائج التجربة أن سفم يتفوق على الأساليب الأخرى. فبالرغم من تطبيقها على التنبؤ بالإفلاس، تفوقت سفمز على التحليل المتعدد التمييزات (مدا)، وتحليل الانحدار اللوجستي (لوجيت) وثلاث طبقات متصلة بالشبكات العصبية ذات الانتشار الكامل (بنز). أبراهام، أجيث، نينان ساجيث فيليب و P. ساراتشاندران، 2003. نمذجة سلوك الفوضى من مؤشرات الأسهم باستخدام نماذج ذكية. العصبية، أمبير الموازي الحسابات العلمية. المجلد 11، الصفحات 143-160. تم الاقتباس من قبل 10 (4.55 سنة) ملخص البحث: تم استخدام أنظمة ذكية لتوقعات سوق الأسهم على نطاق واسع. في هذه الورقة، نقوم بالتحقيق في كيفية تمثيل السلوك الفوضوي على ما يبدو في أسواق الأسهم بشكل جيد باستخدام العديد من النماذج الارتباطية وتقنيات الحوسبة الناعمة. لإثبات التقنيات المختلفة، اعتبرنا مؤشر ناسداك 100 لسوق بورصة ناسداك سم ومؤشر الأسهم نكستي سب نكس. قمنا بتحليل 7 سنوات 8217s ناسداك 100 قيم المؤشر الرئيسي و 4 year8217s قيم مؤشر نيفتي. تبحث هذه الورقة في تطوير تقنية موثوقة وفعالة لنمذجة السلوك الفوضوي على ما يبدو في أسواق الأسهم. لقد اعتبرنا شبكة عصبية اصطناعية مدربة باستخدام خوارزمية ليفنبرغ-ماركاردت، وآلة ناقلات الدعم (سفم)، ونموذج تاكاجي-سوجينو نيوروفوزي، وشبكة عصبية تعزز الفرق (دبن). وتوضح هذه الورقة باختصار كيف يمكن صياغة نماذج مختلفة من أساليب الاتصال باستخدام أساليب تعلم مختلفة ومن ثم التحقيق فيما إذا كان بإمكانها توفير المستوى المطلوب من الأداء الذي يكون جيدا وقويا بما فيه الكفاية من أجل توفير نموذج تنبؤ موثوق به لمؤشرات سوق الأسهم. كشفت نتائج التجربة أن جميع نماذج الاتصال التي تم النظر فيها يمكن أن تمثل سلوك مؤشرات الأسهم بدقة عالية. تطبق أربعة تقنيات مختلفة، وهي شبكة عصبية اصطناعية تدرب باستخدام خوارزمية ليفنبرغ-ماركاردت، وهي آلة دعم الدعم، وتعزيز شبكة العصبية الفرق و تاكاجي-سوجينو نظام الاستدلال غامض المستفادة باستخدام خوارزمية الشبكة العصبية (نموذج عصبي غامض) للتنبؤ مؤشر ناسداك 100 لسوق بورصة ناسداك ومؤشر الأسهم نكستي سب نكس. لم تكن هناك تقنية واحدة متفوقة بشكل واضح، ولكنها عبثية، فإنها تحاول التنبؤ بالقيمة المطلقة للمؤشرات، بدلا من استخدام عوائد السجل. يانغ، هايشين، ليوان تشان و إيروين كينغ، 2002. دعم ناقلات آلة الانحدار للتنبؤ سوق الأسهم المتقلبة. في: ذكي هندسة البيانات والتعلم الآلي: إديال 2002. حرره هوجون يين، وآخرون. . صفحات 391--396، سبرينجر. تم الاقتباس من قبل 19 (4.52year) ملخص: في الآونة الأخيرة، تم دعم دعم الانحدار المتجه (سفر) لحل مشاكل الانحدار والتنبؤ. في هذه الورقة، نطبق سفر لمهام التنبؤ المالي. وعلى وجه الخصوص، فإن البيانات المالية عادة ما تكون صاخبة والمخاطر المرتبطة بها متغيرة زمنيا. لذلك، نموذج سفر لدينا هو امتداد ل سفر القياسية التي تتضمن التكيف الهوامش. من خلال تغيير هوامش سفر، يمكننا أن نعكس التغير في تقلب البيانات المالية. وعلاوة على ذلك، قمنا بتحليل تأثير الهوامش غير المتماثلة وذلك للسماح للحد من خطر الهبوط. وتظهر نتائجنا التجريبية أن استخدام الانحراف المعياري لحساب هامش متغير يعطي نتيجة تنبؤية جيدة في التنبؤ هانغ سنغ index. tryed يتفاوت الهوامش في الانحدار سفم من أجل عكس التغير في تقلب البيانات المالية وتحليلها أيضا تأثير الهوامش غير المتماثلة من أجل السماح للحد من مخاطر الهبوط. وأنتج النهج السابق أدنى خطأ إجمالي عند التنبؤ بسعر الإغلاق اليومي لمؤشر هانغ سنغ في هونغ كونغ. هوانغ، W. Y. ناكاموري أند S. Y. وانغ، 2005. التنبؤ اتجاه حركة سوق الأسهم مع دعم ناقلات الجهاز. أجهزة الكمبيوتر بحوث العمليات. المجلد 32، العدد 10، الصفحات 2513-2522. (أكتوبر 2005) تم الاقتباس من قبل 5 (4.18year) أبستراكت: دعم ناقلات آلة (سفم) هو نوع محدد جدا من خوارزميات التعلم تتميز التحكم في القدرة على وظيفة القرار، واستخدام وظائف النواة ونفور الحل. في هذه الورقة، نحن التحقيق في