Support Vector Machines Finanzanwendungen

Support Vector Machines: Finanz Anwendungen Aufgeführt in der Reihenfolge der Zitate pro Jahr, höchste an der Spitze. Zuletzt aktualisiert September 2006. PANG, Bo, Lillian Lee und Shivakumar VAITHYANATHAN 2002 Thumbs up? Sentiment Klassifizierung mit den Techniken des maschinellen Lernens. In: EMNLP '02: Proceedings der ACL-02 Conference on Empirical Methods in Natural Language Processing - Volume 10. Seiten 79--86. (36,66 / Jahr) [um 154 Zitiert] Abstract:. "Wir betrachten das Problem der Klassifizierung von Dokumenten nicht vom Thema, aber durch die Gesamtstimmung, zB Feststellung, ob eine Überprüfung positiv oder negativ Mit Filmkritiken als Daten, finden wir, dass Standard-Techniken des maschinellen Lernens endgültig outperform Menschen erzeugtes Basislinien jedoch. Die drei Methoden des maschinellen Lernens wir beschäftigt (Naive Bayes, Maximum-Entropie-Klassifizierung und Support Vector Machines) nicht so gut auf die Stimmung Einstufung als auf traditionellen themenbasierte Kategorisierung. Wir schließen daraus, durch die Untersuchung Faktoren, die die Stimmung Klassifikationsproblem schwieriger machen . " festgestellt, dass unter Verwendung von Filmkritiken als Daten, Standard-Techniken des maschinellen Lernens definitiv besser als vom Menschen erzeugtes Basislinien. Sie können aber auch festgestellt, dass die drei Methoden des maschinellen Lernens sie beschäftigt (Naive Bayes, Maximum-Entropie-Klassifizierung und Support Vector Machines) nicht so gut auf die Stimmung Einstufung als auf traditionellen themenbasierte Kategorisierung. Abstract: ". Der Bayes-Evidenzschema wird in dieser Arbeit angewendet, um der kleinsten Quadrate Support Vector Machine (LS-SVM) Regression, um nichtlineare Modelle zur Vorhersage einer Finanzzeitreihen und die damit verbundene Volatilität schließen Auf der ersten Ebene der Folgerung, eine statistische Rahmen ist mit dem LS-SVM-Formulierung, die eine um die zeitlich variierende Schwankungen des Marktes durch eine geeignete Wahl der verschiedenen Hyperparameter umfassen können verwandt. Die hyper-Parameter des Modells sind in der zweiten Ebene der Folgerung abgeleitet. Die abgeleitete hyper-Parameter, auf die Volatilität im Zusammenhang, werden verwendet, um eine Volatilitätsmodell innerhalb der Beweise Rahmen zu konstruieren. Modellvergleich ist auf der dritten Ebene der Inferenz, um automatisch Abstimmung der Parameter der Kernel-Funktion und die entsprechenden Eingänge wählen durchgeführt. Die LS-SVM-Formulierung erlaubt es, analytische Ausdrücke in dem Merkmalsraum abzuleiten und praktische Ausdrücke werden im dualen Raum Ersetzen des inneren Produkts von dem verbundenen Kernelfunktion mit Mercer Theorems erhalten. Die einen Schritt voraus Vorhersage Aufführungen auf der Vorhersage der wöchentlichen 90-Tage-T-Bill-Rate und die täglichen Schlusskurse DAX30 gewonnen zeigen, dass signifikante von Proben Zeichen Vorhersagen in Bezug auf die Pesaran-Timmerman Teststatistik gemacht werden " wandte die Bayesian Beweise Rahmen zur kleinsten Quadrate Support Vector Machine (LS-SVM) Regression auf die wöchentliche 90-Tage-T-Bill-Rate und die täglichen DAX30 Schlusskurse vorherzusagen. TAY, Francis EH und Lijuan CAO 2001. Anwendung von Support-Vektor-Maschinen in der Finanzzeitreihen Vorhersage. Omega: Das International Journal of Management Science. Band 29, Heft 4, August 2001, Seiten 309-317. (12.89 / Jahr) [67 Zitiert] Abstract:. "Diese Arbeit beschäftigt sich mit der Anwendung eines neuartigen neuronalen Netzwerk-Technik, Support Vector Machine (SVM), in Finanzzeitreihen Vorhersage Das Ziel dieser Arbeit ist es, die Machbarkeit der SVM in Finanzzeitreihen Prognose durch den Vergleich mit zu untersuchen ein Mehrschichtrückausbreitung (BP) neuronales Netz. Fünf echte Terminkontrakte, die von der Chicago Mercantile Markt zusammengetragen werden, werden als Datensätze verwendet wird. Das Experiment zeigt, dass SVM übertrifft die BP neuronale Netz auf der Grundlage der Kriterien der normalisierten mittleren quadratischen Fehler (NMSE), mittlere absolute Fehler (MAE), Richtungs Symmetrie (DS) und der