Ondersteuning Vector Machines Finansiële Aansoeke

Ondersteuning Vector Machines: Finansiële Aansoeke Gelys in volgorde van aanhalings per jaar, hoogste aan die bokant. Laaste opgedateer op September 2006. PANG, Bo, Lillian Lee en Shivakumar VAITHYANATHAN, 2002 Thumbs up? Sentiment klassifikasie in terme van masjien leer tegnieke. In: EMNLP '02: Verrigtinge van die ACL-02 Konferensie oor Empiriese metodes in natuurliketaalprosessering te - Deel 10. bladsye 79--86. [Aangehaal deur 154] (36,66 / jaar) Abstract:. "Ons kyk na die probleem van die klassifikasie van dokumente nie deur die onderwerp, maar deur algehele sentiment, bv om te bepaal of 'n hersiening is positief of negatief gebruik van fliekresensies as data, vind ons dat die standaard masjien leer tegnieke finaal oortref-menslike geproduseer basislyne egter. die drie masjien leermetodes ons diens (Naïef Bayes, maksimum entropie klassifikasie en ondersteuning vektor masjiene) nie so goed presteer op sentiment klassifikasie as op die tradisionele onderwerp gebaseer kategorisering. ons sluit deur te kyk na faktore wat die sentiment klassifikasie probleem meer uitdagend te maak . " het bevind dat, met behulp van filmresensies as data, standaard masjien leer tegnieke finaal geklop menslike-geproduseer basislyne. Maar hulle het ook bevind dat die drie masjien leermetodes hulle in diens (Naïef Bayes, maksimum entropie klassifikasie en ondersteuning vektor masjiene) het nie so goed presteer op sentiment klassifikasie as op die tradisionele onderwerp gebaseer kategorisering. Abstract:. "Die Bayes bewyse raamwerk toegepas word in hierdie vraestel te kleinstekwadrate ondersteun vektor masjien (LS-SVM) regressie ten einde nie-lineêre modelle aflei vir die voorspelling van 'n finansiële tydreekse en die verwante wisselvalligheid Op die eerste vlak van afleiding, 'n statistiese raamwerk is wat verband hou met die LS-SVM formulering wat mens toelaat om die tyd wat wissel wisselvalligheid van die mark deur 'n toepaslike keuse van 'n paar hiper-parameters insluit. die hiper-parameters van die model is afgelei van die tweede vlak van afleiding. die afgeleide Hyper-parameters, wat verband hou met die wisselvalligheid, word gebruik om 'n wisselvalligheid model binne die bewyse raamwerk te bou. model vergelyking is uitgevoer op die derde vlak van inferensie om outomaties deuntjie die parameters van die kern funksie en om die relevante insette te kies. die LS-SVM formulering mens toelaat om analitiese uitdrukkings afgelei in die funksie ruimte en praktiese uitdrukkings wat in die dubbele ruimte vervanging van die inwendige produkruimtes deur die verwante kern funksie met behulp van Mercer se stelling. Die een stap voor voorspelling optredes verkry oor die voorspelling van die weeklikse 90 dae T-wetsontwerp koers en die daaglikse DAX30 sluitingstyd pryse toon dat beduidende uit monster teken voorspellings gemaak kan word met betrekking tot die Pesaran-Timmerman toetsstatistiek " toegepas die Bayes bewyse raamwerk om kleinstekwadrate ondersteun vektor masjien (LS-SVM) regressie na die weeklikse 90 dae T-wetsontwerp koers en die daaglikse DAX30 sluitingstyd pryse te voorspel. Tay, Francis E. H. en Lijuan CAO, 2001 Aansoek ondersteuning vektor masjiene in finansiële tydreekse vooruitskatting. Omega: Die International Journal of Bestuurswetenskap. Deel 29, Uitgawe 4, Augustus 2001 Bladsye 309-317. [Aangehaal deur 67] (12,89 / jaar) Abstract:. "Hierdie vraestel handel oor die toepassing van 'n roman neurale netwerk tegniek, ondersteun vektor masjien (SVM), in finansiële tydreekse vooruitskatting Die doel van hierdie artikel is om die haalbaarheid van SVM in finansiële tydreekse vooruitskatting ondersoek deur dit te vergelyk met 'n multi-laag back-voortplanting (BP) neurale netwerk. Vyf real termynkontrakte wat saamgestel uit die Chicago Mercantile mark word gebruik as die datastelle. die eksperiment toon dat SVM beter as die BP neurale netwerk wat gebaseer is op die kriteria van genormaliseerde gemiddelde vierkante fout (NMSE), beteken absolute fout (MAE), directional simmetrie (DS) en geweegde directional simmetrie (WDS). Aangesien daar geen gestruktureerde manier om die vrye parameters van SVMs kies, die variasie in prestasie met betrekking tot die vrye parameters word in hierdie studie ondersoek. Ontleding van die eksperimentele resultate het bewys dat dit voordelig is om SVMs toepassing op voorspel finansiële tydreekse. " het bevind dat 'n SVM geklop n multi-laag back-voortplanting (BP) neurale netwerk op vyf real termynkontrakte van die Chicago Mercantile mark. Abstract:. "Dit artikel stel 'n aangepaste weergawe van ondersteuning vektor masjiene, genaamd C - ascending ondersteuning vektor masjien, te modelleer nie-stasionêre finansiële tydreekse Die C - ascending ondersteuning vektor masjiene word verkry deur 'n eenvoudige verandering van die geregulariseerde risiko funksie in ondersteuning vektor masjiene, waardeur die onlangse 949; - insensitive foute swaarder gestraf as die verre 949;. - insensitive foute Hierdie proses is gebaseer op die vorige kennis wat in die nie-stasionêre finansiële tydreekse die afhanklikheid tussen insette veranderlikes en uitset veranderlike geleidelik verander oor die tyd, spesifiek, die onlangse verlede data kan meer belangrike inligting as die verre verlede data te voorsien. In die eksperiment, C - ascending ondersteuning vektor masjiene getoets met behulp van drie werklike termynmark versamel van die Chicago Mercantile mark. Daar word aangetoon dat die C - ascending ondersteuning vektor masjiene met die werklikheid bestel monster data konsekwent voorspel beter as die standaard ondersteuning vektor masjiene, met die swakste vertoning wanneer die omgekeerd bestel monster data word gebruik. Verder is die C - ascending ondersteuning vektor masjiene gebruik minder ondersteuning vektore as dié van die standaard ondersteuning vektor masjiene, wat lei tot 'n yler voorstelling van oplossing. " ontwikkelde `` C - ascending '' ondersteuning vektor masjiene, wat penaliseer onlangse 949; - insensitive foute is swaarder as verre 949; - insensitive foute, en bevind dat hulle voorspel beter as standaard SVMs op drie werklike termynmark versamel van die Chicago Mercantile mark . Abstract:.. "Corporate kredietgradering ontleding gelok baie navorsing belange in die literatuur Onlangse studies het getoon dat Kunsmatige Intelligensie (AI) metodes bereik beter prestasie as die tradisionele statistiese metodes Hierdie artikel stel 'n relatief nuwe masjien leer tegniek, ondersteuning vektor masjiene ( SVM), om die probleem in 'n poging om 'n model met 'n beter verklarende krag te voorsien. Ons gebruik backpropagation neurale netwerk (BNN) as 'n maatstaf en verkry akkuraatheid voorspelling ongeveer 80% vir beide BNN en SVM metodes vir die Verenigde State van Amerika en Taiwan markte. Maar slegs geringe verbetering van SVM is waargeneem. Nog 'n rigting van die navorsing is om die interpreteerbaarheid van die AI-gebaseerde modelle te verbeter. Ons toegepas onlangse navorsingsresultate in neurale netwerk model interpretasie en verkry relatiewe belangrikheid van die insette finansiële veranderlikes van die neurale netwerkmodelle . op grond van hierdie resultate, wat ons 'n mark vergelykende analise van die verskille van die bepaling van faktore in die Verenigde State van Amerika en Taiwan markte. " Toegepaste backpropagation neurale netwerke en SVMs om korporatiewe kredietgradering voorspelling vir die Verenigde State van Amerika en Taiwan markte en bevind dat die resultate vergelykbaar was (beide was beter as logistieke regressie), met die SVM effens beter. Abstract: "Hierdie vraestel stel met behulp van die ondersteuning vektor masjiene (SVMs) kundiges vir tydreekse vooruitskatting Die algemene SVMs kundiges het 'n twee-stadium neurale netwerk argitektuur In die eerste fase, is self-organiserende funksie kaart (SOM) gebruik as 'n.. groepering algoritme om die hele insette ruimte te verdeel in verskeie onsamehangende streke. A-boom gestruktureerde argitektuur is in die verdeling aangeneem om die probleem van van ewigheid die aantal verdeel streke. Dan, in die tweede