Previsão De Forex Svm

Máquinas de vetores de suporte: aplicativos financeiros listados em ordem de citações por ano, o mais alto no topo. Última atualização em setembro de 2006. PANG, Bo, Lillian LEE e Shivakumar VAITHYANATHAN, 2002. Thumbs up Sentiment Classification using Machine Learning Techniques. Em: EMNLP 02: Procedimentos da Conferência ACL-02 sobre métodos empíricos no processamento de linguagem natural - Volume 10. Páginas 79--86. Citado por 154 (36.66 anos) Resumo: Consideramos o problema de classificar documentos não por tópico, mas por sentimento geral, p. Ex. Determinando se uma revisão é positiva ou negativa. Usando as avaliações de filmes como dados, achamos que as técnicas padrão de aprendizado de máquina superam definitivamente as linhas de base produzidas por humanos. No entanto, os três métodos de aprendizagem de máquinas que utilizamos (Naive Bayes, classificação máxima de entropia e máquinas de vetor de suporte) também não funcionam na classificação de sentimentos como na categorização tradicional baseada em tópicos. Concluímos examinando os fatores que tornam o problema da classificação do sentimento mais desafiador. Descobriu que, usando avaliações de filmes como dados, as técnicas padrão de aprendizado de máquinas superaram definitivamente as linhas de base produzidas por humanos. No entanto, eles também descobriram que os três métodos de aprendizagem de máquinas que eles empregaram (Naive Bayes, classificação máxima de entropia e máquinas de vetor de suporte) também não funcionaram na classificação de sentimentos como na categorização tradicional baseada em tópicos. VAN GESTEL, Tony, et al. . 2001. Previsão de séries temporárias financeiras usando mínimos quadrados Suportam máquinas vetoriais dentro da estrutura de evidências. Transações IEEE em Redes Neurais. Volume 12, Número 4, julho de 2001, páginas 809-821. Citado por 77 (14.82 anos) Resumo: A estrutura de evidências bayesianas é aplicada neste papel à regressão da máquina vetorial de apoio aos mínimos quadrados (LS-SVM) para inferir modelos não-lineares para prever uma série de tempo financeiro e a volatilidade relacionada. No primeiro nível de inferência, uma estrutura estatística está relacionada à formulação LS-SVM, que permite incluir a volatilidade do mercado no mercado por uma escolha apropriada de vários hiper-parâmetros. Os hiper-parâmetros do modelo são inferidos no segundo nível de inferência. Os hiper-parâmetros inferidos, relacionados à volatilidade, são usados ​​para construir um modelo de volatilidade na estrutura de evidências. A comparação do modelo é realizada no terceiro nível de inferência para ajustar automaticamente os parâmetros da função kernel e selecionar as entradas relevantes. A formulação LS-SVM permite derivar expressões analíticas no espaço de recursos e as expressões práticas são obtidas no espaço duplo substituindo o produto interno pela função de kernel relacionada usando o teorema de Mercers. Os desempenhos de previsão de um passo em frente obtidos na previsão da taxa semanal de contagem de T de 90 dias e os preços diários de fechamento da DAX30 mostram que significativas previsões de sinais fora da amostra podem ser feitas com respeito ao teste de Pesaran-Timmerman, que avaliou a estrutura de evidências bayesianas A regressão da máquina vetorial de suporte de mínimos quadrados (LS-SVM) para prever a taxa semanal de conta T de 90 dias e os preços diários de fechamento DAX30. TAY, Francis E. H. e Lijuan CAO, 2001. Aplicação de máquinas de vetor de suporte na previsão de séries temporais financeiras. Omega: The International Journal of Management Science. Volume 29, edição 4, agosto de 2001, páginas 309 a 317. Citado por 67 (12.89 anos) Resumo: Este artigo trata da aplicação de uma nova técnica de rede neural, máquina de vetor de suporte (SVM), na previsão de séries temporais financeiras. O objetivo deste trabalho é examinar a viabilidade da SVM na previsão de séries temporais financeiras comparando-a com uma rede neural de back-propagation (BP) de várias camadas. Cinco contratos de futuros reais que são coletados do Chicago Mercantile Market são usados ​​como conjuntos de dados. O experimento mostra que o SVM supera a rede neural da BP com base nos critérios de erro quadrático médio normalizado (NMSE), erro absoluto médio (MAE), simetria direcional (DS) e simetria direcional ponderada (WDS). Uma vez que não existe uma maneira estruturada de escolher os parâmetros livres de SVMs, a variabilidade no desempenho em relação aos parâmetros livres é investigada