gewichtete Richtungs Symmetrie (WDS). Da es keinen strukturierten Art und Weise, um die freien Parameter der SVMs zu wählen, die Variabilität in der Leistung in Bezug auf die freie Parameter wird die in dieser Studie untersucht. Die Analyse der experimentellen Ergebnisse gezeigt, daß es vorteilhaft ist, SVM sind für Geschäftszeitreihe prognostiziert. " gestellt, dass ein SVM besser als eine Mehrschichtrückausbreitung (BP) neuronales Netzwerk auf fünf echte Terminkontrakte von der Chicago Mercantile Market. Abstract: ". Dieses Papier schlägt eine modifizierte Version der Support-Vektor-Maschinen, die so genannte C - ascending Support Vektor Maschine, auf nicht-stationäre Finanzzeitreihenmodell Die C - ascending Support Vektor Maschinen zeichnen sich durch eine einfache Modifikation der regularisiert Risikofunktion in erhalten Support-Vektor-Maschinen, wobei die letzten ε unempfindlichen Fehler werden stärker als die fernen ε unempfindlichen Fehler bestraft. Dieses Verfahren basiert auf dem Stand der Erkenntnis, dass in der nicht-stationären Finanzzeitreihen die Abhängigkeiten zwischen den Eingangsgrößen und Ausgangsgröße ändert sich allmählich auf der Grundlage im Laufe der Zeit, insbesondere die jüngeren Vergangenheit Daten könnten bieten mehr wichtige Informationen über die ferne Vergangenheit Daten. In dem Experiment werden C - ascending Support-Vektor-Maschinen mit drei echten Futures von der Chicago Mercantile Markt gesammelt getestet. Es wird gezeigt, dass die C - ascending Support-Vektor-Maschinen mit den tatsächlich bestellten Beispieldaten durchweg besser als die Standard-Support Vector Machines Prognose, mit der schlechtesten Leistung, wenn die in umgekehrter Richtung bestellt Beispieldaten verwendet werden. Darüber hinaus sind die C - ascending Support Vector Machines verwenden weniger Support-Vektoren sind als die der Standard-Support Vector Machines, was zu einer spärlicher Darstellung der Lösung. " entwickelten `` C - ascending '' Support-Vektor-Maschinen, die letzten ε unempfindlichen Fehler zu bestrafen sind schwerer als ferne ε unempfindlichen Fehler, und festgestellt, dass sie voraussichtlich besser als Standard-SVMs auf drei echte Futures von der Chicago Mercantile Markt gesammelt. Abstract:.. "Corporate Bonität Analyse hat viele Forschungsinteressen in der Literatur angezogen Jüngste Studien haben gezeigt, dass künstliche Intelligenz (AI) Verfahren erreicht eine bessere Leistung als herkömmliche statistische Methoden Dieser Artikel stellt eine relativ neue Maschine Lerntechnik, Support Vector Machines ( SVM), um das Problem in den Versuch, ein Modell mit besseren Aussagekraft zu schaffen. Wir verwendeten Backpropagation neuronales Netz (BNN) als Benchmark und Vorhersagegenauigkeit für beide BNN und SVM Methoden für die Vereinigten Staaten und Taiwan Märkte erhalten rund 80%. Allerdings , nur eine geringe Verbesserung der SVM beobachtet. Eine andere Richtung der Forschung ist es, die Interpretierbarkeit der AI-basierte Modelle zu verbessern. angewendet Wir jüngsten Forschungsergebnisse in neuronale Netzwerkmodell Interpretation und erhalten relativen Bedeutung der Eingabe finanziellen Variablen aus den neuronalen Netzwerkmodelle . Basierend auf diesen Ergebnissen haben wir eine Markt vergleichende Analyse über die Unterschiede der bestimmenden Faktoren in den Vereinigten Staaten und Taiwan Märkte. " Angewandte Backpropagation neuronale Netze und SVMs um Unternehmensrating Vorhersage für die Vereinigten Staaten und Taiwan Märkte und festgestellt, dass die Ergebnisse waren vergleichbar (beide überlegen waren logistische Regression), mit dem SVM etwas besser. Abstract: "Dieses Papier schlägt mit Hilfe der Support Vector Machines (SVM) Experten für Zeitreihenprognosen Die generali SVMs Experten verfügen über einen zweistufigen neuronalen Netzwerk-Architektur In der ersten Stufe wird selbstorganisierenden Merkmalskarte (SOM) als verwendet.. Cluster-Algorithmus, um die ganze Eingangsraum in mehrere unzusammenhängenden Bereichen partitionieren. Eine Baumstruktur-Architektur ist in der Trennwand angenommen, um das Problem der Vorbestimmung der Anzahl der partitionierten