fase, verskeie SVMs, ook bekend as SVM kundiges te vermy, wat die beste geskik is verdeel streke opgerig deur die vind van die mees geskikte kern funksie en die optimale gratis parameters van SVMs. die sonvlek data, Santa Fe datastelle A, C en D, en die twee gebou datastelle geëvalueer in die eksperiment. die simulasie toon dat die SVMs kundiges te bereik beduidende verbetering in die veralgemening prestasie in vergelyking met die enkele SVMs modelle. Daarbenewens het die SVMs kenners ook vinniger konvergeer en gebruik minder ondersteuning vektore. " het getoon dat hul metode van `` SVM kenners '' het aansienlike verbetering bo enkele SVMs modelle wanneer apllied om die Santa Fe datastel C (hoë-frekwensie wisselkoerse tussen die Switserse frank en die Amerikaanse dollar). Abstract:. "Support vektor masjiene (SVMs) is belowende metodes vir die voorspelling van finansiële tydreekse omdat hulle 'n risiko funksie bestaan ​​uit die empiriese fout en 'n geregulariseerden term wat afgelei is van die beginsel strukturele risiko minimalisering gebruik Hierdie studie geld SVM om voorspelling van die aandele prys indeks. Daarbenewens het hierdie studie ondersoek die haalbaarheid van toepassing SVM in finansiële vooruitskatting deur dit te vergelyk met back-voortplanting neurale netwerke en-geval-gebaseerde redenasie. die eksperimentele resultate dui daarop dat SVM bied 'n belowende alternatief vir aandelemark voorspelling. " bevind dat SVMs geklop back-voortplanting neurale netwerke en-geval-gebaseerde redenasie wanneer dit gebruik word om die daaglikse Korea saamgestelde voorraad prysindeks (KOSPI) voorspel. SHIN Kyung-Shik, Taik Soo Lee en Hyun-Jung Kim, 2005 'n Aansoek van ondersteuning vektor masjiene in falingspredictiemodel. Expert Systems met Aansoeke. Deel 28, Uitgawe 1, Januarie 2005 Bladsye 127-135. [Aangehaal deur 8] (6.67 / year) Abstract:. "Hierdie studie ondersoek die effektiwiteit van die toepassing van ondersteuning vektor masjiene (SVM) om bankrotskap voorspelling probleem Alhoewel dit 'n bekende feit dat die back-voortplanting neurale netwerk (BPN) presteer in take patroonherkenning, die metode het 'n paar beperkinge in dat dit 'n kuns om 'n geskikte model struktuur en optimale oplossing te vind. Verder laai soveel van die stel as moontlik in die netwerk opleiding is nodig om die gewigte van die netwerk soek. aan die ander kant, aangesien SVM vang geometriese eienskappe van funksie ruimte sonder afleiding gewigte van netwerke van die opleiding data, is dit in staat is om te onttrek van die optimale oplossing met die klein opleiding stel grootte. In hierdie studie wys ons dat die voorgestelde klassifiseerder van SVM benadering beter as BPN om die probleem van korporatiewe bankrotskap voorspelling. Die resultate toon dat die akkuraatheid en veralgemening prestasie van SVM is beter as dié van BPN as die opleiding stel grootte kleiner. Ons ondersoek ook die effek van die variasie in prestasie ten opsigte van verskillende waardes van parameters in SVM. Verder het ons ondersoek en op te som die verskillende beter punte van die SVM algoritme in vergelyking met BPN. " getoon dat SVMs beter presteer as back-voortplanting neurale netwerke wanneer dit toegepas word om korporatiewe bankrotskap voorspelling. Abstract:. " 'N roman tipe leer masjien genaamd ondersteuning vektor masjien (SVM) is die ontvangs van toenemende belangstelling in gebiede wat wissel van die oorspronklike aansoek in patroonherkenning om ander programme soos regressie skatting as gevolg van sy merkwaardige veralgemening prestasie Hierdie vraestel handel oor die toepassing van SVM in finansiële tydreekse vooruitskatting. die haalbaarheid van toepassing SVM in finansiële vooruitskatting is eerste ondersoek deur dit te vergelyk met die multilayer back-voortplanting (BP) neurale netwerk en die geregulariseerde radiale basis funksie (RBF) neurale netwerk. die variasie in prestasie van SVM met betrekking tot die vrye parameters is eksperimenteel ondersoek. Adaptive parameters word dan voorgestel deur die inlywing van die stationariteit van