neste estudo. A análise dos resultados experimentais provou que é vantajoso aplicar SVMs para prever séries de tempo financeiro. Por sua vez, um SVM superou uma rede neural de back-propagation (BP) de várias camadas em cinco contratos de futuros reais do Chicago Mercantile Market. TAY, Francis E. H. e L. J. CAO, 2002. Máquinas de vetor de suporte modificadas na previsão de séries temporais financeiras. Neurocomputando. Volume 48, Problemas 1-4, outubro de 2002, Páginas 847-861. Citado por 54 (12.86 anos) Resumo: Este artigo propõe uma versão modificada de máquinas de vetores de suporte, chamada máquina vetorial de suporte C, para modelar séries temporais financeiras não estacionárias. As máquinas de vetor de suporte de C-ascentes são obtidas por uma simples modificação da função de risco regularizada em máquinas de vetor de suporte, pelo que os recentes erros insensíveis a 949 são penalizados mais fortemente do que os distantes erros de 949 insensíveis. Este procedimento baseia-se no conhecimento prévio de que, nas séries temporais financeiras não estacionárias, a dependência entre as variáveis ​​de entrada e a variável de saída se altera gradualmente ao longo do tempo, especificamente, os dados do passado recente poderiam fornecer informações mais importantes do que os dados passados ​​distantes. No experimento, as máquinas de vetor de suporte de C-ascentes são testadas usando três futuros reais coletados no Mercado Mercantil de Chicago. Mostra-se que as máquinas vetoriais de suporte do C-ascedentes com os dados de amostra realmente ordenados consistentemente projetam melhor do que as máquinas vetoriais de suporte padrão, com o pior desempenho quando os dados de amostra ordenados de forma inversa são usados. Além disso, as máquinas de vetor de suporte de C-amalgamadores usam menos vetores de suporte do que as das máquinas de vetor de suporte padrão, resultando em uma representação mais dispersa da solução. As máquinas de vetor de suporte C - ascending desenvolvidas, que penalizam erros recentes de 949 insensíveis são mais fortes do que distantes 949 erros insensíveis, e descobriram que eles previam melhor do que os SVMs padrão em três futuros reais coletados no Chicago Mercantile Market. HUANG, Zan, et al. . 2004. Análise de classificação de crédito com máquinas de vetor de suporte e redes neurais: um estudo comparativo de mercado. Sistemas de Suporte à Decisão . Volume 37, Edição 4 (setembro de 2004), Páginas 543-558. Citado por 21 (9.55 anos) Resumo: A análise de rating de crédito corporativo atraiu muitos interesses de pesquisa na literatura. Estudos recentes mostraram que os métodos de Inteligência Artificial (IA) alcançaram melhor desempenho do que os métodos estatísticos tradicionais. Este artigo introduz uma técnica de aprendizado de máquina relativamente nova, máquinas de vetor de suporte (SVM), ao problema na tentativa de fornecer um modelo com melhor poder explicativo. Utilizamos a rede neural de backpropagation (BNN) como referência e obtivemos uma precisão de previsão em torno de 80 para os métodos BNN e SVM para os mercados dos Estados Unidos e Taiwan. No entanto, apenas uma pequena melhoria da SVM foi observada. Outra direção da pesquisa é melhorar a interpretabilidade dos modelos baseados em AI. Nós aplicamos resultados de pesquisa recentes na interpretação do modelo de rede neural e obtivemos importância relativa das variáveis ​​financeiras de entrada dos modelos de rede neural. Com base nesses resultados, realizamos uma análise comparativa do mercado sobre as diferenças de fatores determinantes nos mercados dos Estados Unidos e de Taiwan. Aplicamos as redes neurais e as SVMs de backpropagação para a previsão de classificação de crédito corporativa para os mercados dos Estados Unidos e Taiwan e descobrimos que os resultados eram comparáveis (Ambos eram superiores à regressão logística), com o SVM um pouco melhor. CAO, Lijuan, 2003. Suporte especialistas em máquinas vetoriais para previsão de séries temporais. Neurocomputando. Volume 51, abril de 2003, páginas 321-339. Citado em 29 (9,08 anos) Resumo: Este artigo propõe o uso de especialistas em máquinas de vetor de suporte (SVMs) para a previsão de séries temporais. Os especialistas de SVMs generalizadas possuem uma arquitetura de rede neural de dois estágios. Na primeira etapa, o mapa de recursos auto-organizado (SOM) é usado como um algoritmo de agrupamento para particionar todo o espaço de entrada em várias regiões desarticuladas. Uma arquitetura estruturada em árvore é adotada na partição para