Regionen. Dann wird in der zweiten Stufe, mehreren SVM, die auch als SVM Experten zu vermeiden, , die am besten verteilt Bereiche von der Suche nach den am besten geeigneten Kernel-Funktion und die optimalen freien Parameter SVMs aufgebaut. Die Sonnenflecken-Daten, Santa Fe Datensätze A, C und D und die beiden Gebäude Datensätze werden im Experiment untersucht. Die Simulation zeigt, dass die SVM-Experten erreichen signifikante Verbesserung in der Verallgemeinerung Performance im Vergleich zu den einzelnen SVM-Modelle. Darüber hinaus auch konvergieren die SVMs Experten schneller und verbrauchen weniger Support-Vektoren ". zeigte, dass ihre Methode der `` SVM-Experten '' erzielt deutliche Verbesserung über Einzel SVMs Modelle bei den Santa Fe Datensatz C (Hochfrequenz-Wechselkurse zwischen dem Schweizer Franken und dem US-Dollar) apllied. Abstract:. "Support Vector Machines (SVM) sind vielversprechende Methoden zur Vorhersage von Finanzzeitreihen, weil sie eine Risikofunktion, bestehend aus der empirischen Fehler und gesetzlich geregelte Begriff, der aus der strukturellen Risikominimierungsprinzip ableitet verwenden Diese Studie gilt SVM zu Vorhersage der Aktienindex. Darüber hinaus untersucht diese Studie die Durchführbarkeit der Anwendung SVM in finanzielle Prognosen durch den Vergleich mit Backpropagation-neuronale Netze und Case-Based Reasoning. zeigen Die experimentellen Ergebnisse, dass SVM stellt eine vielversprechende Alternative zu Aktienmarkt Vorhersage. " festgestellt, dass SVMs übertraf Backpropagation-neuronale Netze und Case-Based Reasoning, wenn verwendet, um den täglichen Korea Composite-Aktienindex (KOSPI) prognostiziert. SHIN Kyung-Shik, Taik Soo LEE und Hyun-Jung Kim, 2005. Ein Antrag von Support Vector Machines in Konkurs Vorhersagemodell. Expertensysteme mit Anwendungen. Band 28, Ausgabe 1, Januar 2005, Seiten 127-135. (6,67 / Jahr) [8 Zitiert] Abstract:. "Diese Studie untersucht die Wirksamkeit der Anwendung von Support Vector Machines (SVM) zur Konkursprognoseproblem Obwohl es eine bekannte Tatsache, dass die Rückausbreitung neuronales Netz (BPN) führt auch in Mustererkennungsaufgaben hat das Verfahren einige beschränkt, da es sich um eine Technik, um eine geeignete Modellstruktur und eine optimale Lösung zu finden. Außerdem geladen, da viele der Ausbildung wie möglich eingestellt, in dem Netzwerk benötigt wird, um die Gewichte des Netzwerks zu suchen. Auf der anderen Seite, da SVM einfängt geometrischen Merkmale der Merkmalsraum ohne daraus Gewichte von Netzwerken aus den Trainingsdaten ist es, die das Auslesen die optimale Lösung mit dem kleinen Trainingssatz Größe. In dieser Studie zeigen wir, dass das vorgeschlagene Klassifikator der SVM-Ansatz übertrifft BPN auf das Problem der Unternehmensinsolvenz Prognose. Die Ergebnisse zeigen, daß die Genauigkeit und Generalisierungsleistung SVM ist besser als die von BPN, wie der Trainingssatz eine Größe kleiner. Untersuchen wir auch die Wirkung von Schwankungen in der Leistung in Bezug auf verschiedene Werte von Parametern in SVM. Darüber hinaus forschen wir nach und fassen die mehrere überlegene Punkte des SVM-Algorithmus im Vergleich zu BPN. " gezeigt, dass SVMs besser als Back-Propagation neuronale Netze, wenn die Unternehmensinsolvenzvorhersage angewendet. Abstract: ". Eine neue Art des Lernens Maschine namens Support Vector Machine (SVM) erhalten hat zunehmendes Interesse an Bereichen, die von der ursprünglichen Anwendung bei der Mustererkennung, um andere Anwendungen wie Regressionsschätzung wegen seiner bemerkenswerten Generalisierungsleistung Diese Arbeit beschäftigt sich mit der Anwendung der SVM in Finanzzeitreihen Prognosen. Die mögliche Anwendung der SVM in finanzielle Prognosen wird zunächst durch einen Vergleich mit der Mehrschichtrückausbreitung (BP) neuronales Netz und die regularisiert radiale Basisfunktion (RBF) neuronales Netz untersucht. Die Variabilität in der Leistung der SVM in Bezug auf die freie Parameter wird experimentell durch die Einbeziehung der Nichtstationarität von Finanzzeitreihen in die SVM untersucht. Adaptive Parameter werden dann vorgeschlagen. Fünf echte