finansiële tydreekse in SVM. Vyf real termynkontrakte vergelyk van die Chicago Mercantile mark word gebruik as die datastelle. die simulasie toon dat onder die drie metodes, SVM beter as die BP neurale netwerk in finansiële vooruitskatting, en daar is vergelykbaar veralgemening prestasie tussen SVM en die geregulariseerden RBF neurale netwerk. Verder, die vrye parameters van SVM het 'n groot invloed op die veralgemening prestasie. SVM met aanpasbare parameters kan beide te bereik hoër veralgemening prestasie en gebruik minder ondersteuning vektore as die standaard SVM in finansiële vooruitskatting. " gebruik 'n SVM, 'n multilayer back-voortplanting (BP) neurale netwerk en 'n geregulariseerden radiale basis funksie (RBF) neurale netwerk tot vyf real termynkontrakte vergelyk van die Chicago Mercantile mark voorspel. Resultate het getoon dat die SVM en die geregulariseerde RBF neurale netwerk is vergelykbaar en albei beter gevaar as die BP neurale netwerk. CAO, Lijuan en Francis E. H. Tay, 2001 finansiële vooruitskatting Gebruik Support Vector Machines. Neurale rekenaartoepassings. Deel 10, nommer 2 (Mei 2001), Bladsye 184-192. [Aangehaal deur 26] (5.00 / year) Abstract:. "Die gebruik van Support Vector Machines (SVMs) bestudeer in finansiële vooruitskatting deur dit te vergelyk met 'n multi-laag perceptron opgelei deur die Terug Voortplanting (BP) algoritme SVMs voorspel beter as BP gebaseer op die kriteria van Genormaliseerde Mean Square Error (NMSE), Gemiddelde Absolute Fout (MAE), Directional Simmetrie (DS), korrek Up (CP) tendens en korrek af (CD) tendens. SP 500 daaglikse prysindeks word gebruik as die datastel. Aangesien daar geen gestruktureerde manier om kies die vrye parameters van SVMs, die veralgemening fout met betrekking tot die vrye parameters van SVMs is tydens die eksperiment ondersoek. soos geïllustreer in die eksperiment, hulle het min impak op die oplossing. Ontleding van die eksperimentele resultate dui aan dat dit voordelig is om aansoek te doen SVMs om die finansiële tydreekse voorspel. " bevind dat SVMs voorspel die SP 500 daaglikse prysindeks beter as 'n multi-laag perceptron opgelei deur die Terug Voortplanting (BP) algoritme. Abstract:. "Bankrotskap voorspelling het 'n baie navorsing belange in die vorige literatuur getrek, en onlangse studies het getoon dat masjienleer tegnieke bereik beter prestasie as die tradisionele statistiese kinders Hierdie vraestel geld ondersteuning vektor masjiene (SVMs) om die bankrotskap voorspelling probleem in 'n poging om 'n nuwe model met 'n beter verklarende krag en stabiliteit stel. om hierdie doel te dien, gebruik ons ​​'n rooster-soek tegniek met behulp van 5-vou kruis-validering om uit te vind die optimale parameterwaardes van kern funksie van SVM. Daarbenewens tot die evalueer voorspelling akkuraatheid van SVM, ons sy prestasie te vergelyk met dié van verskeie diskriminantontleding (MDA), logistieke regressie-analise (Logit), en drie-laag ten volle verbind back-voortplanting neurale netwerke (BPNs). die eksperiment resultate dui daarop dat SVM beter as die ander metodes. " het bevind dat, wanneer dit toegepas word om bankrotskap voorspelling, SVMs geklop verskeie diskriminantontleding (MDA), logistieke regressie-analise (Logit) en drie-laag ten volle verbind back-voortplanting neurale netwerke (BPNs). Abraham Ajith, Ninan Sajith PHILIP en P. SARATCHANDRAN, 2003 Modeling chaotiese gedrag van voorraad indekse gebruik van intelligente paradigmas. Neurale, Parallel Wetenskaplike berekeninge. Deel 11, bladsye 143-160. [Aangehaal deur 10] (4.55 / year) Abstract:.. "Die gebruik van intelligente stelsels vir aandelemark voorspellings is wyd gevestig In hierdie vraestel, ons ondersoek hoe die skynbaar chaotiese gedrag van aandelemarkte goed kan voorgestel word deur 'n paar connectionist paradigmas en sagte rekenaar tegnieke om die verskillende tegnieke te demonstreer, ons beskou Nasdaq-100-indeks van Nasdaq Stock Market SM en die S & P CNX NIFTY voorraad indeks. ons ontleed 7 jaar Nasdaq 100 hoofindeks waardes en 4 jaar NIFTY indekswaardes. Hierdie