evitar o problema de predeterminar o número de regiões particionadas. Então, no segundo estágio, vários SVMs, também chamados de especialistas em SVM, que se encaixam melhor nas regiões particionadas são construídos ao encontrar a função de kernel mais apropriada e os parâmetros livres ótimos de SVMs. Os dados de manchas solares, conjuntos de dados de Santa Fe A, C e D e os dois conjuntos de dados de construção são avaliados no experimento. A simulação mostra que os especialistas da SVMs conseguem uma melhoria significativa no desempenho de generalização em comparação com os modelos de SVMs individuais. Além disso, os especialistas da SVMs também convergem mais rápido e usam menos vetores de suporte. Observou que seu método de especialistas em SVM obteve melhora significativa acima de modelos de SVM únicos quando aplicado ao conjunto de dados de Santa Fé C (taxas de câmbio de alta freqüência entre o franco suíço e o Dólar americano). KIM, Kyoung-jae, 2003. Previsão de séries temporais financeiras usando máquinas de vetor de suporte. Neurocomputando. Volume 55, Problemas 1-2 (setembro de 2003), Páginas 307-319. Citado por 28 (8.76 anos) Resumo: As máquinas de vetor de suporte (SVMs) são métodos promissores para a previsão de séries temporais financeiras porque usam uma função de risco consistente no erro empírico e um termo regularizado que é derivado do princípio de minimização do risco estrutural . Este estudo aplica SVM para prever o índice de preços das ações. Além disso, este estudo examina a viabilidade de aplicar SVM na previsão financeira, comparando-o com redes neurais de retro-propagação e raciocínio baseado em maiúsculas e minúsculas. Os resultados experimentais mostram que o SVM fornece uma alternativa promissora para a previsão do mercado de ações. O resultado foi que os SVMs superaram as redes neurais de retrocessão e o raciocínio baseado em casos quando usados ​​para prever o índice de preços de estoque composto diário da Coreia (KOSPI). SHIN Kyung-Shik, Taik Soo LEE e Hyun-jung KIM, 2005. Uma aplicação de máquinas de vetor de suporte no modelo de previsão de falências. Sistemas experientes com aplicações. Volume 28, edição 1, janeiro de 2005, páginas 127-135. Citado por 8 (6,67 anos) Resumo: Este estudo investiga a eficácia da aplicação de máquinas de vetor de suporte (SVM) para o problema de previsão de falência. Embora seja um fato bem conhecido que a rede neural de retrocessão (BPN) funciona bem nas tarefas de reconhecimento de padrões, o método tem algumas limitações na medida em que é uma arte encontrar uma estrutura de modelo apropriada e uma solução ideal. Além disso, é necessário carregar o conjunto de treinamento possível na rede para pesquisar os pesos da rede. Por outro lado, uma vez que o SVM captura características geométricas do espaço de recursos sem derivar pesos das redes a partir dos dados de treinamento, é capaz de extrair a solução ideal com o pequeno tamanho do conjunto de treinamento. Neste estudo, mostramos que o classificador proposto da abordagem SVM supera o BPN ao problema da previsão de falência corporativa. Os resultados demonstram que a performance de precisão e generalização do SVM é melhor do que a do BPN à medida que o tamanho do conjunto de treinamento diminui. Também examinamos o efeito da variabilidade no desempenho em relação a vários valores de parâmetros na SVM. Além disso, investigamos e resumimos os vários pontos superiores do algoritmo SVM em comparação com o BPN. Demonstrado que os SVMs apresentam melhor desempenho do que as redes neurais de propagação posterior quando aplicados à previsão de falências corporativas. CAO, L. J. e Francis E. H. TAY, 2003. Suporte de máquina de vetores com parâmetros adaptativos na Previsão de séries temporárias financeiras. Transações IEEE em Redes Neurais. Volume 14, edição 6, novembro de 2003, páginas 1506-1518. Citado por 20 (6,25 anos) Resumo: Um novo tipo de máquina de aprendizagem chamada máquina de vetor de suporte (SVM) tem recebido crescente interesse em áreas que vão desde sua aplicação original no reconhecimento de padrões para outras aplicações, como a estimativa de regressão devido ao seu extraordinário desempenho de generalização . Este artigo trata da aplicação da SVM na previsão de séries temporais financeiras. A viabilidade da aplicação de SVM na previsão financeira é examinada pela primeira vez, comparando-a com a rede neural multicamada (BP) e a rede neural de função de base radial regularizada (RBF). A variabilidade no desempenho da SVM em relação aos