Terminkontrakte von der Chicago Mercantile Markt zusammengetragen werden als Datensätze verwendet. Die Simulation zeigt, dass unter Die drei Methoden, übertrifft die SVM BP neuronale Netz in Finanzplanung, und es gibt vergleichbare Generalisierungsleistung zwischen SVM und geregelte RBF-Netz. Darüber hinaus sind die freien Parameter des SVM haben eine große Wirkung auf die Verallgemeinerung Leistung. SVM mit adaptiver Parameter können sowohl erzielen höhere Generalisierungsleistung und verwenden Sie weniger Support-Vektoren als die Standard-SVM in finanzielle Prognosen. " verwendet eine SVM, eine Mehrschichtrückausbreitung (BP) neuronales Netz und eine geregelte Radialbasisfunktion (RBF) neuronales Netz zu fünf realen Terminkontrakte von der Chicago Mercantile Markt zusammengetragen vorherzusagen. Die Ergebnisse zeigten, dass der SVM und die regularisiert RBF neuronalen Netzwerks waren vergleichbar und beide besser als der BP neuronales Netz. CAO, Lijuan und Francis EH TAY 2001. Finanzprognose mithilfe Support Vector Machines. Neural Computing-Anwendungen. Volume 10, Number 2 (Mai 2001), Seiten 184-192. (5.00 / Jahr) [26 Zitiert] Abstract:. "Der Einsatz von Support Vector Machines (SVM) in finanzielle Prognosen durch den Vergleich mit einem mehrschichtigen Perzeptron von dem Back-Propagation (BP) Algorithmus trainiert studierte SVMs Prognose besser als BP auf der Grundlage der Kriterien der Normalised Mean Square Fehler (NMSE), mittlere absolute Fehler (MAE), Directional Symmetry (DS), Correct Up (CP) Trend - und Korrigieren Down (CD) Trend. SP 500 Tagespreis Index wird verwendet, da die Daten gesetzt. Da es keinen strukturierten Weg, um wählen die freien Parameter der SVM, die Verallgemeinerung Fehler in Bezug auf die freien Parameter der SVM in diesem Experiment untersucht. Wie im Experiment veranschaulicht, wenig Einfluss auf die Lösung, haben sie. Die Auswertung der Versuchsergebnisse zeigt, daß es vorteilhaft ist, anzuwenden SVMs um den Finanzzeitreihen vorherzusagen. " festgestellt, dass SVMs Prognose der SP 500 täglichen Preisindex besser als ein Multi-Layer Perceptron von dem Back-Propagation (BP) Algorithmus trainiert. Abstract:. "Bankruptcy Vorhersage hat eine Menge Forschungsinteressen im bisherigen Literatur gezogen wird, und neuere Studien haben gezeigt, dass erreicht Techniken des maschinellen Lernens eine bessere Leistung als herkömmliche statistische diejenigen gezeigt Dieses Papier bezieht Support Vector Machines (SVM) an die Konkursprognoseproblem in einem Versuch um ein neues Modell mit einer besseren Aussagekraft und Stabilität vor. Zu diesem Zweck dienen, verwenden wir ein Raster-Suchtechnik unter Verwendung von 5-fach Kreuzvalidierung, um herauszufinden, die optimalen Parameterwerte der Kernfunktion des SVM. Darüber hinaus, um das zu beurteilen Vorhersagegenauigkeit SVM vergleichen wir die Leistung mit denen der Mehrfach Diskriminanzanalyse (MDA), logistische Regressionsanalyse (Logit) und Dreischicht-Back-Propagation Neural Networks (BPNs) vollständig verbunden sind. Die Versuchsergebnisse zeigen, dass SVM die andere übertrifft Methoden. " festgestellt, dass, wenn Konkurs Vorhersage angewendet übertraf SVMs multiple Diskriminanzanalyse (MDA), logistische Regressionsanalyse (Logit) und Drei-Schicht vollständig angeschlossen Backpropagation-neuronale Netze (BPNs). ABRAHAM, Ajith, Ninan Sajith PHILIP und P. SARATCHANDRAN 2003 Modellierung chaotisches Verhalten der Aktienindizes durch intelligente Paradigmen. Neural, Parallel Wissenschaftliche Berechnungen. Band 11, Seiten 143 bis 160. (4,55 / Jahr) [10 Zitiert] Abstract:.. "Der Einsatz von intelligenten Systemen für Börsenvorhersagen wurde allgemein festgestellt In diesem Papier untersuchen wir, wie die scheinbar chaotischen Verhalten der Aktienmärkte könnte auch mit mehreren connectionist Paradigmen und Soft-Computing-Techniken dargestellt werden, um die verschiedenen Techniken zu demonstrieren, betrachteten wir Nasdaq-100-Index der Nasdaq Stock Market SM und der S & P CNX NIFTY Aktienindex. Wir analysierten 7 Jahre Nasdaq-100-Hauptindexwerte und 4 Jahre NIFTY Index-Werte. In diesem Beitrag wird die Entwicklung