إمكانية التنبؤ اتجاه الحركة المالية مع سفم من خلال التنبؤ الاتجاه حركة أسبوعية من مؤشر 225 نيكي. لتقييم القدرة على التنبؤ سفم، قارنا أدائها مع تلك من التحليل التميزي الخطي، تحليل التمايز التربيعي والشبكات العصبية إلمان باكبروباغاتيون. نتائج التجربة تبين أن سفم يتفوق على أساليب التصنيف الأخرى. وعلاوة على ذلك، نقترح نموذج الجمع بين دمج سفم مع أساليب التصنيف الأخرى. نموذج الجمع بين أفضل أداء بين جميع طرائق التنبؤ قدرة سفمز والتحليل التميزي الخطي والتحليل التمهيدي التربيعي و إلمان باكبروباغاتيون الشبكات العصبية للتنبؤ الاتجاه حركة أسبوعية من مؤشر نيكي 225 ووجد أن سفم تفوقت على جميع أساليب التصنيف الأخرى . كان أفضل من ذلك كان مزيج مرجح من النماذج. ترافاليس، ثيودور B. و حسين إنس، 2000. دعم آلة ناقلات الانحدار والتطبيقات للتنبؤ المالي. إن: إجن 2000: بروسيدينغس أوف ذي إيي-إنز-إنز إنترناشونال كونفيرانس كونفيرانس أون نيورال نيتوركس: فولوم 6 إديتد بي شون-إتشي أماري، إت آل. . صفحة 6348، جمعية كومبيوتر إيي. مقتبس من 19 (3.06year) أبستراكت: الغرض الرئيسي من هذه الورقة هو مقارنة آلة ناقلات الدعم (سفم) التي وضعتها فابنيك مع تقنيات أخرى مثل باكبروباغاتيون وشبكة أساس شعاعي (ربف) الشبكات لتطبيقات التنبؤ المالي. وتستند نظرية خوارزمية سفم على نظرية التعلم الإحصائي. تدريب سفمس يؤدي إلى مشكلة البرمجة التربيعية (كب). كما يتم عرض النتائج الحسابية الأولية للتنبؤ سعر السهم سفمز مع باكبروباغاتيون وشبكة أساس شعاعي (ربف) الشبكات من خلال التنبؤ عب، ياهو وأمريكا على الانترنت أسعار الأسهم اليومية. الغريب، وذلك باستخدام سفم للانحدار أنها خضعت لمجموعة التحقق من الصحة، تعيين إبسيلون إلى الصفر، C ثابت وكرر التجربة لمختلف إعدادات ثابتة من المعلمة النواة، سيغما، مما أدى إلى العديد من النتائج. تساو، ليجوان و تشينغمينغ غو، 2002. ديناميكية ناقلات دعم ناقلات غير ثابتة سلسلة زمنية التنبؤ. ذكي تحليل البيانات. المجلد 6، العدد 1، الصفحات 67-83. تم الاقتباس من قبل 12 (2.86year) ملخص البحث: تقترح هذه الورقة نسخة معدلة من آلات ناقلات الدعم (سفمس)، وتسمى آلات ناقلات الدعم الديناميكي (دسفمس)، لنموذج السلاسل الزمنية غير ثابتة. يتم الحصول على دسفمس من خلال دمج المعرفة مجال المشكلة - عدم استباقية من السلاسل الزمنية في سفمز. على عكس سفمز القياسية التي تستخدم القيم الثابتة من ثابت التنظيم وحجم الأنبوب في جميع نقاط البيانات التدريب، و دسفمز استخدام ثابت ثابت زيادة أضعافا مضاعفة وحجم أنبوب أضعافا مضاعفة للتعامل مع التغيرات الهيكلية في البيانات. ويستند ثابت الانتظام الديناميكي وحجم الأنبوب إلى المعرفة السابقة بأن نقاط البيانات الحديثة غير الثابتة يمكن أن توفر معلومات أكثر أهمية من نقاط البيانات البعيدة. في التجربة، يتم تقييم دسفمس باستخدام كل من مجموعات البيانات المحاكاة والحقيقية. وتبين المحاكاة أن دسفمس تعميم أفضل من سفمس القياسية في التنبؤ السلاسل الزمنية غير ثابتة. ميزة أخرى لهذا التعديل هو أن دسفمس استخدام ناقلات دعم أقل، مما أدى إلى تمثيل متناثرة من الحل. ينبغي معرفة المعرفة السابقة أن سلسلة الوقت المالي هي غير ثابتة في آلات ناقلات الدعم الديناميكي (دسفمس) واستخدام ثابت ثابت زيادة أضعافا مضاعفة و وهو حجم تناقص آبير في حجم الأنبوب للتعامل مع التغيرات الهيكلية في البيانات على افتراض أن نقاط البيانات الحديثة يمكن أن توفر معلومات أكثر أهمية من نقاط البيانات البعيدة. وخلصوا إلى أن دسفمس تعميم أفضل من سفمس القياسية في التنبؤ السلاسل الزمنية غير ثابتة، في حين أنها تستخدم أيضا ناقلات دعم أقل، مما أدى إلى تمثيل متناثرة من الحل. تاي، فرانسيس E. H. أند L. J. تساو، 2002. 