parâmetros livres é investigada experimentalmente. Os parâmetros adaptativos são então propostos, incorporando a não-estabilidade das séries temporais financeiras na SVM. Cinco contratos de futuros reais agrupados no Chicago Mercantile Market são usados ​​como conjuntos de dados. A simulação mostra que, dentre os três métodos, o SVM supera a rede neural da BP na previsão financeira, e há desempenho de generalização comparável entre SVM e a rede neural RBF regularizada. Além disso, os parâmetros livres de SVM têm um grande efeito sobre o desempenho de generalização. O SVM com parâmetros adaptativos pode atingir um maior desempenho de generalização e usar menos vetores de suporte do que o SVM padrão na previsão financeira. Utilizou um SVM, uma rede neural multicamada (BP) e uma rede neural de função de base radial regular (RBF) para prever Cinco contratos de futuros reais reunidos no mercado mercantil de Chicago. Os resultados mostraram que o SVM e a rede neural RBF regularizada eram comparáveis ​​e ambos superaram a rede neural BP. CAO, Lijuan e Francis E. H. TAY, 2001. Previsão financeira usando máquinas de vetor de suporte. Aplicações de amplificação de computação neural. Volume 10, Número 2 (maio de 2001), Páginas 184-192. Citado em 26 (5.00 anos) Resumo: O uso de máquinas de vetor de suporte (SVMs) é estudado na previsão financeira, comparando-o com um perceptron de várias camadas treinado pelo algoritmo Back Propagation (BP). Os SVMs previam melhor do que a BP com base nos critérios de Erro Normal Médio Médio (NMSE), Míto Absoluto Erro (MAE), Simetria Direcional (DS), Corrigir Up (CP) e Corta Down (CD). O índice de preços diários SampP 500 é usado como o conjunto de dados. Uma vez que não existe uma maneira estruturada de escolher os parâmetros livres de SVMs, o erro de generalização em relação aos parâmetros livres de SVMs é investigado nesta experiência. Conforme ilustrado no experimento, eles têm pouco impacto na solução. A análise dos resultados experimentais demonstra que é vantajoso aplicar SVMs para prever as séries temporais financeiras. Seus SVMs previam o índice de preços diários SampP 500 melhor do que um perceptron de várias camadas treinado pelo algoritmo Back Propagation (BP). MIN, Jae H. e Young-Chan LEE, 2005. Previsão de falência usando a máquina de vetor de suporte com a melhor escolha dos parâmetros da função do kernel. Sistemas experientes com aplicações. Volume 28, Edição 4, maio de 2005, Páginas 603-614. Citado em 6 (5.00 anos) Resumo: A previsão de falências atraiu muitos interesses de pesquisa em literatura anterior, e estudos recentes mostraram que as técnicas de aprendizado de máquinas alcançaram melhor desempenho do que as estatísticas tradicionais. Este artigo aplica máquinas de vetor de suporte (SVMs) ao problema de previsão de falência na tentativa de sugerir um novo modelo com melhor poder explicativo e estabilidade. Para atender a esta finalidade, utilizamos uma técnica de pesquisa de grade usando uma validação cruzada de 5 vezes para descobrir os melhores valores de parâmetro da função kernel do SVM. Além disso, para avaliar a precisão da previsão do SVM, comparamos seu desempenho com os de análise discriminante múltipla (MDA), análise de regressão logística (Logit) e redes neurais de retro-propagação (BPNs) de três camadas totalmente conectadas. Os resultados do experimento mostram que o SVM supera os outros métodos. Por sua vez, quando aplicado à previsão de falências, os SVMs superaram a análise discriminante múltipla (MDA), a análise de regressão logística (Logit) e as redes neurais de back-propagação (BPNs) totalmente conectadas de três camadas. ABRAHAM, Ajith, Ninan Sajith PHILIP e P. SARATCHANDRAN, 2003. Modelando comportamento caótico de índices de estoque usando paradigmas inteligentes. Neural, Parallel amp Scientific Computations. Volume 11, páginas 143-160. Citado por 10 (4,55 anos) Resumo: O uso de sistemas inteligentes para previsões do mercado de ações foi amplamente estabelecido. Neste trabalho, investigamos como o comportamento aparentemente caótico dos mercados de ações poderia ser bem representado usando vários paradigmas de conexão e técnicas de soft computing. Para demonstrar as diferentes técnicas, consideramos o índice Nasdaq-100 da Nasdaq Stock Market SM e o índice de ações do SP CNX NIFTY. Analisamos os valores do índice principal Nasdaq 100 de 7 anos8217 e os valores do índice NIFTY de 4 anos8217. Este artigo investiga o desenvolvimento de uma técnica confiável e eficiente para modelar o comportamento aparentemente