eines zuverlässigen und effizienten Technik, um die scheinbar zu modellieren chaotisches Verhalten der Aktienmärkte. Wir haben überlegt mit Levenberg-Marquardt-Algorithmus ein künstliches neuronales Netz trainiert, Support Vector Machine (SVM), Takagi-Sugeno Neurofuzzy-Modell und ein Unterschied Steigerung der Neural Network (DBnn). Dieses Papier wird kurz erklärt, wie die verschiedenen connectionist Paradigmen konnte unter Verwendung verschiedener Lernmethoden formuliert werden und dann untersucht, ob sie das erforderliche Leistungsniveau, das ausreichend gut und robust sind vorzusehen, um ein zuverlässiges Prognosemodell für die Aktienindizes zur Verfügung zu stellen. Versuchsergebnisse zeigen, dass alle connectionist Paradigmen betrachtet könnte die Aktienindizes Verhalten sehr genau zu repräsentieren. " angewendet vier verschiedene Techniken unter Verwendung des Levenberg-Marquardt-Algorithmus, einer Support-Vektor-Maschine, eine Differenzverstärkungs neuronales Netzwerk und eine Takagi-Sugeno-Fuzzy-Inferenz-System ein künstliches neuronales Netz trainiert gelernt unter Verwendung eines neuronalen Netzwerkalgorithmus (Neuro-Fuzzy-Modell) zur Vorhersage der Nasdaq-100 Index Nasdaq Market_ ​​und der S & P CNX NIFTY Aktienindex. Niemand Technik war deutlich überlegen, aber absurd, versuchen sie, den absoluten Wert der Indizes, anstatt den Einsatz log Renditen vorherzusagen. YANG, Haiqin, Laiwan CHAN und Irwin KING, 2002. Support Vector Machine Regression für Volatile Stock Market Prediction. In: Intelligente Datentechnik und Automated Learning: IDEAL 2002. von Hujun Yin et al bearbeitet. . Seiten 391--396, Springer. (4.52 / Jahr) [19 Zitiert] Abstract: "Vor kurzem, Support Vector Regression (SVR) wurde eingeführt, um Regression und Vorhersage Probleme zu lösen In dieser Arbeit wenden wir SVR auf Finanzvorhersageaufgaben Insbesondere sind die Finanzdaten in der Regel laut und das damit verbundene Risiko ist zeitlich veränderlichen.. . Daher ist unsere SVR-Modell eine Erweiterung des Standard-SVR die Margenanpassung enthält. Durch Variation der Ränder des SVR, wir die Änderung der Volatilität der Finanzdaten widerspiegeln könnte. Darüber hinaus haben wir den Effekt der asymmetrischen Margen so analysiert um die Verringerung der Verlustrisiko zu ermöglichen. Unsere experimentellen Ergebnisse zeigen, dass die Verwendung der Standardabweichung, um eine variable Marge zu berechnen gibt einen guten Vorhersageergebnis in der Vorhersage der Hang Seng Index. " tryed Variation der Margen im SVM Regression, um die Veränderung der Volatilität der Finanzdaten zu reflektieren und analysiert die Wirkung der asymmetrischen Margen, so dass für die Reduzierung der Verlustrisiko ermöglichen. Der frühere Ansatz erzeugt die niedrigsten Gesamtfehler bei der Vorhersage der Tagesschlusskurs der Hongkonger Hang Seng Index (HSI). Huang, W. Y. Nakamori und S. Y. WANG 2005 Forecasting Börsenbewegungsrichtung mit Support-Vektor-Maschine. Computer und Operations Research. Volume 32, Issue 10, Seiten 2513-2522. (Oktober 2005) (4.18 / Jahr) [von 5 Zitiert] Abstract: "Support-Vektor-Maschine (SVM) ist eine sehr spezifische Art von Lernalgorithmen gekennzeichnet durch die Leistungsregelung der Entscheidungsfunktion, die Verwendung der Kernel-Funktionen und die Spärlichkeit der Lösung In diesem Papier untersuchen wir die Vorhersehbarkeit der finanziellen. Bewegungsrichtung mit SVM durch Prognose der wöchentlichen Bewegungsrichtung der Nikkei 225 Index. Um die Prognosefähigkeit des SVM zu bewerten, seine Leistung mit denen der Linear Diskriminanzanalyse, quadratische Diskriminanzanalyse und Elman Backpropagation Neuronale Netze vergleichen wir. Die Versuchsergebnisse zeigen, dass SVM übertrifft die anderen Klassifizierungsmethoden. Weiterhin schlagen wir eine Kombination Modell durch die Integration von SVM mit den anderen Klassifizierungsmethoden. Die Kombination von Modell funktioniert am besten unter allen Prognoseverfahren. " Vergleich der Fähigkeit von SVMs, Lineare Diskriminanzanalyse, quadratische Diskriminanzanalyse und Elman Backpropagation Neuronale Netze, die wöchentliche Bewegungsrichtung des Nikkei 225 Index prognostiziert und festgestellt, dass die SVM besser als alle anderen Klassifizierungsmethoden. Noch besser war eine gewichtete Kombination der Modelle. TRAFALIS, Theodore B. und Hüseyin Ince, 2000. Support Vector Machine für Regression und Anwendungen, um finanzielle Prognosen. In: IJCNN 2000: Proceedings of the IEEE-Inns-ENNS International Joint Conference on Neural Networks: Volume 6 von Shun-Ichi Amari, et al bearbeitet. . Seite 6348, IEEE Computer Society. (3,06 / Jahr) [19 Zitiert] Abstract:. "Das Hauptziel dieser Arbeit ist es, die durch Vapnik mit anderen Techniken wie Backpropagation und Radiale Basisfunktion (RBF) Netzwerke für finanzielle Prognosen Anwendungen Die Theorie der SVM-Algorithmus entwickelt, Support Vector Machine (SVM) zu vergleichen, basiert auf statistischen Lerntheorie. Die Ausbildung der SVMs führt zu einer quadratischen Programmierung (QP) Problem. Vorläufige Berechnungsergebnisse für die Aktienkursvorhersage werden ebenfalls vorgestellt. " Vergleich SVMs mit Backpropagation und Radiale Basisfunktion (RBF) Netzwerke durch die Vorhersage IBM, Yahoo und America Online täglichen Aktienkurse. Merkwürdig ist, dass mit der SVM für Regressions sie verzichtete einen Validierungssatz, setzen epsilon auf Null, Fest C und wiederholten das Experiment für verschiedene feste Einstellungen des Kernel-Parameter, Sigma, was zu verschiedenen Ergebnissen. Abstract: "Dieses Papier schlägt eine modifizierte Version der Support Vector Machines (SVM), die so genannte dynamische Support Vector Machines (DSVMs), um nicht-stationäre Zeitreihenmodell Die DSVMs erhalten werden, indem das Problem Domänenwissen - Nicht-Stationarität. Zeitreihe in SVMs. Im Gegensatz zu den Standard-SVMs, die Festwerte der Regularisierung konstant und die Schlauchgröße in allen Trainingsdatenpunkte zu verwenden, die DSVMs verwenden Sie einen exponentiell steigenden Regularisierung konstant und eine exponentiell abnehmende Schlauchgröße, um mit strukturellen Veränderungen in der Daten umgehen . Der dynamische Regulierung konstant und Rohrgröße werden auf dem Stand der Erkenntnis, daß in dem nicht-stationären Zeitreihen letzten Datenpunkte könnte wichtiger Informationen als entfernte Datenpunkte bereitzustellen berechnet. In dem Experiment werden die DSVMs mit echten und simulierten Datensätze ausgewertet . Die Simulation zeigt, dass die DSVMs verallgemeinern besser als die Standard SVMs bei der Prognose nicht-stationäre Zeitreihen. Ein weiterer Vorteil dieser Änderung ist, dass die DSVMs verwenden weniger Support-Vektoren, was zu einer spärlicher Darstellung der Lösung. " beinhalten die vorherige Kenntnis, dass Finanzzeitreihen sind nicht stationär in ihre `` dynamischen Support Vector Machines (DSVMs) '' und verwenden Sie eine exponentiell zunehmende Regulierung konstant und eine exponentiell abnehmende Schlauchgröße, um mit strukturellen Veränderungen in den Daten auf der Annahme, Deal, dass die jüngsten Daten Punkten konnte bieten mehr wichtige Informationen über entfernte Datenpunkte. Sie schließen daraus, dass DSVMs verallgemeinern besser als Standard-SVMs bei der Prognose nicht-stationäre Zeitreihen, während sie auch weniger Support-Vektoren, was zu einer spärlicher Darstellung der Lösung. Abstract: ". Dieses Papier schlägt eine modifizierte Version der Support Vector Machines (SVM), genannt ε-absteigend Support Vector Machines (ε-DSVMs), um nicht-stationären Finanzzeitreihenmodell Die ε-DSVMs werden durch die Einbeziehung der Problemdomäne erhalten Wissens Nichtstationarität Finanzzeitreihe in SVM. Im Gegensatz zum üblichen SVM, die eine konstante Rohr in allen Trainingsdatenpunkte verwenden, die ε-DSVMs In einem adaptiven Röhre, mit den Strukturänderungen im Daten Experiment zeigt, dass der Umgang ε-DSVMs verallgemeinern besser als die Standard SVMs bei der Prognose nicht-stationären Finanzzeitreihen. Ein weiterer Vorteil dieser Änderung ist, dass die ε-DSVMs konvergieren, weniger Support-Vektoren, was zu einer spärlicher Darstellung der Lösung. " integriert das Problem Domain-Wissen der Nicht-Stationarität der Finanzzeitreihen in SVMs durch Verwendung eines adaptiven Röhre in ihrem so genannten `` $ \ epsilon $ - descending Support Vector Machines ($ \ epsilon $ - DSVMs) ''. Experiment zeigte, dass $ \ epsilon $ - DSVMs verallgemeinern besser als Standard-SVMs bei der Prognose nicht-stationären Finanzzeitreihen und auch konvergieren, weniger Support-Vektoren, was zu einer spärlicher Darstellung der Lösung. Debnath, Sandip und C. Lee Giles, 2005. A Learning basiertes Modell für Überschrift Extraktion von News-Artikel zu erläuternden Sätze für Events finden. In: K-CAP 05: Proceedings der 3. internationalen Konferenz über Wissenserfassung. Seiten 189--190. (1,67 / Jahr) [von 2 Zitiert] Abstract:.... "Metadaten-Informationen spielt eine entscheidende Rolle bei der Erhöhung Dokument organisieren Effizienz und Archivierbarkeit Nachrichten Metadaten enthält Dateline ByLine Headline und viele andere Wir fanden, dass Headline Information ist nützlich für das Erraten das Thema der Meldung allem für die Finanz News-Artikel. fanden wir, dass Headline können somit besonders hilfreich, um erläuternde Sätze für Großveranstaltungen wie wesentliche Änderungen der Aktienkurse zu finden. In diesem Papier haben wir ein Support-Vektor-basierte Lernansatz, um die Headline-Metadaten automatisch zu extrahieren zu erkunden. Wir finden, dass die Klassifikationsgenauigkeit der Suche nach der Überschrift s verbessert, wenn Dateline s werden zuerst identifiziert werden. Wir haben dann verwendet die extrahierten Headline s, um eine Mustererkennung von Schlüsselwörtern zu initiieren, um die Sätze für die Geschichte Thema verantwortlich zu finden. Mit diesem Thema und eine einfache Sprachmodell ist es möglich, beliebige lokalisieren erläuternde Sätze für jede signifikante Preisänderung. " entwickelt einen neuartigen Ansatz zur Extraktion von Metadaten Nachrichten Schlagzeilen mit SVMs und mit ihnen zu Geschichte, Themen zu finden, um einen Satz basierte Erklärung für eine Aktienpreisänderung zu erhalten. Abstract: "durch die Notwendigkeit, Kapital gewinnbringend zuzuweisen und von Getrieben der kürzlich vorgeschlagenen Basel II Bestimmungen, sind Finanzinstitute mehr und mehr gezwungen, Kredit-Scoring-Modelle, die Beurteilung des Ausfallrisikos ihrer Kunden bauen Viele Techniken sind vorgeschlagen worden. um dieses Problem anzugehen. Support Vector Machines (SVM) ist eine vielversprechende neue Technik, die vor kurzem aus verschiedenen Bereichen wie angewandte Statistik, neuronale Netze und maschinelles Lernen hervorgegangen ist. In diesem Papier, experimentieren wir mit der kleinsten Quadrate Support Vector Machines (LS-SVMs ), ein kürzlich modifizierte Version von SVMs und Bericht deutlich bessere Ergebnisse, wenn sie mit den klassischen Techniken gegenüber. " Vergleich vier Methoden, Ordinary Least Squares (OLS), Ordnungs Logistische Regression (OLR), der Mehrschichtiges Perzeptron (MLP) und der kleinsten Quadrate Support Vector Machines (LS-SVMs), wenn sie Kredit-Scoring angewendet. Die SVM-Methodik ergab deutlich und konsequent bessere Ergebnisse als die klassischen linearen Ratingverfahren. FAN, Alan und Marimuthu PALANISWAMI, 2000. Auswählen Bankruptcy Prädiktoren Verwendung einer Support Vector Machine Ansatz. IJCNN 2000: Proceedings of the IEEE-Inns-ENNS International Joint Conference on Neural Networks, Volume 6. von Shun-Ichi Amari et al bearbeitet. . Seite 6354. (1,45 / Jahr) [um 9 Zitiert] Abstract:. "Herkömmliche Neural Network-Ansatz hat sich als nützlich bei der Vorhersage Nehmens Not von Abschlusses In diesem Papier haben wir eine Support Vector Machine Ansatz für das Problem hat eine neue Art der Auswahl Konkurs Prädiktoren angezeigt wird, mit der euklidische Abstand berechnet. Kriterium innerhalb des SVM-Betriebssystemkern. Eine vergleichende Studie wird mit drei klassischen Unternehmens Seenot-Modelle und ein alternatives Modell basierend auf der SVM-Ansatz zur Verfügung gestellt. " verwenden SVMs Konkurs Prädiktoren zu wählen, und eine vergleichende Studie. Abstract:. "Ein zweistufiges neuronale Netzwerkarchitektur durch die Kombination von Support Vector Machines (SVM) mit selbstorganisierenden Merkmalskarte (SOM) aufgebaut ist, für Finanzzeitreihen