vraestel ondersoek die ontwikkeling van 'n betroubare en doeltreffende tegniek om die oënskynlik model chaotiese gedrag van aandelemarkte. Ons beskou as 'n kunsmatige neurale netwerk opgelei behulp Levenberg-Marquardt algoritme, Support Vector Machine (SVM), Takagi-Sugeno neurofuzzy model en 'n verskil Boos neurale netwerk (DBNN). Hierdie vraestel verduidelik kortliks hoe die verskillende connectionist paradigmas geformuleer kan word met behulp van verskillende leermetodes en dan ondersoek of hulle die vereiste vlak van prestasie, wat voldoende goeie en sterk is kan verskaf ten einde 'n betroubare voorspelling model vir aandelemark indekse voorsien. Eksperiment resultate dui daarop dat al die connectionist paradigmas beskou kon die voorraad indekse gedrag baie akkuraat verteenwoordig. " toegepas vier verskillende tegnieke, 'n kunsmatige neurale netwerk opgelei met behulp van die Levenberg-Marquardt algoritme, 'n ondersteuning vektor masjien, 'n verskil bevordering neurale netwerk en 'n Takagi-Sugeno fuzzy afleiding stelsel geleer behulp van 'n neurale netwerk algoritme (neuro-fuzzy model) na die voorspelling van die Nasdaq-100-indeks van Nasdaq Stock Market_ ​​en die S & P CNX NIFTY voorraad indeks. Niemand tegniek was duidelik beter, maar absurd, hulle probeer om die absolute waarde van die indekse, eerder as om gebruik log opbrengste voorspel. Yang, Haiqin, Laiwan Chan en Irwin KING, 2002. Ondersteuning Vector Machine Regressie vir Vlugtige Stock Market voorspelling. In: Die hart Data Ingenieurswese en outomatiese Leer: Ideal 2002. geredigeer deur Hujun Yin, et al. . bladsye 391--396, Springer. [Aangehaal deur 19] (4.52 / year) Abstract: "Onlangs het Support Vector Regressie (SVR) is ingestel om regressie en voorspelling probleme op te los in hierdie vraestel, pas ons SVR om finansiële voorspelling take In die besonder, die finansiële data is gewoonlik lawaaierige en die gepaardgaande risiko verg baie tyd wissel.. . Daarom is ons SVR model is 'n uitbreiding van die standaard SVR wat marges aanpassing inkorporeer. Deur wisselende die rand van die SVR, kan ons die verandering in wisselvalligheid van die finansiële data weerspieël. Verder het ons die effek van asimmetriese marges ontleed om sodoende om voorsiening te maak vir die vermindering van die daalrisiko. Ons eksperimentele resultate dui daarop dat die gebruik van standaard afwyking van 'n veranderlike marge bereken gee 'n goeie voorspelling lei tot die voorspelling van Hangseng-indeks. " tryed wisselende die marges in SVM regressie ten einde die verandering in wisselvalligheid van finansiële data weerspieël en ook ontleed die uitwerking van asimmetriese marges ten einde voorsiening te maak vir die vermindering van die daalrisiko. Die voormalige benadering wat die laagste totale fout wanneer die voorspelling van die daaglikse sluitingsprys van Hong Kong se Hang Seng-indeks (HSI). Huang, W. Y. NAKAMORI en S. Y. Wang, 2005 vooruitskatting aandelemark beweging rigting met ondersteuning vektor masjien. Rekenaars & Operasionele Navorsing. Deel 32, Uitgawe 10, Bladsye 2513-2522. (Oktober 2005) [Aangehaal deur 5] (4.18 / year) Abstract: "Support vektor masjien (SVM) is 'n baie spesifieke tipe leer algoritmes wat gekenmerk word deur die kapasiteit beheer van die besluit funksie, die gebruik van die kern funksies en die sparsity van die oplossing in hierdie vraestel, ondersoek ons ​​die voorspelbaarheid van finansiële. beweging rigting met SVM deur voorspelling van die weeklikse beweging rigting van Nikkei 225-indeks. Om die vooruitskatting vermoë van SVM evalueer, vergelyk ons ​​sy prestasie met dié van Lineêre diskriminant-analise, Kwadratiese Diskriminant Analise en Elman Backpropagation Neurale netwerke. die eksperiment resultate dui daarop dat SVM beter as die ander klassifikasiemetodes. Verder stel ons 'n kombinasie van model deur die integrasie van SVM met die ander klassifikasiemetodes. die kombinasie model die beste presteer onder al die voorspelling metodes. " vergelyk met die vermoë van SVMs, Lineêre diskriminant-analise, Kwadratiese Diskriminant Analise en Elman Backpropagation Neurale Netwerke om die weeklikse beweging rigting van die Nikkei 225-indeks voorspel en het bevind dat die SVM oortref al die ander klassifikasiemetodes. Beter nog 'n geweegde kombinasie van die modelle. TRAFALIS, Theodore B. en Huseyin INCE, 2000. Ondersteuning Vector Machine vir Regressie en aansoeke om finansiële vooruitskatting. In: IJCNN 2000: Verrigtinge van die Internasionale Gesamentlike Konferensie IEEE-INN-Enns op neurale netwerke: Deel 6 geredigeer deur Shun-Ichi Amari, et al. . bladsy 6348, IEEE Computer Society. [Aangehaal deur 19] (3.06 / year) Abstract:. "Die hoofdoel van hierdie artikel is om die ondersteuning vektor masjien (SVM) wat ontwikkel is deur Vapnik met ander tegnieke soos Backpropagation en Radial Basis Function (RBF) Netwerke vir finansiële vooruitskatting aansoeke Die teorie van die SVM algoritme vergelyk is gebaseer op statistiese leerteorie. Opleiding van SVMs lei tot 'n kwadratiese programmering (QP) probleem. Voorlopige computational resultate vir aandele prys voorspelling word ook aangebied. " vergeleke SVMs met Backpropagation en Radial Basis Function (RBF) Netwerke deur die voorspelling van IBM, Yahoo en America Online daaglikse aandeelpryse. Vreemd, met behulp van die SVM vir regressie hulle forwent n bevestiging stel, stel epsilon aan nul, vaste C en herhaal die eksperiment vir verskeie vaste instellings van die kernparameterreël, sigma, wat aanleiding gee tot 'n paar resultate. Abstract: "Dit artikel stel 'n aangepaste weergawe van ondersteuning vektor masjiene (SVMs), genoem dinamiese ondersteuning vektor masjiene (DSVMs), om 'n model nie-stasionêre tydreekse Die DSVMs verkry deur die inlywing van die probleem domein kennis - nie-stasionariteit van. tydreeks in SVMs. in teenstelling met die standaard SVMs wat vaste waardes van die regularisering konstante en die buis grootte in al die opleiding datapunte, die DSVMs gebruik 'n eksponensieel toeneem regularisering konstante en 'n eksponensieel afneem buis grootte om te gaan met die strukturele veranderinge in die data . die dinamiese regulering konstante en buis grootte is gebaseer op die vorige kennis wat in die nie-stasionêre tydreekse onlangse data punte kon meer belangrike inligting as verre datapunte verskaf. in die eksperiment, is die DSVMs geëvalueer met behulp van beide gesimuleerde en werklike datastelle . die simulasie toon dat die DSVMs veralgemeen beter as die standaard SVMs in vooruitskatting nie-stasionêre tydreekse. Nog 'n voordeel van hierdie verandering is dat die DSVMs gebruik minder ondersteuning vektore, wat lei tot 'n yler voorstelling van die oplossing. " inkorporeer die vorige kennis wat finansiële tydreekse is stationaire in hul `` dinamiese ondersteuning vektor masjiene (DSVMs) '' en 'n eksponensieel toeneem regularisering konstante en 'n eksponensieel afneem buis grootte gebruik om te gaan met die strukturele veranderinge in die data op die aanname dat onlangse data punte kon meer belangrike inligting as verre datapunte verskaf. Hulle aflei dat DSVMs veralgemeen beter as standaard SVMs in vooruitskatting nie-stasionêre tydreekse, terwyl hulle ook gebruik minder ondersteuning vektore, wat lei tot 'n yler voorstelling van die oplossing. Abstract:. "Dit artikel stel 'n aangepaste weergawe van ondersteuning vektor masjiene (SVMs), genaamd 949; - descending ondersteuning vektor masjiene (949; - DSVMs), om 'n model nie-stasionêre finansiële tydreekse Die 949; - DSVMs verkry deur die inlywing die probleem domein kennis nie-stasionariteit van finansiële tydreekse in SVMs in teenstelling met die standaard SVMs wat 'n konstante tube gebruik in al die opleiding datapunte, die 949,. - DSVMs gebruik 'n aangepaste buis om te gaan met die struktuur veranderinge in die data. The eksperiment toon dat die 949; - DSVMs veralgemeen beter as die standaard SVMs in vooruitskatting nie-stasionêre finansiële tydreekse Nog 'n voordeel van hierdie verandering is dat die 949;. - DSVMs bymekaar om minder ondersteuning vektore, wat lei tot 'n yler voorstelling van die oplossing. " opgeneem die probleem domein kennis van nie-stasionariteit van finansiële tydreekse in SVMs deur die gebruik van 'n aangepaste buis in hul sogenaamde `` $ \ epsilon $ - descending ondersteuning vektor masjiene ($ \ epsilon $ - DSVMs) ''. Eksperiment het getoon dat $ \ epsilon $ - DSVMs veralgemeen beter as standaard SVMs in vooruitskatting nie-stasionêre finansiële tydreekse en ook bymekaar om minder ondersteuning vektore, wat lei tot 'n yler voorstelling van die oplossing. DEBNATH, Sandip en C. Lee GILES, 2005. Leer-gebaseerde model vir Headline Onttrek Nuus Artikels om Vind Verduidelikende vonnisse vir Events. In: K-CAP 05: Verrigtinge van die 3de Internasionale Konferensie oor Kennis vang. Bladsye 189--190. [Aangehaal deur 2] (1.67 / year) Abstract:.... "Metadata inligting speel 'n belangrike rol in die aanvulling van dokument organiseer doeltreffendheid en archivability Nuus metadata sluit datumlyn Byline Headline en vele ander Ons het gevind dat Headline inligting is nuttig vir die raai die tema van die nuus artikel Veral vir finansiële nuus artikels. , het ons gevind dat die kop kan dus wees spesiaal nuttig om verduidelikende sinne op te spoor vir 'n groot gebeure soos beduidende veranderinge in aandeelpryse. in hierdie artikel ondersoek ons ​​'n ondersteuning vektor-gebaseerde leer benadering tot die kop metadata outomaties onttrek. ons vind dat die klassifikasie akkuraatheid vind die kop s verbeter as datumlyn se eerste geïdentifiseer word. dan gebruik ons ​​die onttrek Headline s 'n patroon ooreenstem sleutelwoorde te inisieer om die sinne wat verantwoordelik is vir storie tema vind. die gebruik van hierdie tema en 'n eenvoudige taalmodel is dit moontlik om 'n spoor verklarende sinne vir enige beduidende prysverandering. " ontwikkel 'n nuwe benadering te onttrek nuus metadata nuus behulp SVMs en die gebruik van hulle storie temas vind om 'n vonnis wat gebaseer verduideliking vir 'n voorraad prysverandering kry. Abstract: "gedryf deur die behoefte om kapitaal te ken in 'n winsgewende manier en deur die onlangs voorgestel Basel II regulasies, is finansiële instellings wat al hoe meer verplig om krediet telling modelle beoordeling van die risiko van wanbetaling van hul kliënte te bou Baie tegnieke is voorgestel. om hierdie probleem aan te pak. Support vector machines (SVMs) is 'n belowende nuwe tegniek wat onlangs afkomstig uit verskillende domeine soos toegepas statistieke, neurale netwerke en masjien leer. In hierdie vraestel, eksperimenteer ons met kleinstekwadrate ondersteun vektor masjiene (LS-SVMs ), 'n onlangs aangepaste weergawe van SVMs, en verslag aansienlik beter resultate as in teenstelling met die klassieke tegnieke. " vergeleke vier metodes, Gewone Least Squares (OLS), Ordinale Logistieke regressie (OLR), die Multilayer Perceptron (MLP) en kleinste kwadrate ondersteun vektor masjiene (LS-SVMs) wanneer dit toegepas word om krediet telling. Die SVM metode opgelewer aansienlik en konsekwent beter resultate as die klassieke lineêre gradering metodes. Fan, Alan en Marimuthu PALANISWAMI, 2000 kies Bankrotskap Voorspellers Die gebruik van 'n Support Vector Machine benadering. IJCNN 2000: Verrigtinge van die Internasionale Gesamentlike Konferensie IEEE-INN-Enns op neurale netwerke, Deel 6. geredigeer deur Shun-Ichi Amari et al. . bladsy 6354. [Aangehaal deur 9] (1.45 / year) Abstract:. "Konvensionele Neurale netwerk benadering nuttig in die voorspelling van korporatiewe nood van finansiële state is gevind in hierdie vraestel, het ons 'n Support Vector Machine benadering tot die probleem het 'n nuwe manier van kies bankrotskap voorspellers getoon, met behulp van die Euklidiese afstand gebaseer. maatstaf bereken binne die SVM kern. 