caótico dos mercados de ações. Consideramos uma rede neural artificial treinada com o algoritmo Levenberg-Marquardt, o Support Vector Machine (SVM), o modelo neurofuzzy Takagi-Sugeno e a Rede Neural de Aumento de Diferenças (DBNN). Este artigo explica brevemente como os diferentes paradigmas conexionistas poderiam ser formulados usando diferentes métodos de aprendizagem e, em seguida, investiga se eles podem fornecer o nível de desempenho requerido, que são suficientemente bons e robustos, de modo a fornecer um modelo de previsão confiável para os índices do mercado de ações. Os resultados da experiência revelam que todos os paradigmas conexionistas considerados poderiam representar o comportamento dos índices de ações de forma muito precisa. Aplicou quatro técnicas diferentes, uma rede neural artificial treinada usando o algoritmo Levenberg-Marquardt, uma máquina de vetor de suporte, uma rede neuronal dinamizadora e Takagi-Sugeno Sistema de inferência difusa aprendido usando um algoritmo de rede neural (modelo neuro-fuzzy) para a previsão do índice Nasdaq-100 do Nasdaq Stock Market e do índice de ações do SP CNX NIFTY. Nenhuma técnica era claramente superior, mas absurdamente, eles tentam prever o valor absoluto dos índices, em vez de usar retornos de log. YANG, Haiqin, Laiwan CHAN e Irwin KING, 2002. Regressão de máquinas de vetores de suporte para Previsão de mercado de ações volátil. Em: Engenharia Inteligente de Dados e Aprendizagem Automatizada: IDEAL 2002. Editado por Hujun Yin, et al. . Páginas 391--396, Springer. Citado por 19 (4,52 anos) Resumo: Recentemente, a Regressão vetorial de suporte (SVR) foi introduzida para resolver problemas de regressão e predição. Neste artigo, aplicamos SVR para tarefas de previsão financeira. Em particular, os dados financeiros geralmente são barulhentos e o risco associado é variável no tempo. Portanto, nosso modelo SVR é uma extensão do SVR padrão que incorpora adaptação de margens. Variando as margens da SVR, podemos refletir a mudança na volatilidade dos dados financeiros. Além disso, analisamos o efeito das margens assimétricas de modo a permitir a redução do risco de queda. Nossos resultados experimentais mostram que o uso do desvio padrão para calcular uma margem variável dá um bom resultado preditivo na previsão do Índice Seng de Hang. Procurou variar as margens na regressão SVM para refletir a mudança na volatilidade dos dados financeiros e também analisou a Efeito de margens assimétricas de modo a permitir a redução do risco de queda. A primeira abordagem produziu o menor erro total ao prever o preço de fechamento diário do Índice Hang Seng de Hong Kong (HSI). HUANG, W. Y. NAKAMORI e S. Y. WANG, 2005. Previsão de direção do movimento do mercado de ações com máquina de vetor de suporte. Pesquisa de Operações de Computadores. Volume 32, Edição 10, Páginas 2513-2522. (Outubro de 2005) Citado por 5 (4,18 anos) Resumo: A máquina de vetores de suporte (SVM) é um tipo muito específico de algoritmos de aprendizagem caracterizados pelo controle de capacidade da função de decisão, pelo uso das funções do kernel e pela solidez da solução. Neste trabalho, investigamos a previsibilidade da direção do movimento financeiro com SVM, prevendo a direção do movimento semanal do índice NIKKEI 225. Para avaliar a capacidade de previsão da SVM, comparamos seu desempenho com os da Análise Discriminante Linear, da Análise Discriminante Quadratic e das Redes Neurais de Elim Backpropagation. Os resultados da experiência mostram que o SVM supera os outros métodos de classificação. Além disso, propomos um modelo de combinação integrando o SVM com os outros métodos de classificação. O modelo de combinação apresenta o melhor desempenho entre todos os métodos de previsão: a capacidade de SVMs, Análise Discriminante Linear, Quadratic Discriminant Analysis e Elman Backpropagation Neural Networks para prever a direção do movimento semanal do índice NIKKEI 225 e descobriu que o SVM superou todos os outros métodos de classificação . Melhor ainda era uma combinação ponderada dos modelos. TRAFALIS, Theodore B. e Huseyin INCE, 2000. Suporte a máquina de vetores para regressão e aplicações para previsão financeira. In: IJCNN 2000: Procedimentos da Conferência Conjunta Internacional IEEE-INNS-ENNS sobre Redes Neurais: Volume 6 editado por Shun-Ichi Amari, et al. . Página 6348, IEEE Computer Society. Citado por 19 (3.06 anos) Resumo: O objetivo principal deste trabalho é comparar a máquina de vetores de suporte (SVM) desenvolvida pela Vapnik com outras