Prognose vorgeschlagen In der ersten Stufe wird SOM als Cluster-Algorithmus verwendet werden, um zu partitionieren der ganze Eingangsraum in mehrere disjunkte Regionen. Eine Baumstruktur-Architektur ist in der Trennwand angenommen, um das Problem der Vorgabe der Anzahl der partitioniert Regionen zu vermeiden. Dann, in der zweiten Stufe, multiple SVMs, die auch als SVM-Experten, die am besten passen jeweils abgetrennten Bereich werden von der Suche nach dem am besten geeigneten Kernel-Funktion und die optimale Lernparameter SVMs aufgebaut. Der Wechselkurs Santa Fe und fünf realen Terminkontrakte werden in dem Experiment verwendet. Es wird gezeigt, dass das vorgeschlagene Verfahren erreicht sowohl deutlich höhere Vorhersageleistung und schneller Konvergenzgeschwindigkeit im Vergleich zu einer einzelnen SVM-Modell. " kombiniert SVMs mit einer selbstorganisierenden Merkmalskarte (SOM) und getestet, das Modell auf den Wechselkurs Santa Fe und fünf realen Terminkontrakte. Sie zeigten, dass die vorgeschlagenen Verfahren erreicht sowohl deutlich höhere Vorhersageleistung und schnellere Konvergenzgeschwindigkeit im Vergleich zu einer einzelnen SVM-Modell. Abstract: "In diesem Papier stellen wir eine Analyse der Ergebnisse einer Studie in Großhandel (spot) Strompreisprognosen Verwendung Neuronale Netze (NNs) und Support Vector Machines (SVM) Häufige regulatorische Änderungen in Strommärkten und den sich schnell entwickelnde Marktteilnehmer. Preis (Gebote) Strategien führen effizienten Umschulung von entscheidender Bedeutung zu sein bei der Aufrechterhaltung der Genauigkeit der Strompreis Prognosemodelle. Die Effizienz der NN und SVM Umschulung für die Preisprognosen wurde mit Australian National Elektrizitätsmarkt (NEM), New South Wales Regionaldaten über den Zeitraum bewertet von September 1998 bis Dezember 1998. Die Analyse der Ergebnisse zeigte, dass SVMs mit einer einzigartigen Lösung zu produzieren konsistentere Prognosegenauigkeiten und so weniger Zeit benötigen, um optimal zu trainieren, als NNs was zur Folge haben kann in einer Lösung auf jeder einer großen Anzahl von lokalen Minima . Die SVM und NN Prognosegenauigkeiten gefunden sehr ähnlich zu sein. " ausgewertet Verwendung Neuronale Netze (NNs) und Support Vector Machines (SVM) für den Großhandel (spot) Strompreisprognosen. Die SVM benötigt weniger Zeit, um optimal auszubilden als das NN, während die SVM und NN Prognosegenauigkeit wurden als sehr ähnlich zu sein. ABRAHAM, Ajith und Andy Auyeung 2003. Die Integration von Ensemble von intelligenten Systemen für die Modellierung Aktienindizes. In: Proceedings of 7. Internationalen Arbeitskonferenz über künstliche und natürliche Neuronale Netze, Teil II. Lecture Notes in Computer Science, Band 2687, Jose Mira und Jose R. Alvarez (Eds.), Springer Verlag, Deutschland, pp. 774-781, 2003 (0,94 / Jahr) [um 3 zitiert] Abstract:.. "Der Einsatz von intelligenten Systemen für Börsenvorhersagen wurde allgemein festgestellt In diesem Papier untersuchen wir, wie die scheinbar chaotischen Verhalten der Aktienmärkte konnte gut dargestellt werden unter Verwendung von Ensemble intelligente Paradigmen Um die vorgeschlagene Technik zu demonstrieren, als wir Nasdaq-100-Index der Nasdaq Stock Market SM und SP CNX NIFTY Aktienindex. Die intelligente Paradigmen betrachtet waren ein künstliches neuronales Netzwerk unter Verwendung von Levenberg-Marquardt-Algorithmus, Support-Vektor-Maschine, Takagi-Sugeno Neuro-Fuzzy-Modell und einen Unterschied Steigerung neuronale Netz trainiert . Die verschiedenen Paradigmen wurden unter Verwendung von zwei verschiedenen Ensembles Ansätze, um so die Leistung durch Reduzierung der verschiedenen Fehler Maßnahmen optimieren, um in Verbindung. Der erste Ansatz basiert auf einer direkten Fehler Maßnahme basiert und die zweite Methode basiert auf einem evolutionären Algorithmus, um die optimale Linearkombination zu suchen der verschiedenen intelligenten Paradigmen. Die experimentellen Ergebnisse zeigen, dass die Ensemble-Techniken besser als die einzelnen Methoden und der direkte Ensemble Ansatz scheint gut für das Problem als zu arbeiten. " . . . . . . . Vol. . .