949-ديسندنت سوبورت فيكتور ماشينس فور فينانسيال تايم سيريز فوريكاستينغ. معالجة العصبية رسائل 15 (2): 179-195. تم اقتباسه بواسطة 11 (2.62year) ملخص البحث: تقترح هذه الورقة نسخة معدلة من آلات ناقلات الدعم (سفمس)، وتسمى 949-تنازلي دعم ناقلات الآلات (949-دسفمس)، لنموذج سلسلة زمنية غير ثابتة المالية. يتم الحصول على 949-دسفمس من خلال دمج المعرفة مجال المشكلة 8211 غير استباقية من سلسلة زمنية مالية في سفمس. على عكس سفمس القياسية التي تستخدم أنبوب ثابت في جميع نقاط البيانات التدريب، و 949-دسفمس استخدام أنبوب التكيف للتعامل مع التغييرات هيكل في البيانات. وتظهر التجربة أن 949-دسفمس تعميم أفضل من سفمس القياسية في التنبؤ غير ثابتة السلاسل الزمنية المالية. ميزة أخرى لهذا التعديل هو أن 949-دسفمس تتلاقى إلى ناقلات دعم أقل، مما أدى إلى تمثيل متفرق للحل. معرفة المعرفة مجال المشكلة من عدم استباقية من سلسلة الوقت المالي في سفمس باستخدام أنبوب التكيف في ما يسمى إبسيلون-تنازلي دعم ناقلات آلات (إبسيلون-دسفمس). وأظهرت التجربة أن إبسيلون-دسفمس تعميم أفضل من سفمس القياسية في التنبؤ السلاسل الزمنية المالية غير ثابتة وتتلاقى أيضا إلى ناقلات الدعم أقل، مما أدى إلى تمثيل متناثرة من الحل. ديبناث، سانديب و C. لي جيليز، 2005. نموذج التعلم القائم على عنوان لاستخراج الأخبار مقالات لإيجاد الجمل التفسيرية للأحداث. إن: K-كاب 821705: وقائع المؤتمر الدولي الثالث حول التقاط المعرفة. الصفحات 189--190. تم الاقتباس ب 2 (1.67year) ملخص البحث: تلعب البيانات الوصفية دورا حاسما في زيادة كفاءة تنظيم الوثائق وقابلية الأرشيف. تتضمن البيانات الوصفية للأخبار داتلين. بيلين. هادلين وغيرها الكثير. وجدنا أن المعلومات خط رئيسي مفيد للتخمين موضوع المقال الأخبار. خاصة بالنسبة للمقالات الإخبارية المالية، وجدنا أن هادلين يمكن بالتالي أن تكون مفيدة خصيصا لتحديد الجمل التفسيرية لأي أحداث رئيسية مثل تغييرات كبيرة في أسعار الأسهم. في هذه الورقة نحن استكشاف نهج ناقلات التعلم القائم على الدعم لاستخراج البيانات الوصفية هادلين تلقائيا. ونجد أن دقة تصنيف العثور على خط الرأس تتحسن إذا تم تحديد داتلين s أولا. ثم استخدمنا الخط المستخرج s لبدء نمط مطابقة الكلمات الرئيسية للعثور على الجمل المسؤولة عن موضوع القصة. باستخدام هذا الموضوع ونموذج لغة بسيطة فمن الممكن لتحديد موقع أي جمل توضيحية لأي تغيير كبير في الأسعار. نصح نهجا جديدا لاستخراج الأخبار البيانات الفوقية هادلينس باستخدام سفمس واستخدامها للعثور على مواضيع القصة للحصول على تفسير القائم على الجملة لأسهم تغيير الأسعار. فان جيستل، توني، وآخرون. . 2003. نهج دعم ناقلات الجهاز لتسجيل الائتمان. بانك إن فينانسيويزن. المجلد 2، آذار / مارس، الصفحات 73-82. تم الاقتباس من قبل 5 (1.56 سنة) مختصر: مدفوعا بالحاجة إلى تخصيص رأس المال بطريقة مربحة واللوائح التي اقترحتها مؤخرا بازل 2، والمؤسسات المالية هي أكثر وأكثر إلزاما لبناء نماذج تقييم الائتمان تقييم مخاطر التخلف عن عملائها . وقد تم اقتراح العديد من التقنيات لمعالجة هذه المشكلة. دعم آلات ناقلات (سفمس) هو تقنية جديدة واعدة التي انبثقت مؤخرا من مجالات مختلفة مثل الإحصاءات التطبيقية، والشبكات العصبية والتعلم الآلي. في هذه الورقة، نقوم بتجربة آلات ناقلات دعم المربعات الصغرى (لس-سفمس)، وهي نسخة معدلة حديثا من سفمز، ونسجل نتائج أفضل بشكل ملحوظ عندما تتناقض مع المنهجيات التقليدية الأربعة، الساحات العادية العادية (أولس)، الانحدار اللوجستي العمودي أولر)، متعدد الطبقات بيرسيبترون (ملب) والمربعات الصغرى دعم ناقلات آلات (لس-سفمس) عند تطبيقها على التهديف الائتمان. وقد أسفرت منهجية سفم عن نتائج أفضل وبشكل متسق أفضل من أساليب التصنيف الخطي الكلاسيكي. فان، ألان وماريموثو بالانيسوامي، 2000. اختيار المتنبئين الإفلاس باستخدام نهج دعم ناقلات آلة. إجن 2000: وقائع المؤتمر الدولي المشترك بين إيي-إنز-إنز بشأن الشبكات العصبية، المجلد 6. حرره شون إتشي أماري وآخرون. . صفحة 6354. تم الاقتباس من قبل 9 (1.45year) أبستراكت: تم العثور على نهج الشبكة العصبية التقليدية مفيدة في التنبؤ استغاثة