técnicas, como Backpropagation e Radial Basis Function (RBF) Networks para aplicações de previsão financeira. A teoria do algoritmo SVM é baseada na teoria da aprendizagem estatística. O treinamento de SVMs leva a um problema de programação quadrática (QP). Os resultados computacionais preliminares para a previsão do preço das ações também são apresentados como SVMs com redes de Backpropagation e Ralph Funis Radial, ao prever os preços diários das ações da IBM, Yahoo e America Online. Estranhamente, usando o SVM para regressão, eles realizaram um conjunto de validação, definiram epsilon para zero, corrigiram C e repetiram o experimento para várias configurações fixas do parâmetro kernel, sigma, dando origem a vários resultados. CAO, Lijuan e Qingming GU, 2002. Máquinas de vetor de suporte dinâmico para previsão de séries temporais não estacionárias. Análise inteligente de dados. Volume 6, Número 1, Páginas 67-83. Citado por 12 (2.86 anos) Resumo: Este artigo propõe uma versão modificada de máquinas de vetor de suporte (SVMs), chamadas máquinas de vetor de suporte dinâmico (DSVMs), para modelar séries temporais não estacionárias. Os DSVMs são obtidos incorporando o conhecimento do domínio do problema - não-estacionariedade das séries temporais em SVMs. Ao contrário dos SVM padrão que utilizam valores fixos da constante de regularização e do tamanho do tubo em todos os pontos de dados de treinamento, os DSVMs usam uma constante de regularização exponencialmente crescente e um tamanho de tubo exponencialmente decrescente para lidar com mudanças estruturais nos dados. A constante de regularização dinâmica e o tamanho do tubo são baseados no conhecimento prévio de que, nos pontos de dados recentes da série temporária não estacionária, poderia fornecer informações mais importantes do que pontos de dados distantes. No experimento, os DSVMs são avaliados usando conjuntos de dados simulados e reais. A simulação mostra que os DSVMs generalizam melhor que os SVMs padrão na previsão de séries temporais não estacionárias. Outra vantagem desta modificação é que os DSVMs usam menos vetores de suporte, resultando em uma representação mais dispersa da solução. Incorporar o conhecimento prévio de que as séries temporais financeiras não são estacionárias em suas máquinas de vetor de suporte dinâmico (DSVMs) e usar uma constante de regularização exponencialmente crescente e Um tamanho de tubo exponencialmente decrescente para lidar com mudanças estruturais nos dados sob o pressuposto de que pontos de dados recentes poderiam fornecer informações mais importantes do que pontos de dados distantes. Eles concluem que os DSVMs generalizam melhor do que SVMs padrão na previsão de séries temporais não estacionárias, enquanto eles também usam menos vetores de suporte, resultando em uma representação mais dispersa da solução. TAY, Francis E. H. e L. J. CAO, 2002. 949-Descending Support Vector Machines para a Previsão de séries temporárias financeiras. Letras de Processamento Neural 15 (2): 179-195. Citado por 11 (2.62 anos) Resumo: Este artigo propõe uma versão modificada de máquinas de vetor de suporte (SVMs), denominadas máquinas de vetor de suporte descendente 949 (949-DSVMs), para modelar séries temporais financeiras não estacionárias. Os 949-DSVMs são obtidos incorporando o conhecimento do domínio do problema 8211 não-estacionária de séries temporais financeiras em SVMs. Ao contrário dos SVM padrão que usam um tubo constante em todos os pontos de dados de treinamento, os 949-DSVMs usam um tubo adaptativo para lidar com as mudanças de estrutura nos dados. O experimento mostra que os 949-DSVMs generalizam melhor do que os SVM padrão na previsão Séries temporais financeiras não estacionárias. Outra vantagem desta modificação é que os 949-DSVMs convergem para menos vetores de suporte, resultando em uma representação mais dispersa da solução. Incorporou o conhecimento do domínio do problema de não-estacionaridade de séries temporais financeiras em SVMs usando um tubo adaptativo em seus chamados Máquinas vetoriais de suporte descendentes de epsilon (epsilon-DSVMs). A experiência mostrou que o epsilon-DSVMs generaliza melhor do que os SVMs padrão na previsão de séries temporárias financeiras não estacionárias e também convergem para menos vetores de suporte, resultando em uma representação mais dispersa da solução. DEBNATH, Sandip e C. Lee GILES, 2005. Um modelo baseado em aprendizagem para a extração de tópicos de artigos de notícias para encontrar frases explicativas para eventos. Em: K-CAP 