'n vergelykende studie word met behulp van drie klassieke korporatiewe nood modelle en 'n alternatiewe model wat gebaseer is op die SVM benadering. " gebruik SVMs om bankrotskap voorspellers kies, en bied 'n vergelykende studie. Abstract:. " 'N twee-stadium neurale netwerk argitektuur gebou deur die kombinasie van Support Vector Machines (SVMs) met self-organiserende funksie kaart (SOM) word vir finansiële tydreekse vooruitskatting In die eerste fase, SOM word gebruik as 'n groepering algoritme om te verdeel die hele insette ruimte in verskeie disjunkte streke. A-boom gestruktureerde argitektuur is in die verdeling aangeneem om die probleem van van ewigheid die aantal verdeel streke voorkom. Dan, in die tweede fase, verskeie SVMs, ook bekend as SVM kundiges, wat die beste pas by elke verdeel streek opgerig deur die vind van die mees geskikte kern funksie en die optimale leer parameters van SVMs. die Santa Fe wisselkoers en vyf real termynkontrakte gebruik word in die eksperiment. Daar word aangetoon dat die voorgestelde metode bereik beide aansienlik hoër voorspelling prestasie en vinniger konvergensie spoed in vergelyking met 'n enkele SVM model. " gekombineer SVMs met 'n self-organiserende funksie kaart (SOM) en getoets die model op die Santa Fe wisselkoers en vyf real termynkontrakte. Hulle het getoon dat hul voorgestelde metode bereik beide aansienlik hoër voorspelling prestasie en vinniger konvergensie spoed in vergelyking met 'n enkele SVM model. Abstract: "In hierdie artikel bied ons 'n ontleding van die resultate van 'n studie in die groothandel (spot) elektrisiteit prys vooruitskatting gebruik te maak van neurale netwerke (NNS) en ondersteuning Vector Machines (SVM) Gereelde regulatoriese veranderinge in markte elektrisiteit en die vinnig veranderende mark deelnemer. pryse (bied) strategieë veroorsaak doeltreffende heropleiding te deurslaggewend wees in die handhawing van die akkuraatheid van elektrisiteit prys voorspellingsmodelle. die doeltreffendheid van NN en SVM heropleiding vir prys vooruitskatting is geëvalueer met behulp van die Australiese Nasionale elektrisiteit mark (NEM), Nieu-Suid-Wallis-data oor die tydperk vanaf September 1998 tot Desember 1998. die ontleding van die resultate het getoon dat SVMs met een unieke oplossing, produseer meer konsekwent vooruitskatting akkuraathede en dus minder tyd om optimaal te lei as nns wat kan lei tot 'n oplossing by enige van 'n groot aantal plaaslike minima vereis . Die SVM en NN vooruitskatting akkuraathede gevind wat baie soortgelyk te wees. " geëvalueer met behulp van neurale netwerke (NNS) en ondersteuning Vector Machines (SVM) vir die groothandel (spot) elektrisiteit prys vooruitskatting. Die SVM vereis minder tyd om optimaal te lei as die NN, terwyl die SVM en NN vooruitskatting akkuraathede gevind wat baie soortgelyk te wees. Abraham Ajith en Andy AUYEUNG, 2003 Integrasie Ensemble van Intelligent Systems vir Modeling Stock indekse. In: Verrigtinge van 7de Internasionale Werk Konferensie oor Kunsmatige en natuurlike neurale netwerke, Deel II. Lesingnotas in Rekenaarwetenskap, Deel 2687, Jose Mira en Jose R. Alverez (Eds.), Springer Verlag, Duitsland, pp. 774-781, 2003. [Aangehaal deur 3] (0.94 / year) Abstract:.. "Die gebruik van intelligente stelsels vir aandelemark voorspellings is wyd gevestig In hierdie vraestel, ons ondersoek hoe die skynbaar chaotiese gedrag van aandelemarkte kan goed verteenwoordig met behulp van ensemble van intelligente paradigmas Om die voorgestelde tegniek demonstreer, ons beskou Nasdaq-100-indeks van Nasdaq Stock Market SM en die SP CNX NIFTY voorraad indeks. die intelligente paradigmas beskou was 'n kunsmatige neurale netwerk opgelei behulp Levenberg-Marquardt algoritme, ondersteuning vektor masjien, Takagi-Sugeno neuro-fuzzy model en 'n verskil bevordering neurale netwerk . die verskillende paradigmas is gekombineer met behulp van twee verskillende ensemble benaderings ten einde die prestasie te optimaliseer deur die vermindering van die verskillende fout maatreëls. die eerste benadering is gebaseer op 'n direkte fout meet en die tweede metode is gebaseer op 'n evolusionêre algoritme om die optimale lineêre kombinasie soek van die verskillende intelligente paradigmas. eksperimentele resultate dui daarop dat die ensemble tegnieke beter presteer as die individuele metodes en die direkte ensemble benadering blyk om goed te werk vir die probleem beskou. " . . . . . . . Vol. . .