الشركات من البيانات المالية. في هذه الورقة، اعتمدنا نهج دعم ناقلات آلة للمشكلة. يتم عرض طريقة جديدة لتحديد التنبؤات بالإفلاس، وذلك باستخدام معيار المسافة الإقليدية استنادا محسوبة داخل نواة سفم. يتم توفير دراسة مقارنة باستخدام ثلاثة نماذج استغاثة الشركات الكلاسيكية ونموذج بديل على أساس سفم نهج. سفمز لتحديد التنبؤات الإفلاس، وتقديم دراسة مقارنة. تاي، فرانسيس إنغ هوك و لي خوان تساو، 2001. تحسين التسلسل الزمني للوقت المالي من خلال الجمع بين دعم ناقلات الآلات مع خريطة التنظيم الذاتي ميزة. ذكي تحليل البيانات. المجلد 5، العدد 4، الصفحات 339-354. تم الاقتباس من قبل 7 (1.35 سنة) ملخص: تم اقتراح بنية الشبكة العصبية من مرحلتين التي شيدت من خلال الجمع بين دعم آلات ناقلات (سفمس) مع خريطة ميزة التنظيم الذاتي (سوم) للتنبؤ سلسلة زمنية مالية. في المرحلة الأولى، يتم استخدام سوم كخوارزمية تجميع لتقسيم مساحة الإدخال بالكامل إلى عدة مناطق منفصلة. يتم اعتماد بنية هيكلية شجرة في القسم لتجنب مشكلة تحديد عدد المناطق المقسمة مسبقا. ثم، في المرحلة الثانية، يتم إنشاء سفمز متعددة، وتسمى أيضا خبراء سفم، التي تناسب كل منطقة مقسمة من خلال إيجاد وظيفة النواة الأكثر ملاءمة ومعلمات التعلم الأمثل لل سفمس. يتم استخدام سعر صرف سانتا في وخمسة عقود العقود الآجلة الحقيقية في التجربة. ويظهر أن الطريقة المقترحة تحقق كلا من أداء التنبؤ أعلى بكثير وسرعة التقارب أسرع بالمقارنة مع سفم نموذج واحد سفم مع خريطة ميزة التنظيم الذاتي (سوم) واختبار النموذج على سعر الصرف سانتا في وخمسة العقود الآجلة الحقيقية . وأظهروا أن الأسلوب المقترح لهم يحقق أداء التنبؤ أعلى بكثير وسرعة التقارب أسرع بالمقارنة مع نموذج سفم واحد. سانسوم، D. C.T. Dons أند T. K. SAHA، 2003. تقييم أداة دعم ناقلات الدعم القائمة على التنبؤ بأسعار الكهرباء للمشاركين الوطنيين في سوق الكهرباء الأسترالي. مجلة هندسة الإلكترونيات الكهربائية، أستراليا. المجلد 22، العدد 3، الصفحات 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 . المجلد. 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 . المجلد. 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. تقوم الخوارزمية على أفكار مستمدة من نظرية التعلم الإحصائي ويمكن فهمها بشكل حدسي ضمن إطار هندسي. في هذه الورقة نستخدم الانحدار دعم ناقلات لتطوير عدد من سوبيدلز التداول التي عند الجمع بين، ويؤدي إلى النموذج النهائي الذي يظهر عوائد فوق المتوسط ​​على الخروج من بيانات العينة، وبالتالي توفير بعض الأدلة على أن سعر العقود الآجلة الألومنيوم أقل من الكفاءة. 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. Forex predictions It is very difficult to predict how the market price of a currency will move in relation to another currency. Currency exchange rates are impacted by such as wide host of factors, including psychological ones and the intrinsic herd-mentality of speculative markets. Sometimes a simple rumor is enough to make a currency sink like a stone, at least temporary. Not only is it difficult to predict how the forex market will react to something, but it is also notoriously difficult to predict how strong that reaction will be, and what any counter-reactions will look like. This can make it hard to trade successfully with leveraged Forex certificates. A temporary reaction in the market can wipe out your position even if you are correct about the long term trend. It can often be better to use financial instrument such as binary options to benefit from trends on the currency market. Binary options give a good return and will not be affected by temporary drops in the market. The only thing that matters is the currency price at the time of maturity. Most Forex brokers do not offer trade with binary options. You will need a binary options broker account if you want to trade with binary options. Examples of factors that can influence the price of a currency in relation to other currencies The overall economic situation of the issuer of the currency. A strong economy will often mean a strong currency as well. Of course, if the currency becomes very highly valued, this can become problematic for export companies, and a problematic economic situation can arise for certain sectors of the country. At the same time, other sectors can be doing great since they profit from the low-cost of imported goods. The commercial balance of the issuer of the currency. A trade-deficiency will normally lead to a weakening of the currency. The political situation for the issuer of the currency. Unrest and instability will typically cause a drop in currency value. A stable political situation that is still not a good political situation can translate into a currency that is low value, but stable. Targeted speculation by one or several major currency traders. Sometimes even a comparatively small purchase or sale can be sufficient to trigger other traders to act in certain ways. It is often difficult to pin-point one specific reason for a currency to be weak or strong, or go up or down, since factors such as these tend to be intertwined with each other. The economic situation Different traders can also have different ideas about what actually constitutes good political and economic situation. There is for instance those who are very focused on Gross Domestic Product (GDP), while others prefer to also look at GDP at purchasing power parity per capita. Other important factors are national debt, retail sales and employmentunemploymentunderemployment statistics. One things that is very likely to cause a dramatic drop in currency value is an issuer that struggles to pay its debts. This will of course make the situation even worse for the issuer, if there are debts that must be paid in foreign currency. Commercial balance In the list above, the issuer8217s commercial balance is mentioned as one of the factors that can impact the market value of a currency. But what is this and how is it measured Commercial balance is the net export measured in local currency. If the issuer8217s (e. g. a country) exports are of a higher monetary value than the imports, the issuer has a positive commercial balance. If the value of the exports is smaller than the value of the imports, the commercial balance is negative. A negative commercial balance is also known as a trade deficit, and will typically bring the valuation of the currency down. Example: Country A exports a lot of high-value consumer goods. The countries that import all these products must pay for them using the currency of Country A. Therefore, the importing countries must purchase a lot of Country A currency at the forex market. The more sought after a currency is, the higher the price. The currency of Country A is therefore highly valued. If Country A had to import a lot of products, that could serve to bring the value of Country A currency down, since Country A would have to exchange a lot of its own currency for foreign currency at the forex market to pay for the imported goods. When Country A wants to sell a lot of its own currency, the availability of Country A currency at the forex market increases, and this impacts the demand-supply balance for Country A currency. It is important to remember that if the issuer is a country where producing goods for export is very important for the economy, the government might not want to see the currency get any stronger. A strong currency would make the exported products more expensive for foreign buyers, and the products might be out-competed by products produced in a country with a weaker currency. This would mean less revenue from exports, and probably also increased unemployment and underemployment as companies close down due to decreased foreign demand for their products. To avoid such a scenario, the government might take various actions in an effort to keep the currency from appreciating against other major currencies, and this is important for you to know if you are an FX trader. It should also be noted that a government might like the idea of having a low-valued currency since that can make domestically produced goods more sought after within the country, as imported goods becomes prohibitively expensive to purchase. Political stability and change When it comes to the forex market, political change can often have a larger impact than the overall political situation especially if we are looking at short-term fluctuations in exchange rates. This means that if something suddenly changes for the better for the issuer of a currency, the currency can appreciate markedly, even though the political situation is still very far from being good. The currency can appreciate in value against the currency of another country where the political situation is actually much better. The traders react to the change . Along the same lines, the valuation of a currency can drop sharply simply because a political situation is going from excellent to just fairly good. It should also be noted that sometimes a currency will appreciate simply as a reaction to the political situation in other countries. The political situation in Country A can be stable, but the currency is still going up like a rocket since the political situation in Country B, C and D is taking a turn for the worse and traders are rushing to own Country A currency. Of course, if Country A and Country B are neighbors or in any other way linked closely to each other, we might see the opposite thing happening. Country A is stable, but its currency is dropping in value anyway because traders fear that the political turmoil in Country B will soon impact Country A in a negative way. One of the reasons why fx traders shun political instability and social unrest is because they fear that investors (e. g. company owners) will pull out of the troublesome country or at the very least avoid making new investments. Such actions can lead to decreased demand for the currency, and traders don8217t want to find themselves stuck holding currency that few buyers want. التعليقات مغلقة. Find what you are looking for Avoid Scams Learn more about FXSVM Based Models for Predicting Foreign Currency Exchange Rates Concepts in SVM Based Models for Predicting Foreign Currency Exchange Rates Bureau de change A bureau de change or currency exchange is a business whose customers exchange one currency for another. Although originally French, the term bureau de change is widely used throughout Europe, and European travellers can usually easily identify these facilities when in other European countries. It is also common to find a sign saying Exchange or Change. Since the adoption of the euro, many exchange offices incorporate its logotype prominently on their signage. more from Wikipedia Foreign exchange market The foreign exchange market (forex, FX, or currency market) is a form of exchange for the global decentralized trading of international currencies. المراكز المالية في جميع أنحاء العالم تعمل كمراسي للتداول بين مجموعة واسعة من أنواع مختلفة من المشترين والبائعين على مدار الساعة، باستثناء عطلة نهاية الأسبوع. ويحدد سوق الصرف الأجنبي القيم النسبية للعملات المختلفة. more from Wikipedia Support vector machine A support vector machine (SVM) is a concept in statistics and computer science for a set of related supervised learning methods that analyze data and recognize patterns, used for classification and regression analysis. The standard SVM takes a set of input data and predicts, for each given input, which of two possible classes forms the input, making the SVM a non-probabilistic binary linear classifier. more from Wikipedia Exchange rate In finance, an exchange rate (also known as the foreign-exchange rate, forex rate or FX rate) between two currencies is the rate at which one currency will be exchanged for another. It is also regarded as the value of one countrys currency in terms of another currency. For example, an interbank exchange rate of 91 Japanese yen (JPY, ) to the United States dollar (US) means that 91 will be exchanged for each US1 or that US1 will be exchanged for each 91. more from Wikipedia Positive-definite kernel In operator theory, a branch of mathematics, a positive definite kernel is a generalization of a positive-definite matrix. more from Wikipedia Forecasting Forecasting is the process of making statements about events whose actual outcomes (typically) have not yet been observed. A commonplace example might be estimation of some variable of interest at some specified future date. Prediction is a similar, but more general term. Both might refer to formal statistical methods employing time series, cross-sectional or longitudinal data, or alternatively to less formal judgemental methods. more from Wikipedia Regularization (mathematics) In mathematics and statistics, particularly in the fields of machine learning and inverse problems, regularization involves introducing additional information in order to solve an ill-posed problem or to prevent overfitting. This information is usually of the form of a penalty for complexity, such as restrictions for smoothness or bounds on the vector space norm. A theoretical justification for regularization is that it attempts to impose Occams razor on the solution. more from Wikipedia Tools and Resources Publisher Site Contact Us Switch to single page view (no tabs) Javascript is not enabled and is required for the tabbed view or switch to the single page view The ACM Digital Library is published by the Association for Computing Machinery. Copyright copy 2017 ACM, Inc. Terms of Usage Privacy Policy Code of Ethics Contact Us Did you know the ACM DL App is now available Did you know your Organization can subscribe to the ACM Digital Library The ACM Guide to Computing Literature