821705: Procedimentos da 3ª conferência internacional sobre captura de conhecimento. Páginas 189-190. Citado por 2 (1.67 anos) Resumo: A informação de metadados desempenha um papel crucial no aumento da eficiência e arquivabilidade da organização de documentos. Os metadados de notícias incluem DateLine. ByLine. HeadLine e muitos outros. Descobrimos que a informação da HeadLine é útil para adivinhar o tema do artigo de notícias. Particularmente para artigos de notícias financeiras, descobrimos que o HeadLine pode, portanto, ser especialmente útil para localizar frases explicativas para eventos importantes, como alterações significativas nos preços das ações. Neste artigo, exploramos uma abordagem de aprendizado baseada em vetor de suporte para extrair automaticamente os metadados HeadLine. Achamos que a precisão da classificação de encontrar o HeadLine s melhora se DataLine s for identificada primeiro. Usamos o HeadLine extraído para iniciar um padrão de correspondência de palavras-chave para encontrar as frases responsáveis ​​pelo tema da história. Usando este tema e um modelo de linguagem simples, é possível localizar quaisquer frases explicativas para qualquer mudança de preço significativa. Foi uma nova abordagem para extrair metadados de notícias HeadLines usando SVMs e usá-los para encontrar temas de história para obter uma explicação baseada em frases para um estoque mudança de preço. Van GESTEL, Tony, et al. . 2003. Uma abordagem de máquina de vetor de suporte para pontuação de crédito. Bank en Financiewezen. Volume 2, março, páginas 73-82. Citado por 5 (1,56 anos) Resumo: Impulsionado pela necessidade de alocar capital de forma rentável e pelos regulamentos recentemente propostos de Basileia II, as instituições financeiras estão sendo cada vez mais obrigadas a construir modelos de pontuação de crédito avaliando o risco de inadimplência de seus clientes . Muitas técnicas foram sugeridas para enfrentar esse problema. O Support Vector Machines (SVMs) é uma nova técnica promissora que emanou recentemente de diferentes domínios, como estatísticas aplicadas, redes neurais e aprendizado automático. Neste trabalho, experimentamos com as máquinas vetoriais de suporte de mínimos quadrados (LS-SVMs), uma versão recentemente modificada de SVMs e relatamos resultados significativamente melhores em contraste com técnicas classificadas, quatro Metodologias, mínimos ordinários (OLS), Ordinal Logistic Regression ( OLR), o Mulcepayer Multileayer (MLP) e os mínimos quadrados suportam máquinas vetoriais (LS-SVMs) quando aplicados a pontuação de crédito. A metodologia SVM produziu resultados significativamente e consistentemente melhores do que os métodos clássicos de classificação linear. FAN, Alan e Marimuthu PALANISWAMI, 2000. Selecionando Preditores de falência usando uma abordagem de máquina de vetor de suporte. IJCNN 2000: Procedimentos da Conferência Conjunta Internacional IEEE-INNS-ENNS sobre Redes Neurais, Volume 6. Editado por Shun-Ichi Amari et al. . Página 6354. Citado por 9 (1.45 anos) Resumo: A abordagem da Rede Convencional de Neural foi encontrada útil na previsão de angústia corporativa das demonstrações financeiras. Neste artigo, adotamos uma abordagem da Support Vector Machine para o problema. Uma nova maneira de selecionar preditores de falência é mostrada, usando o critério Euclidiano baseado na distância calculado dentro do kernel SVM. Um estudo comparativo é fornecido usando três modelos clássicos de sofrimento corporativo e um modelo alternativo baseado na abordagem SVM. Use SVMs para selecionar preditores de falência e forneça um estudo comparativo. TAY, Francis Eng Hock e Li Juan CAO, 2001. Previsão de série de tempo financeira melhorada, combinando máquinas de vetor de suporte com mapa de recursos auto-organizado. Análise inteligente de dados. Volume 5, Número 4, Páginas 339-354. Citado por 7 (1.35 anos) Resumo: Uma arquitetura de rede neural de dois estágios construída pela combinação de máquinas de vetor de suporte (SVMs) com mapa de recursos auto-organizado (SOM) é proposta para a previsão de séries temporais financeiras. Na primeira etapa, o SOM é usado como um algoritmo de cluster para particionar todo o espaço de entrada em várias regiões disjuntas. Uma arquitetura estruturada em árvore é adotada na partição para evitar o problema de predeterminar o número de regiões particionadas. Então, no segundo estágio, vários SVMs, também chamados de especialistas em SVM, que melhor se adaptem a cada região particionada são construídos ao encontrar a função de