Forex Vorhersage Svm

Stützvektormaschinen: Finanzanwendungen Aufgeführt in der Reihenfolge der Zitate pro Jahr, am höchsten an der Spitze. Letzte Aktualisierung September 2006. PANG, Bo, Lillian LEE und Shivakumar VAITHYANATHAN, 2002. Thumbs up Sentiment Klassifizierung mit Machine Learning Techniques. In: EMNLP 02: Proceedings of the ACL-02 Konferenz über empirische Methoden in der natürlichen Sprachverarbeitung - Band 10. Seiten 79 & ndash; 86. Zitat von 154 (36.66Jahr) Abstract: Wir betrachten das Problem der Klassifizierung von Dokumenten nicht durch Thema, sondern durch allgemeine Stimmung, z. B. Ob eine Überprüfung positiv oder negativ ist. Mit Film-Reviews als Daten, finden wir, dass Standard-Maschine Lern-Techniken definitiv übertreffen mensch-produzierten Basislinien. Die drei von uns eingesetzten maschinellen Lernmethoden (Naive Bayes, Maximale Entropie-Klassifikation und Support-Vektor-Maschinen) verhalten sich jedoch nicht so gut wie bei der klassischen themenbezogenen Kategorisierung. Wir schlussfolgern, indem wir Faktoren untersuchen, die das Problem der Stimmungseinstufung schwieriger machen. Festgestellt, dass, mit Film-Bewertungen als Daten, Standard-Maschine Lern-Techniken definitiv übertroffen menschlichen produzierten Basislinien. Sie stellten jedoch auch fest, dass die drei von ihnen eingesetzten maschinellen Lernmethoden (Naive Bayes, maximale Entropie-Klassifikation und Support-Vektor-Maschinen) nicht so gut auf die Stimmungseinstufung als auf herkömmliche themenbasierte Kategorisierung reagierten. VAN GESTEL, Tony et al. . 2001. Financial Time Series Vorhersage Verwenden Least Squares Support Vector Maschinen innerhalb der Evidence Framework. IEEE-Transaktionen über Neuronale Netze. Band 12, Nr. 4, Juli 2001, Seiten 809-821. Zitat von 77 (14.82Jahr) Zusammenfassung: Das Bayes'sche Evidenz-Framework wird in dieser Arbeit zur LS-SVM-Regression verwendet, um auf nichtlineare Modelle zur Vorhersage einer finanziellen Zeitreihe und der damit verbundenen Volatilität schließen zu können. Auf der ersten Ebene der Schlussfolgerung ist ein statistischer Rahmen mit der LS-SVM-Formulierung verknüpft, die es erlaubt, die zeitvariable Volatilität des Marktes durch eine geeignete Auswahl von mehreren Hyperparametern zu berücksichtigen. Die Hyperparameter des Modells werden auf der zweiten Schlußfolgerung abgeleitet. Die abgeleiteten Hyperparameter, bezogen auf die Volatilität, werden verwendet, um ein Volatilitätsmodell innerhalb des Evidenzrahmens zu konstruieren. Der Modellvergleich wird auf der dritten Schlußebene durchgeführt, um automatisch die Parameter der Kernelfunktion einzustellen und die entsprechenden Eingänge auszuwählen. Die LS-SVM-Formulierung ermöglicht es, analytische Ausdrücke im Merkmalsraum abzuleiten und praktische Ausdrücke werden im Dualraum erhalten, wobei das innere Produkt durch die verwandte Kernfunktion durch Mercers-Theorem ersetzt wird. Die Vorhersageergebnisse, die bei der Vorhersage der wöchentlichen 90-Tage-T-Bill-Rate und der täglichen DAX30-Schlusskurse erzielt wurden, zeigen, dass signifikante Probenvorhersagen in Bezug auf die Pesaran-Timmerman-Teststatistik mit dem Bayesschen Evidenzrahmen in Zusammenhang stehen (LS-SVM) - Regression, um die wöchentliche 90-Tage-T-Bill-Rate und die täglichen DAX30-Schlusskurse zu prognostizieren. TAY, Francis E. H. und Lijuan CAO, 2001. Anwendung von Support-Vektor-Maschinen in der finanziellen Zeitreihen-Prognose. Omega: Das Internationale Journal für Managementwissenschaften. Band 29, Ausgabe 4, August 2001, Seiten 309-317. Zusammenfassung: Dieser Artikel befasst sich mit der Anwendung einer neuartigen neuronalen Netzwerktechnik, der Unterstützungsvektormaschine (SVM), in der finanziellen Zeitreihenvorhersage. Das Ziel dieser Arbeit ist es, die Machbarkeit von SVM in der finanziellen Zeitreihen-Prognose zu untersuchen, indem man sie mit einem neuronalen Netzwerk mit mehreren Layer-Backpropagation (BP) vergleicht. Fünf echte Futures-Kontrakte, die vom Chicago Mercantile Market zusammengestellt werden, werden als Datensätze verwendet. Das Experiment zeigt, dass SVM das BP neuronale Netzwerk basierend auf den Kriterien des normierten mittleren quadratischen Fehlers (NMSE), des mittleren Absolutfehlers (MAE), der direktionalen Symmetrie (DS) und der gewichteten Richtsymmetrie (WDS) übertrifft. Da es keine strukturierte Möglichkeit gibt, die freien Parameter von SVMs zu wählen, wird die Variabilität der Leistung bezüglich der freien Parameter in dieser Studie untersucht. Die Analyse der experimentellen Ergebnisse zeigte, dass es vorteilhaft ist, SVMs auf die Prognose der finanziellen Zeitreihen anzuwenden. Es wurde festgestellt, dass ein SVM bei fünf Real-Futures-Kontrakten des Chicago Mercantile Market ein besseres Neuronales Netzwerk mit mehrschichtigen Backpropagation (BP) übertraf. TAY, Francis E. H. und L. J. CAO, 2002. Geänderte Unterstützung Vektor-Maschinen in der finanziellen Zeitreihe Vorhersage. Neurocomputer. Band 48, Ausgabe 1-4, Oktober 2002, Seiten 847-861. Zusammenfassung: Dieses Papier schlägt eine modifizierte Version von Support-Vektor-Maschinen, genannt C-Unterstützung Unterstützung Vektor-Vektor-Maschine, um nicht-stationäre finanzielle Zeitreihen zu modellieren. Die C-unterstützenden Vektormaschinen werden durch eine einfache Modifikation der regulierten Risikofunktion in Support-Vektor-Maschinen erhalten, wobei die jüngsten 949-unempfindlichen Fehler stärker als die entfernten 949-unempfindlichen Fehler bestraft werden. Dieses Vorgehen basiert auf dem Vorwissen, dass sich in den nichtstationären Finanzzeitreihen die Abhängigkeit zwischen den Eingangsvariablen und der Ausgangsgröße über die Zeitdauer allmählich ändert, und zwar können die jüngsten Daten wichtige Informationen liefern als die fernen Vergangenheitsdaten. In dem Experiment werden die C-Zentriersupport-Vektormaschinen unter Verwendung von drei realen Futures getestet, die vom Chicago Mercantile Market gesammelt wurden. Es wird gezeigt, dass die C-Core-Support-Vektor-Rechner mit den tatsächlich geordneten Sample-Daten konsistent Prognosen besser als die Standard-Support-Vektor-Maschinen, mit der schlechtesten Leistung, wenn die umgekehrt geordneten Beispieldaten verwendet werden. Darüber hinaus verwenden die C-Unterstützung unterstützen Vektor-Maschinen weniger Support-Vektoren als die der Standard-Support-Vektor-Maschinen, was zu einer spärlichen Darstellung der Lösung entwickelten C-Unterstützung unterstützen Vektor-Maschinen, die jüngsten 949-unempfindlich Fehler sind schwerer als entfernt zu bestrafen 949-unempfindliche Fehler, und festgestellt, dass sie besser als Standard-SVMs auf drei realen Futures gesammelt aus dem Chicago Mercantile Market. HUANG, Zan, et al. . 2004. Kredit-Rating-Analyse mit Support-Vektor-Maschinen und neuronale Netze: eine Marktvergleichsstudie. Entscheidungsunterstützungssysteme. Band 37, Ausgabe 4 (September 2004), Seiten 543-558. Zitiert durch 21 (9.55Jahr) Abstract: Corporate Kredit-Rating-Analyse hat viele Forschungsinteressen in der Literatur angezogen. Jüngste Studien haben gezeigt, dass Künstliche Intelligenz (AI) Methoden eine bessere Leistung erzielten als herkömmliche statistische Methoden. Dieser Artikel stellt eine relativ neue Maschine Lern-Technik, unterstützt Vektor-Maschinen (SVM), auf das Problem in dem Versuch, ein Modell mit besserer Erklärungskraft bieten. Wir verwendeten Backpropagation Neural Network (BNN) als Benchmark und erzielte Vorhersage Genauigkeit um 80 für beide BNN und SVM-Methoden für die Vereinigten Staaten und Taiwan-Märkte. Allerdings wurde nur eine leichte Verbesserung der SVM beobachtet. Eine weitere Richtung der Forschung ist es, die Interpretierbarkeit der KI-basierten Modelle zu verbessern. Wir haben die jüngsten Forschungsergebnisse in der Interpretation des neuronalen Netzmodells angewendet und die relative Bedeutung der eingegebenen finanziellen Variablen aus den neuronalen Netzwerkmodellen erhalten. Basierend auf diesen Ergebnissen führten wir eine Marktvergleichsanalyse über die Unterschiede der bestimmenden Faktoren in den Märkten USA und Taiwan durch. Wir haben neuronale Netze und SVMs auf die Bonitätsvorhersage der Unternehmen für die Märkte in den USA und Taiwan angewendet und festgestellt, dass die Ergebnisse vergleichbar waren (Beide waren logistischer Regression überlegen), mit dem SVM etwas besser. CAO, Lijuan, 2003. Support Vektor Maschinen Experten für die Zeitreihe Vorhersage. Neurocomputer. Band 51, April 2003, Seiten 321-339. Zitat von 29 (9.08Jahr) Abstract: Dieses Papier schlägt vor, die Support-Vektor-Maschinen (SVMs) Experten für die Zeitreihen-Prognose. Die verallgemeinerten SVM-Experten verfügen über eine zweistufige neuronale Netzwerkarchitektur. In der ersten Stufe wird die selbstorganisierende Merkmalskarte (SOM) als ein Clustering-Algorithmus verwendet, um den gesamten Eingabebereich in mehrere unzusammenhängende Bereiche zu unterteilen. Eine baumstrukturierte Architektur wird in der Partition verwendet, um das Problem der Vorbestimmung der Anzahl der partitionierten Bereiche zu vermeiden. Dann werden in der zweiten Stufe mehrere SVMs, die auch als SVM-Experten bezeichnet werden, die am besten geeignete partitionierte Regionen bilden, indem sie die am besten geeignete Kernfunktion und die optimalen freien Parameter von SVMs finden. Die Sunspot-Daten, die Santa Fe-Datensätze A, C und D, und die beiden Baudatensätze werden im Experiment ausgewertet. Die Simulation zeigt, dass die SVM-Experten eine signifikante Verbesserung der Generalisierungsleistung im Vergleich zu den einzelnen SVM-Modellen erzielen. Darüber hinaus konvergieren die SVMs-Experten schneller und verwenden weniger Support-Vektoren. Dass ihre Methode der SVM-Experten eine signifikante Verbesserung gegenüber einzelnen SVM-Modellen erzielt hat, wenn sie auf den Santa Fe-Datensatz C angewendet wird (hochfrequente Wechselkurse zwischen dem Schweizer Franken und dem US Dollar). KIM, Kyoung-jae, 2003. Finanzielle Zeitreihenvorhersage mit Hilfe von Hilfsmaschinen. Neurocomputer. Band 55, Ausgabe 1-2 (September 2003), Seiten 307-319. Stützvektormaschinen (SVMs) sind viel versprechende Methoden für die Vorhersage von finanziellen Zeitreihen, weil sie eine Risikofunktion bestehend aus dem empirischen Fehler und einem regulierten Begriff verwenden, der aus dem strukturellen Risikominimierungsprinzip abgeleitet wird . Diese Studie verwendet SVM zur Vorhersage des Aktienkursindex. Darüber hinaus untersucht diese Studie die Durchführbarkeit der Anwendung von SVM in der Finanzprognose durch den Vergleich mit Back-Propagation neuronale Netze und Fall-basierte Argumentation. Die experimentellen Ergebnisse zeigen, dass SVM eine vielversprechende Alternative zur Börsenvorhersage bietet. Es zeigte sich, dass die SVMs bei der Prognose des kosmopolitischen Aktienkursindexes (KOSPI) für Back-Propagation-Neuronale Netze und Fall-basierte Argumentation überdurchschnittlich waren. SHIN Kyung-Shik, Taik Soo LEE und Hyun-jung KIM, 2005. Eine Anwendung von Support-Vektor-Maschinen in Konkurs-Vorhersage-Modell. Expertensysteme mit Anwendungen . Band 28, Ausgabe 1, Januar 2005, Seiten 127-135. Zusammenfassung: Diese Studie untersucht die Wirksamkeit der Anwendung von Support-Vektor-Maschinen (SVM) Insolvenzprognose Problem. Obwohl es eine bekannte Tatsache ist, dass das Back-Propagation-Neuralnetzwerk (BPN) bei Mustererkennungsaufgaben gut abläuft, weist das Verfahren einige Einschränkungen darin auf, dass es eine Kunst ist, eine geeignete Modellstruktur und eine optimale Lösung zu finden. Weiterhin ist das Laden von so vielen Trainingseinheiten wie möglich in das Netzwerk erforderlich, um die Gewichte des Netzwerks zu durchsuchen. Andererseits ist es, da SVM geometrische Merkmale des Merkmalsraums erfasst, ohne Gewichte von Netzwerken aus den Trainingsdaten abzuleiten, in der Lage, die optimale Lösung mit der kleinen Trainingssatzgröße zu extrahieren. In dieser Studie zeigen wir, dass die vorgeschlagene Klassifikator der SVM Ansatz besser als BPN, um das Problem der Unternehmen Bankrott-Vorhersage. Die Ergebnisse zeigen, dass die Genauigkeit und Verallgemeinerungsleistung von SVM besser ist als die von BPN, wenn die Trainingsmenge kleiner wird. Wir untersuchen auch die Wirkung der Variabilität in der Leistung in Bezug auf verschiedene Werte von Parametern in SVM. Darüber hinaus untersuchen und zusammenfassen, die mehrere überlegene Punkte des SVM-Algorithmus im Vergleich zu BPN. demonstrated, dass SVMs besser als Back-Propagation neuronale Netze, wenn auf die Konkurs-Vorhersage angewendet. CAO, L. J. und Francis E. H. TAY, 2003. Unterstützung Vektor Maschine mit adaptiven Parametern in Financial Time Series Prognose. IEEE-Transaktionen über Neuronale Netze. Band 14, Ausgabe 6, November 2003, Seiten 1506-1518. Eine neuartige Lernmaschine namens Support Vector Machine (SVM) erhält zunehmendes Interesse an Bereichen, die von ihrer ursprünglichen Anwendung in der Mustererkennung bis hin zu anderen Anwendungen wie der Regressionschätzung aufgrund ihrer bemerkenswerten Generalisierungsleistung reichen . Dieser Beitrag befasst sich mit der Anwendung von SVM in der finanziellen Zeitreihenprognose. Die Möglichkeit, SVM in der Finanzprognose anzuwenden, wird zunächst durch Vergleich mit dem neuronalen Netz der Multilayer Backpropagation (BP) und dem regulären Neuronalen Netz (RBF) untersucht. Die Variabilität der Leistung von SVM in Bezug auf die freien Parameter wird experimentell untersucht. Adaptive Parameter werden dann durch Einbeziehung der Nicht-Stationarität der finanziellen Zeitreihen in SVM vorgeschlagen. Als Datensätze werden fünf echte Futures-Kontrakte des Chicago Mercantile Market verwendet. Die Simulation zeigt, dass unter den drei Methoden, SVM übertrifft das BP neuronale Netzwerk in der Finanzprognose, und es gibt vergleichbare Generalisierung Leistung zwischen SVM und die regulierte RBF neuronale Netzwerk. Darüber hinaus haben die freien Parameter von SVM einen großen Einfluss auf die Verallgemeinerungsleistung. SVM mit adaptiven Parametern können sowohl eine höhere Verallgemeinerungsleistung erzielen als auch die Verwendung von weniger unterstützenden Vektoren als die Standard-SVM bei der Finanzprognose. Es wurde ein SVM, ein neuronales Netzwerk mit mehreren Ebenen und ein reguläres RBF-Neuronennetz verwendet Fünf echte Futures-Kontrakte aus dem Chicago Mercantile Market zusammengestellt. Die Ergebnisse zeigten, dass das SVM und das regulierte neuronale RBF-Netzwerk vergleichbar waren und beide das BP neuronale Netzwerk übertrafen. CAO, Lijuan und Francis E. H. TAY, 2001. Finanzprognose unter Verwendung von Unterstützungsvektormaschinen. Neuronale Computeranwendungen. Band 10, Nr. 2 (Mai 2001), Seiten 184-192. Zitiert durch 26 (5.00Jahr) Zusammenfassung: Die Verwendung von Support Vector Machines (SVMs) wird in der Finanzprognose untersucht, indem sie mit einem mehrschichtigen Perceptron, das mit dem Backpropagation (BP) Algorithmus trainiert wird, verglichen wird. SVMs prognostizieren besser als BP basierend auf den Kriterien Normalized Mean Square Error (NMSE), Mean Absolute Error (MAE), Directional Symmetry (DS), Correct Up (CP) und Correct Down (CD) Trend. Als Datensatz wird SampP 500-Tagespreisindex verwendet. Da es keine strukturierte Möglichkeit gibt, die freien Parameter von SVMs zu wählen, wird der Generalisierungsfehler in Bezug auf die freien Parameter von SVMs in diesem Experiment untersucht. Wie in dem Experiment dargestellt, haben sie wenig Einfluss auf die Lösung. Die Analyse der experimentellen Ergebnisse zeigt, dass es vorteilhaft ist, SVMs zur Prognose der finanziellen Zeitreihen anzuwenden. Es wurde festgestellt, dass SVMs den SampP 500-Tagespreisindex besser prognostizieren als ein mehrschichtiges Perceptron, das mit dem Backpropagation (BP) Algorithmus trainiert wird. MIN, Jae H. und Young-Chan LEE, 2005. Bankruptcy Vorhersage mit Unterstützung Vektor-Maschine mit optimaler Wahl der Kernel-Funktion Parameter. Expertensysteme mit Anwendungen . Band 28, Ausgabe 4, Mai 2005, Seiten 603-614. Zitiert durch 6 (5.00Jahr) Zusammenfassung: Bankruptcy Vorhersage hat eine Menge Forschungsinteressen in früheren Literatur gezogen, und neue Studien haben gezeigt, dass Maschinen-Lerntechniken eine bessere Leistung als herkömmliche statistische erreicht. Dieses Papier gilt Support-Vektor-Maschinen (SVMs) auf die Insolvenz Vorhersage Problem in einem Versuch, ein neues Modell mit besserer Erklärungskraft und Stabilität vorschlagen. Zu diesem Zweck verwenden wir eine Gitter-Such-Technik mit 5-facher Kreuzvalidierung, um die optimalen Parameterwerte der Kernfunktion von SVM herauszufinden. Um die Vorhersagegenauigkeit von SVM zu bewerten, vergleichen wir die Performance mit denen der multiplen Diskriminanzanalyse (MDA), der logistischen Regressionsanalyse (Logit) und der dreistufigen, vollständig verbundenen Neuronalen Netze (BPNs). Die experimentellen Ergebnisse zeigen, dass SVM die anderen Methoden übertrifft. Es zeigte sich, dass SVMs bei der Insolvenzprognose mehrfache Diskriminanzanalyse (MDA), logistische Regressionsanalyse (Logit) und dreischichtige, vollständig verbundene neuronale Netze (BPNs) unterstützen. ABRAHAM, Ajith, Ninan Sajith PHILIP und P. SARATCHANDRAN, 2003. Modellierung chaotischen Verhaltens von Aktienindizes mit intelligenten Paradigmen. Neuronale, parallele Ampere Wissenschaftliche Berechnungen. Band 11, Seiten 143-160. Zitiert durch 10 (4.55Jahr) Abstract: Die Verwendung von intelligenten Systemen für Börsenvorhersagen wurde weitgehend etabliert. In dieser Arbeit wird untersucht, wie das scheinbar chaotische Verhalten der Aktienmärkte unter Verwendung mehrerer verbindlicher Paradigmen und Soft Computing Techniken gut dargestellt werden kann. Um die verschiedenen Techniken zu demonstrieren, haben wir den Nasdaq-100 Index der Nasdaq Stock Market SM und den SP CNX NIFTY Aktienindex betrachtet. Wir analysierten 7 Jahr8217s Nasdaq 100 Hauptindexwerte und 4 Jahr8217s NIFTY Indexwerte. Dieses Papier untersucht die Entwicklung einer zuverlässigen und effizienten Technik, um das scheinbar chaotische Verhalten der Aktienmärkte zu modellieren. Wir betrachteten ein künstliches neuronales Netzwerk, das mit dem Levenberg-Marquardt-Algorithmus, der Support Vector Machine (SVM), dem Takagi-Sugeno Neurofuzzy-Modell und einem Difference Boosting Neural Network (DBNN) trainiert wurde. In diesem Beitrag wird kurz erläutert, wie die verschiedenen verbindungspsychologischen Paradigmen unter Verwendung verschiedener Lernmethoden formuliert werden könnten, und untersucht, ob sie das erforderliche Leistungsniveau bereitstellen können, die ausreichend gut und robust sind, um ein verlässliches Prognosemodell für Börsenindizes zu liefern. Die experimentellen Ergebnisse zeigen, dass alle betrachteten Konnektivitätsparadigmen das Bestandsverhalten sehr genau widerspiegeln können. Angewendet wurden vier verschiedene Techniken, ein künstliches neuronales Netzwerk, das mit dem Levenberg-Marquardt-Algorithmus, einer Unterstützungsvektor-Maschine, einem differenzverstärkenden neuronalen Netzwerk und einem Takagi-Sugeno trainiert wurde Fuzzy-Inferenz-System mit Hilfe eines neuronalen Netzwerkalgorithmus (Neuro-Fuzzy-Modell) zur Vorhersage des Nasdaq-100 Index des Nasdaq Stock Market und des SP CNX NIFTY Aktienindex gelernt. Keine Technik war eindeutig überlegen, aber absurd, sie versuchen, den absoluten Wert der Indizes vorherzusagen, anstatt Log-Rückkehr verwenden. Yang, Haiqin, Laiwan CHAN und Irwin KING, 2002. Unterstützung Vektor Maschine Regression für Volatile Stock Market Vorhersage. In: Intelligente Datentechnik und Automatisiertes Lernen: IDEAL 2002. Herausgegeben von Hujun Yin, et al. . Seiten 391-396, Springer. Zitiert durch 19 (4.52Jahr) Zusammenfassung: Vor kurzem wurde Support Vector Regression (SVR) eingeführt, um Regression und Vorhersage Probleme zu lösen. In diesem Papier wenden wir SVR auf finanzielle Vorhersage Aufgaben. Insbesondere sind die Finanzdaten in der Regel verrauscht und das damit verbundene Risiko zeitintensiv. Daher ist unsere SVR-Modell eine Erweiterung der Standard-SVR, die Margen Adaption enthält. Durch Variation der Margen der SVR konnten wir die Veränderung der Volatilität der Finanzdaten widerspiegeln. Darüber hinaus haben wir die Auswirkung asymmetrischer Margen analysiert, um die Reduktion des Abwärtsrisikos zu ermöglichen. Unsere experimentellen Ergebnisse zeigen, dass die Verwendung der Standardabweichung zur Berechnung einer variablen Marge ein gutes prädiktives Ergebnis in der Vorhersage des Hang Seng Index. tryed Variieren der Margen in SVM Regression, um die Veränderung der Volatilität der Finanzdaten widerspiegeln und analysiert die Wirkung der asymmetrischen Ränder, um die Verringerung des Abwärtsrisikos zu ermöglichen. Der frühere Ansatz lieferte den geringsten Gesamtfehler bei der Vorhersage des täglichen Schlusskurses des Hong Kongs Hang Seng Index (HSI). HUANG, W. Y. NAKAMORI und S. Y. WANG, 2005. Vorhersage Börse Bewegung Richtung mit Unterstützung Vektor-Maschine. Forschung. Band 32, Ausgabe 10, Seiten 2513-2522. (SVM) ist eine sehr spezifische Art von Lernalgorithmen, die durch die Kapazitätssteuerung der Entscheidungsfunktion, die Verwendung der Kernfunktionen und die spärliche Lösung der Lösung charakterisiert sind. In diesem Papier untersuchen wir die Vorhersagbarkeit der finanziellen Bewegungsrichtung mit SVM durch die Prognose der wöchentlichen Bewegungsrichtung des NIKKEI 225 Index. Um die Prognosefähigkeit von SVM zu bewerten, vergleichen wir die Performance mit denen der linearen Diskriminanzanalyse, der quadratischen Diskriminanzanalyse und der Elman Backpropagation Neural Networks. Die experimentellen Ergebnisse zeigen, dass SVM die anderen Klassifizierungsverfahren übertrifft. Weiterhin schlagen wir ein Kombinationsmodell vor, indem wir SVM mit den anderen Klassifizierungsverfahren integrieren. Das Kombinationsmodell hat bei allen Prognosemethoden die besten Möglichkeiten, die SVMs, die lineare Diskriminanzanalyse, die quadratische Diskriminanzanalyse und die Elman Backpropagation Neural Networks zu prognostizieren, um die wöchentliche Bewegungsrichtung des NIKKEI 225 Index zu prognostizieren, und stellte fest, dass das SVM alle anderen Klassifizierungsmethoden übertraf . Besser noch war eine gewichtete Kombination der Modelle. TRAFALIS, Theodore B. und Huseyin INCE, 2000. Unterstützung Vektor Maschine für Regression und Anwendungen für die finanzielle Prognose. In: IJCNN 2000: Proceedings of the IEEE-INNS-ENNS Internationale gemeinsame Konferenz über Neuronale Netze: Band 6, herausgegeben von Shun-Ichi Amari, et al. . Seite 6348, IEEE Computer Society. Zusammenfassung: Das Hauptziel dieser Arbeit ist es, die von Vapnik entwickelte Unterstützungsvektormaschine (SVM) mit anderen Techniken wie Backpropagation und Radial Base Function (RBF) Netzwerken für Finanzprognoseanwendungen zu vergleichen. Die Theorie des SVM-Algorithmus basiert auf der statistischen Lerntheorie. Das Training von SVMs führt zu einem quadratischen Programmierproblem (QP). Vorläufige Berechnungsergebnisse für die Aktienkursvorhersage werden auch vorbereitete SVMs mit Backpropagation und Radial Basis Function (RBF) Netzwerken durch Vorhersage IBM, Yahoo und America Online täglichen Aktienkurse. Seltsam, mit dem SVM für die Regression sie forwent eine Validierung gesetzt, setzen Sie epsilon auf Null, fixiert C und wiederholte das Experiment für verschiedene feste Einstellungen des Kernels Parameter, Sigma, was zu mehreren Ergebnissen. CAO, Lijuan und Qingming GU, 2002. Dynamische Unterstützung Vektor-Maschinen für nicht-stationäre Zeitreihen Vorhersage. Intelligente Datenanalyse. Band 6, Nr. 1, Seiten 67-83. Zusammenfassung: Dieses Papier schlägt eine modifizierte Version von Support-Vektor-Maschinen (SVMs), genannt dynamische Unterstützung Vektor-Maschinen (DSVMs), um nicht-stationäre Zeitreihen zu modellieren. Die DSVMs werden durch Einbeziehung der Problemdomäne Wissen - Nicht-Stationarität der Zeitreihen in SVMs erhalten. Anders als die Standard-SVMs, die in allen Trainingsdatenpunkten feste Werte der Regularisierungskonstante und der Röhrengröße verwenden, verwenden die DSVMs eine exponentiell zunehmende Regularisierungskonstante und eine exponentiell abnehmende Röhrengröße, um mit strukturellen Änderungen in den Daten umzugehen. Die dynamische Regularisierungskonstante und die Rohrgrße beruhen auf dem Vorwissen, daß in der nichtstationären Zeitreihe die letzten Datenpunkte wichtige Informationen liefern können als entfernte Datenpunkte. In dem Experiment werden die DSVMs unter Verwendung von sowohl simulierten als auch realen Datensätzen ausgewertet. Die Simulation zeigt, dass die DSVMs besser als die Standard-SVMs bei der Prognose nichtstationärer Zeitreihen verallgemeinern. Ein weiterer Vorteil dieser Modifikation ist, dass die DSVMs weniger Unterstützungsvektoren verwenden, was zu einer sparseren Darstellung der Lösung führt. Die vorherige Erkenntnis, dass finanzielle Zeitreihen in ihren dynamischen Unterstützungsvektormaschinen (DSVMs) nicht stationär sind und eine exponentiell zunehmende Regularisierungskonstante verwenden, Eine exponentiell abnehmende Röhrengröße, um mit strukturellen Änderungen in den Daten auf der Annahme umzugehen, daß jüngere Datenpunkte wichtige Informationen liefern können als entfernte Datenpunkte. Sie schließen, dass DSVMs besser als Standard-SVMs bei der Prognose nichtstationärer Zeitreihen verallgemeinern, während sie auch weniger Unterstützungsvektoren verwenden, was zu einer schärferen Repräsentation der Lösung führt. TAY, Francis E. H. und L. J. CAO, 2002. 949-Absteigende Unterstützungsvektormaschinen für Financial Time Series Forecasting. Neural Processing Letters 15 (2): 179-195. Zusammenfassung: Dieses Papier schlägt eine modifizierte Version von Support-Vektor-Maschinen (SVMs), genannt 949-absteigende Unterstützung Vektor-Maschinen (949-DSVMs), um nicht-stationäre finanzielle Zeitreihen zu modellieren. Die 949-DSVMs werden durch Einbeziehung der Problemdomäne Wissen 8211 Nicht-Stationarität der finanziellen Zeitreihen in SVMs erhalten. Anders als die Standard-SVMs, die eine konstante Röhre in allen Trainingsdatenpunkten verwenden, verwenden die 949-DSVMs ein adaptives Röhrchen, um mit den Strukturänderungen in den Daten umzugehen. Das Experiment zeigt, dass die 949-DSVMs besser als die Standard-SVMs in der Prognose verallgemeinern Nicht-stationäre finanzielle Zeitreihen. Ein weiterer Vorteil dieser Modifikation ist, dass die 949-DSVMs auf weniger Unterstützungsvektoren konvergieren, was zu einer schärferen Repräsentation der Lösung führt. Die Problemdomänen-Kenntnis der Nichtstationarität von finanziellen Zeitreihen in SVMs wurde durch Verwendung eines adaptiven Tubus in ihrer sogenannten Epsilon-absteigende Unterstützung Vektor-Maschinen (epsilon-DSVMs). Experiment zeigte, dass epsilon-DSVMs besser als Standard-SVMs bei der Prognose nichtstationärer finanzieller Zeitreihen verallgemeinern und auch auf weniger unterstützende Vektoren konvergieren, was zu einer schärferen Darstellung der Lösung führt. DEBNATH, Sandip und C. Lee GILES, 2005. Ein Lernbasiertes Modell für die Headline-Extraktion von Nachrichtenartikeln, um erläuternde Sätze für Ereignisse zu finden. In: K-CAP 821705: Proceedings der 3. internationalen Konferenz zur Wissenserfassung. Seiten 189-190. Zitiert durch 2 (1.67Jahr) Abstract: Metadateninformationen spielen eine entscheidende Rolle bei der Vervielfältigung von Dokumenten, die Effizienz und Archivierbarkeit organisieren. Metadaten von Nachrichten umfassen DateLine. ByLine. HeadLine und viele andere. Wir fanden, dass HeadLine-Informationen für das Vermuthen des Themas des Nachrichtenartikels nützlich sind. Besonders für Finanznachrichtenartikel haben wir herausgefunden, dass HeadLine damit besonders hilfreich sein kann, erklärende Sätze für wesentliche Ereignisse wie signifikante Veränderungen der Aktienkurse zu finden. In diesem Papier untersuchen wir einen unterstützungsvektorbasierten Lernansatz, der automatisch die HeadLine-Metadaten extrahiert. Wir finden, dass die Klassifizierungsgenauigkeit des Auffindens der HeadLine s verbessert, wenn DateLine s zuerst identifiziert werden. Wir haben dann die extrahierte HeadLine s verwendet, um eine Musteranpassung von Schlüsselwörtern einzuleiten, um die Sätze zu finden, die für das Storythema verantwortlich sind. Mit diesem Thema und ein einfaches Sprachmodell ist es möglich, alle erläuternden Sätze für eine signifikante Preisänderung zu finden. Ein neuartiger Ansatz zum Extrahieren von Nachrichtenmetadaten HeadLines mithilfe von SVMs und deren Verwendung zum Finden von Story-Themen, um eine satzbasierte Erklärung für eine Aktie zu erhalten, ist möglich Preisänderung. Van GESTEL, Tony et al. . 2003. Eine Unterstützung Vektor Maschine Ansatz für Kredit-Scoring. Bank en Financiewezen. Band 2, März, Seiten 73-82. Angespornt durch die Notwendigkeit, Kapital in einer profitable Weise zu verteilen und durch die kürzlich vorgeschlagenen Basel-II-Vorschriften, werden die Finanzinstitute mehr und mehr dazu verpflichtet, Kredit-Scoring-Modelle zu erstellen, die das Ausfallrisiko ihrer Kunden beurteilen . Viele Techniken wurden vorgeschlagen, um dieses Problem anzugehen. Support Vector Machines (SVMs) ist eine vielversprechende neue Technik, die vor kurzem aus verschiedenen Bereichen wie angewandte Statistik, neuronale Netze und maschinelles Lernen ausging. In dieser Arbeit experimentieren wir mit Hilfe von VSMs, einer kürzlich modifizierten Version von SVMs, mit den kleinsten Quadraten, die im Vergleich zu den klassischen Methoden, den Ordinary Least Squares (OLS), Ordinal Logistic Regression OLR), die Multilayer Perceptron (MLP) und die kleinsten Quadrate unterstützen Vektor-Maschinen (LS-SVMs), wenn auf Kredit-Scoring angewendet. Die SVM-Methodik ergab signifikante und konsistent bessere Ergebnisse als die klassischen linearen Bewertungsverfahren. FAN, Alan und Marimuthu PALANISWAMI, 2000. Auswahl von Bankruptcy Predictors mit einem Support Vector Machine Ansatz. IJCNN 2000: Proceedings of the IEEE-INNS-ENNS Internationale gemeinsame Konferenz über Neuronale Netze, Band 6. Herausgegeben von Shun-Ichi Amari et al. . Seite 6354. Zitiert nach 9 (1.45Jahr) Abstract: Konventionelle neuronale Netzwerk Ansatz hat sich als nützlich bei der Vorhersage von betrügerischen Bedenken aus Abschlüssen gefunden. In diesem Papier haben wir einen Support Vector Machine Ansatz für das Problem verabschiedet. Eine neue Methode zur Auswahl von Konkurs-Prädiktoren wird unter Verwendung des Euklidischen Distanz-basierten Kriteriums, das innerhalb des SVM-Kerns berechnet wird, gezeigt. Eine Vergleichsstudie wird unter Verwendung von drei klassischen Unternehmen Notsituationen und ein alternatives Modell auf der Grundlage der SVM approach. use SVMs zur Auswahl Konkurs-Prädiktoren, und eine vergleichende Studie. TAY, Francis Eng Hock und Li Juan CAO, 2001. Verbesserte finanzielle Zeitreihenprognose durch Kombination von Support Vector Machines mit selbstorganisierender Feature Map. Intelligente Datenanalyse. Band 5, Nr. 4, Seiten 339-354. Eine zweistufige neuronale Netzwerkarchitektur, die durch die Kombination von Support Vector Machines (SVMs) mit Self-Organizing Feature Map (SOM) konstruiert wird, wird für die Zeitreihenprognose vorgeschlagen. In der ersten Stufe wird SOM als ein Clustering-Algorithmus verwendet, um den gesamten Eingangsraum in mehrere disjunkte Regionen zu unterteilen. Eine baumstrukturierte Architektur wird in der Partition verwendet, um das Problem der Vorbestimmung der Anzahl der partitionierten Bereiche zu vermeiden. Dann werden in der zweiten Stufe mehrere SVMs, die auch als SVM-Experten bezeichnet werden, die am besten zu jedem partitionierten Bereich passen, konstruiert, indem die am besten geeignete Kernfunktion und die optimalen Lernparameter von SVMs gefunden werden. Der Santa Fe-Wechselkurs und fünf Real-Futures-Kontrakte werden in dem Experiment verwendet. Es wird gezeigt, dass das vorgeschlagene Verfahren sowohl eine signifikant höhere Vorhersageleistung als auch eine schnellere Konvergenzgeschwindigkeit im Vergleich zu einer einzigen SVM-modellierten SVMs mit einer selbstorganisierenden Merkmalkarte (SOM) erreicht und das Modell auf dem Santa Fe-Wechselkurs und fünf Real-Futures-Kontrakten getestet hat . Sie zeigten, dass ihr vorgeschlagenes Verfahren sowohl eine signifikant höhere Vorhersageleistung als auch eine schnellere Konvergenzgeschwindigkeit im Vergleich zu einem einzigen SVM-Modell erzielt. SANSOM, D. C. T. DOWNS und T. K. SAHA, 2003. Evaluierung der Unterstützung Vektor maschinenbasierte Prognose-Tool in der Strompreis-Prognose für australische nationalen Strommarkt-Teilnehmer. Zeitschrift für anorganische und allgemeine Chemie. Band 22, Nr. 3, Seiten 227-234. In dieser Arbeit stellen wir eine Analyse der Ergebnisse einer Studie vor, in der die Strompreisvorhersage für die Großhandelspreise anhand von Neuronalen Netzwerken (NNs) und Support Vector Machines (SVM) untersucht wird. Häufige regulatorische Veränderungen in den Elektrizitätsmärkten und die sich schnell entwickelnden Marktteilnehmerpreise (Bietungsstrategien) führen dazu, dass eine effiziente Umschulung entscheidend für die Erhaltung der Genauigkeit von Strompreisvorhersagemodellen ist. 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. Forex predictions It is very difficult to predict how the market price of a currency will move in relation to another currency. Currency exchange rates are impacted by such as wide host of factors, including psychological ones and the intrinsic herd-mentality of speculative markets. Sometimes a simple rumor is enough to make a currency sink like a stone, at least temporary. Not only is it difficult to predict how the forex market will react to something, but it is also notoriously difficult to predict how strong that reaction will be, and what any counter-reactions will look like. This can make it hard to trade successfully with leveraged Forex certificates. A temporary reaction in the market can wipe out your position even if you are correct about the long term trend. It can often be better to use financial instrument such as binary options to benefit from trends on the currency market. Binary options give a good return and will not be affected by temporary drops in the market. The only thing that matters is the currency price at the time of maturity. Most Forex brokers do not offer trade with binary options. You will need a binary options broker account if you want to trade with binary options. Examples of factors that can influence the price of a currency in relation to other currencies The overall economic situation of the issuer of the currency. A strong economy will often mean a strong currency as well. Of course, if the currency becomes very highly valued, this can become problematic for export companies, and a problematic economic situation can arise for certain sectors of the country. At the same time, other sectors can be doing great since they profit from the low-cost of imported goods. The commercial balance of the issuer of the currency. A trade-deficiency will normally lead to a weakening of the currency. The political situation for the issuer of the currency. Unrest and instability will typically cause a drop in currency value. A stable political situation that is still not a good political situation can translate into a currency that is low value, but stable. Targeted speculation by one or several major currency traders. Sometimes even a comparatively small purchase or sale can be sufficient to trigger other traders to act in certain ways. It is often difficult to pin-point one specific reason for a currency to be weak or strong, or go up or down, since factors such as these tend to be intertwined with each other. The economic situation Different traders can also have different ideas about what actually constitutes good political and economic situation. There is for instance those who are very focused on Gross Domestic Product (GDP), while others prefer to also look at GDP at purchasing power parity per capita. Other important factors are national debt, retail sales and employmentunemploymentunderemployment statistics. One things that is very likely to cause a dramatic drop in currency value is an issuer that struggles to pay its debts. This will of course make the situation even worse for the issuer, if there are debts that must be paid in foreign currency. Commercial balance In the list above, the issuer8217s commercial balance is mentioned as one of the factors that can impact the market value of a currency. But what is this and how is it measured Commercial balance is the net export measured in local currency. If the issuer8217s (e. g. a country) exports are of a higher monetary value than the imports, the issuer has a positive commercial balance. If the value of the exports is smaller than the value of the imports, the commercial balance is negative. A negative commercial balance is also known as a trade deficit, and will typically bring the valuation of the currency down. Example: Country A exports a lot of high-value consumer goods. The countries that import all these products must pay for them using the currency of Country A. Therefore, the importing countries must purchase a lot of Country A currency at the forex market. The more sought after a currency is, the higher the price. The currency of Country A is therefore highly valued. If Country A had to import a lot of products, that could serve to bring the value of Country A currency down, since Country A would have to exchange a lot of its own currency for foreign currency at the forex market to pay for the imported goods. When Country A wants to sell a lot of its own currency, the availability of Country A currency at the forex market increases, and this impacts the demand-supply balance for Country A currency. It is important to remember that if the issuer is a country where producing goods for export is very important for the economy, the government might not want to see the currency get any stronger. A strong currency would make the exported products more expensive for foreign buyers, and the products might be out-competed by products produced in a country with a weaker currency. This would mean less revenue from exports, and probably also increased unemployment and underemployment as companies close down due to decreased foreign demand for their products. To avoid such a scenario, the government might take various actions in an effort to keep the currency from appreciating against other major currencies, and this is important for you to know if you are an FX trader. It should also be noted that a government might like the idea of having a low-valued currency since that can make domestically produced goods more sought after within the country, as imported goods becomes prohibitively expensive to purchase. Political stability and change When it comes to the forex market, political change can often have a larger impact than the overall political situation especially if we are looking at short-term fluctuations in exchange rates. This means that if something suddenly changes for the better for the issuer of a currency, the currency can appreciate markedly, even though the political situation is still very far from being good. The currency can appreciate in value against the currency of another country where the political situation is actually much better. The traders react to the change . Along the same lines, the valuation of a currency can drop sharply simply because a political situation is going from excellent to just fairly good. It should also be noted that sometimes a currency will appreciate simply as a reaction to the political situation in other countries. The political situation in Country A can be stable, but the currency is still going up like a rocket since the political situation in Country B, C and D is taking a turn for the worse and traders are rushing to own Country A currency. Of course, if Country A and Country B are neighbors or in any other way linked closely to each other, we might see the opposite thing happening. Country A is stable, but its currency is dropping in value anyway because traders fear that the political turmoil in Country B will soon impact Country A in a negative way. One of the reasons why fx traders shun political instability and social unrest is because they fear that investors (e. g. company owners) will pull out of the troublesome country or at the very least avoid making new investments. Such actions can lead to decreased demand for the currency, and traders don8217t want to find themselves stuck holding currency that few buyers want. Kommentarfunktion ist geschlossen. Find what you are looking for Avoid Scams Learn more about FXSupport Vector Machines for Regression The Support Vector method can also be applied to the case of regression, maintaining all the main features that characterise the maximal margin algorithm: a non-linear function is learned by a linear learning machine in a kernel-induced feature space while the capacity of the system is controlled by a parameter that does not depend on the dimensionality of the space. Cristianini and Shawe-Taylor (2000) In SVM the basic idea is to map the data x into a high-dimensional feature space F via a nonlinear mapping. and to do linear regression in this space (cf. Boser et al. (1992) Vapnik (1995)). Most Cited Bibliography CAO, Lijuan, Support vector machines experts for time series forecasting The simulation shows that the SVMs experts achieve significant improvement in the generalization performance in comparison with the single SVMs models. In addition, the SVMs experts also converge faster and use fewer support vectors. Cao (2002) GAO, J. B. S. R. GUNN and C. J. HARRIS, Mean field method for the support vector machine regression This paper deals with two subjects. First, we will show how support vector machine (SVM) regression problem can be solved as the maximum a posteriori prediction in the Bayesian framework. The second part describes an approximation technique that is useful in performing calculations for SVMs based on the mean field algorithm which was originally proposed in Statistical Physics of disordered systems. One advantage is that it handle posterior averages for Gaussian process which are not analytically tractable. Gao, Gunn and Harris (2002) GUNN, S. Support Vector Machines for Classification and Regression. ISIS Technical Report, 1998. Cited by 164 HARLAND, Zac, Using Support Vector Machines to Trade Aluminium on the LME. 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. Harland HONG, Dug Hun, Changha HWANG, Support vector fuzzy regression machines Support vector machine (SVM) has been very successful in pattern recognition and function estimationproblems. In this paper, we introduce the use of SVM for multivariate fuzzy linear and nonlinear regression models. Using the basic idea underlying SVM for multivariate fuzzy regressions gives computational efficiency of getting solutions. Hong and Hwang M220LLER, K.-R. Et al. Using Support Vector Machines for Time Series Prediction Support Vector Machines are used for time series prediction and compared to radial basis function networks. We make use of two different cost functions for Support Vectors: training with (i) an epsilon insensitive loss and (ii) Hubers robust loss function and discuss how to choose the regularization parameters in these models. Two applications are considered: data from (a) a noisy Mackey-Glass system (normal and uniform noise) and (b) the Santa Fe Time Series Competition (set D). In both cases, Support Vector Machines show an excellent performance. In case (b), the Support Vector approach improves the best known result on the benchmark by 29.Muller et al. (2000) PONTIL, Massimiliano, Sayan MUKHERJEE and Federico GIROSI, On the Noise Model of Support Vector Machine Regression Pontil, Mukherjee and Girosi (1998) SMOLA, Alex J. and Bernhard SCH214LKOPF, A Tutorial on Support Vector Regression Smola and Scholkopf (1998) Cited by 309