kernel mais apropriada e os parâmetros de aprendizagem ótimos dos SVMs. A taxa de câmbio de Santa Fe e cinco contratos de futuros reais são utilizados no experimento. Mostra-se que o método proposto atinge um desempenho de previsão significativamente maior e uma velocidade de convergência mais rápida, em comparação com um único SVM modelado com SVMs com um mapa de recursos auto-organizado (SOM) e testou o modelo na taxa de câmbio de Santa Fe e cinco contratos de futuros reais . Eles mostraram que seu método proposto atinge desempenho de previsão significativamente maior e velocidade de convergência mais rápida em comparação com um único modelo de SVM. SANSOM, D. C. T. DOWNS e T. K. SAHA, 2003. Avaliação da ferramenta de previsão baseada em máquina de vetor de suporte na previsão de preços da eletricidade para os participantes no mercado nacional de energia elétrica da Austrália. Journal of Electrical Electronics Engineering, Austrália. Vol 22, No. 3, Páginas 227-234. Citado por 5 (1.19 anos) Resumo: Neste artigo apresentamos uma análise dos resultados de um estudo sobre a previsão de preços de eletricidade por atacado (spot) utilizando Redes Neurais (NNs) e Máquinas de Vector de Suporte (SVM). As mudanças regulatórias freqüentes nos mercados de eletricidade e as estratégias de preços (bidding) dos participantes do mercado que evoluem rapidamente provocam uma reciclagem eficiente para garantir a precisão dos modelos de previsão de preços da eletricidade. 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. Espero que tenha gostado deste artigo. o)Trading with Support Vector Machines (SVM) Finally all the stars have aligned and I can confidently devote some time for back-testing of new trading systems, and Support Vector Machines (SVM) are the new toy which is going to keep me busy for a while. SVMs are a well-known tool from the area of supervised Machine Learning. and they are used both for classification and regression. For more details refer to the literature. It seems to me that the most intuitive application for trading is regression, so lets start by building an SVM regression model. Following our experience with ARMAGARCH models, we will start by trying to forecast returns, instead of prices. Likewise, in our first tests, we will use only the returns of the previous 5 days as the features determining the return of a particular day. We will start with history of 500 days as the training set. In more mathematical terms, for the training set we have N features, for each of them we have M samples. We also have M responses. Given a row of feature values, the left matrix, the SVM is trained to produce the response value. In our specific example, we have five columns (features), each column corresponding to the returns with a different lag (from 1 to 5). We have 500 samples and the corresponding responses. Once the SVM is trained on this set, we can start feeding it with sets of five features, corresponding to the returns for the five previous days, and the SVM will provide us with the response, which is the forecasted return. For example, after training the SVM on the previous 500 days, we will use the returns for days 500, 499, 498, 497 and 496 (these are ours as the input to obtain the forecasted return for day 501. From all the packages available in R, I decided to choose the e1071 package. A close second choice was the kernlab package, which I am still planning to try in the future. Then I tried a few strategies. First I tried something very similar to the ARMAGARCH approach the lagged returns from the five previous days. I was quite surprised to see this strategy performing better than the ARMAGARCH (this is the home land of the ARMAGARCH and I would have been quite happy just with comparable performance) Next, I tried to the same five features, but trying to select the best subset. The selection was done using a greedy approach, starting with 0 features, and interactively adding the feature which minimizes the error best. This approach improved things further. Finally, I tried a different approach wi th about a dozen features. The features included returns over different period of time (1-day, 2-day, 5-day, etc), some statistics (mean, median, sd, etc) and volume. I used the same greedy approach to select features. This final system showed a very good performance as well, but it took a hell of a time to run. Time to end this post, the back-testing results have to wait. Until then you can play with the full source code yourself. Here is an example of using it: