Aplicaciones Máquinas De Vectores Soporte Financiero

Máquinas de Vectores Soporte: Aplicaciones Financieras En orden de citas por año, el más alto en la parte superior. Última actualización septiembre de 2006. PANG, Bo, Lillian Lee y Shivakumar Vaithyanathan, 2002. Pulgares arriba? Clasificación Sentimiento utilizando técnicas de aprendizaje automático. En: EMNLP '02: Actas de la Conferencia ACL-02 sobre Métodos empíricos en Procesamiento del Lenguaje Natural - Volumen 10. páginas 79--86. [Citado por 154] (36.66 / año) Resumen:. "Consideramos que el problema de la clasificación de documentos no por tema, sino por el sentimiento general, por ejemplo, la determinación de si una revisión es positiva o negativa Usando críticas de películas como datos, nos encontramos con que las técnicas de aprendizaje automático estándar definitivamente superan a las líneas de base humanos producidos Sin embargo. , los tres métodos de aprendizaje automático que empleamos (Naive Bayes, máxima clasificación de la entropía, y máquinas de vectores soporte) no se desempeñan tan bien en la clasificación sentimiento como el tradicional categorización basada en tema. Concluimos por factores que hacen que el problema de clasificación sentimiento más difícil el examen ". encontrado que, usando críticas de cine como de datos, técnicas de aprendizaje automático estándar definitivamente superado a las líneas de base producidos por el hombre. Sin embargo, también encontraron que los tres métodos de aprendizaje automático que empleaban (Naive Bayes, máxima clasificación de entropía, y máquinas de vectores soporte) no se desempeñan tan bien en la clasificación sentimiento como el tradicional categorización basada en tema. Resumen:. "El marco de pruebas bayesiano se aplica en este documento para mínimos cuadrados máquinas de vectores soporte (LS-SVM) de regresión con el fin de inferir modelos no lineales para predecir una serie de tiempo financiera y la volatilidad relacionada En el primer nivel de la inferencia, una estadística marco está relacionada con la formulación de LS-SVM, que le permite a uno incluyen la volatilidad variable en el tiempo del mercado por una elección apropiada de varios parámetros hiper. Los hiper-parámetros del modelo se infieren en el segundo nivel de la inferencia. El inferido hiper-parámetros, relacionados con la volatilidad, se utilizan para construir un modelo de volatilidad en el marco de pruebas. comparación de modelos se realiza en el tercer nivel de la inferencia con el fin de ajustar automáticamente los parámetros de la función del núcleo y para seleccionar las entradas pertinentes. La formulación LS-SVM permite para derivar expresiones analíticas en el espacio de características y expresiones prácticas se obtienen en el espacio dual reemplazar el producto interno por la función kernel relacionado utilizando el teorema de Mercer. Las actuaciones de predicción un paso por delante obtenidos en la predicción de los 90 días la tasa del Tesoro semanalmente y los precios diarios de cierre DAX30 muestran que significativa de la muestra signo predicciones se pueden hacer con respecto a la estadística de prueba Pesaran-Timmerman " aplicado el marco pruebas bayesiano para mínimos cuadrados apoyan máquina de vector de regresión (LS-SVM) para predecir la tasa de 90 días del Tesoro semanalmente y los precios diarios de cierre DAX30. TAY, Francis EH y Lijuan CAO, 2001. Aplicación de las máquinas de vectores soporte en el pronóstico de series de tiempo financieras. Omega: La Revista Internacional de Ciencias de la Gestión. Volumen 29, Número 4, agosto de 2001, páginas 309 a 317. [Citado por 67] (12.89 / año) Resumen:. "Este artículo trata de la aplicación de una nueva técnica de redes neuronales, máquinas de vectores soporte (SVM), en la predicción de series de tiempo financiera El objetivo de este trabajo es examinar la viabilidad de SVM en el pronóstico de series de tiempo económico comparándolo con un multi-capa de retropropagación (BP) de redes neuronales. Cinco contratos de futuros reales que se recogen desde el Chicago Mercantile mercado se utilizan como los conjuntos de datos. El experimento muestra que SVM supera a la red neuronal BP basado en los criterios de normalizado cuadrado medio error (NMSE), error absoluto medio (MAE), simetría direccional (DS) y la simetría direccional ponderada (WDS). Puesto que no hay forma estructurada para elegir los parámetros libres de SVM, la variabilidad en el rendimiento con respecto a los parámetros libres se investigado en este estudio. El análisis de los resultados experimentales demostró que es ventajoso aplicar SVMs para pronosticar series de tiempo financieras ". encontró que un SVM superó un multi-capa de retropropagación (BP) de redes neuronales en cinco contratos de futuros reales de la Chicago Mercantile mercado. Resumen:. "Este trabajo propone una versión modificada de máquinas de vectores soporte, llamado C - ascending máquina de soporte vectorial, para modelar no estacionario series de tiempo financieras Las máquinas de vectores soporte C - ascending se obtienen mediante una simple modificación de la función de riesgo regularizado en máquinas de vectores de soporte, por lo que los recientes errores ε-insensible se penaliza en mayor medida que los errores de varepsilon insensibles distantes. Este procedimiento se basa en el conocimiento previo de que en el no estacionario series de tiempo financieras la dependencia entre las variables de entrada y variable de salida cambia gradualmente con el tiempo, en concreto, los últimos datos del pasado podrían proporcionar información más importante que los datos de un pasado lejano. En el experimento, C apoyo - ascending máquinas de vectores se sometieron a pruebas de tres futuros reales recogidos de la Chicago Mercantile mercado. Se muestra que la C - ascending máquinas de vectores soporte con los datos de ejemplo en realidad ordenada pronostican consistentemente mejor que las máquinas de vectores soporte estándar, con el peor rendimiento cuando se utilizan los datos de la muestra inversamente ordenados. Por otra parte, máquinas de vectores soporte el C - ascending utilizan menos vectores de soporte que las de las máquinas de vectores soporte estándar, lo que resulta en una representación más escasa de la solución ". - ascending '', máquinas de vectores soporte desarrollada `` C, que penalizan a los últimos errores ε-insensibles son en mayor medida que los errores de varepsilon insensibles distantes, y encontraron que pronostican mejor que SVMs estándar en tres futuros reales recogidos de la Chicago Mercantile mercado. Resumen:.. "Análisis de la calificación crediticia corporativa ha atraído a una gran cantidad de líneas de investigación en la literatura estudios recientes han demostrado que la Inteligencia Artificial métodos (AI) logran un mejor rendimiento que los métodos estadísticos tradicionales En este artículo se presenta una técnica relativamente nueva aprendizaje de máquinas, máquinas de vectores soporte ( SVM), al problema en un intento de proporcionar un modelo con mejor poder explicativo. Se utilizó backpropagation red neuronal (BNN) como punto de referencia y obtuvo precisión de la predicción en torno al 80% para ambos métodos BNN y SVM para los mercados de Estados Unidos y Taiwán. Sin embargo , sólo se observó una ligera mejora de la SVM. Otra dirección de la investigación es mejorar la interpretabilidad de los modelos basados ​​en IA. Hemos aplicado los últimos resultados de la investigación en los nervios interpretación modelo de red y obtuvimos importancia relativa de las variables financieras de entrada de los modelos de redes neuronales . Sobre la base de estos resultados, se realizó un análisis comparativo de mercado sobre las diferencias de los factores determinantes en los mercados de Estados Unidos y Taiwán ". redes neuronales aplicadas backpropagation y SVMs a la predicción de la calificación crediticia corporativa para los mercados de Estados Unidos y Taiwán y encontraron que los resultados fueron comparables (ambos fueron superiores a la regresión logística), con la SVM poco mejor. Resumen: "En este trabajo se propone el uso de las máquinas de vectores soporte (SVMs) expertos para el pronóstico de series de tiempo Los expertos SVMs generalizadas tienen una arquitectura de red neuronal de dos etapas En la primera etapa, la auto-organización mapa de características (SOM) se utiliza como un.. algoritmo de agrupamiento particionar todo el espacio de entrada en varias regiones inconexas. Una arquitectura con estructura de árbol que se adopte en la partición para evitar el problema de predeterminar el número de regiones con particiones. Luego, en la segunda etapa, múltiples SVM, también llamados expertos SVM, que mejor se ajuste regiones particionado se construyen mediante la búsqueda de la función del núcleo más apropiado y los parámetros libres óptimos de SVM. Los datos de manchas solares, datos Santa Fe conjuntos A, C y D, y los conjuntos de datos de dos edificios se evalúan en el experimento. La simulación muestra que los expertos SVMs lograr una mejora significativa en el rendimiento de la generalización en comparación con los modelos de los SVMs individuales. Además, los expertos SVMs también convergen más rápido y utilizan menos vectores de soporte ". demostró que su método de `` expertos SVM '' logrado una mejora significativa por encima de modelos SVMs individuales cuando apllied a los tipos de cambio (de alta frecuencia entre el franco suizo y el dólar estadounidense) Santa Fe conjunto de datos C. Resumen:. "Máquinas de vectores soporte (SVMs) son métodos prometedores para la predicción de series de tiempo financieras, ya que utilizan una función de riesgo que consiste en el error empírico y un término regularizada que se deriva del principio de minimización del riesgo estructural Este estudio aplica SVM predecir el índice de precios de acciones. Además, este estudio examina la viabilidad de la aplicación de SVM en previsión financiera mediante la comparación con las redes neuronales de respaldo de propagación y el razonamiento basado en casos. Los resultados experimentales muestran que la SVM ofrece una alternativa prometedora a la predicción del mercado de valores. " encontraron que las SVM superaron las redes neuronales de respaldo de propagación y el razonamiento basado en casos cuando se utiliza para pronosticar la Corea del índice de precios de acciones compuesto diario (KOSPI). SHIN Kyung-Shik, Taik Soo Lee y Hyun-jung Kim, 2005. Una aplicación de máquinas de vectores soporte en el modelo de predicción de la quiebra. Sistemas Expertos con Aplicaciones. Volumen 28, Número 1, enero de 2005, páginas 127-135. [Citado por 8] (6.67 / año) Resumen: ". Este estudio investiga la eficacia de la aplicación de máquinas de vectores de soporte (SVM) al problema de predicción quiebra Aunque es un hecho bien conocido que la red neuronal de retropropagación (BPN) se realiza bien en tareas de reconocimiento de patrones, el método tiene algunos limitaciones en que es un arte para encontrar una estructura de modelo apropiado y la solución óptima. Además, la carga ya que muchos de conjunto de entrenamiento como sea posible en la red es necesario para buscar en los pesos de la red. Por otra parte, dado que SVM captura geométrica características del espacio de características sin derivar pesos de las redes de los datos de entrenamiento, es capaz de extraer la solución óptima con el pequeño tamaño del conjunto de entrenamiento. En este estudio, mostramos que el clasificador propuesto del enfoque SVM supera BPN al problema de bancarrota corporativa predicción. Los resultados demuestran que el rendimiento exactitud y la generalización de SVM es mejor que la de BPN como el tamaño del conjunto de entrenamiento se hace más pequeño. También examinamos el efecto de la variabilidad en el rendimiento con respecto a diversos valores de los parámetros en SVM. Además, investigamos y resumimos los varios puntos superiores del algoritmo SVM comparación con BPN ". demostraron que SVMs se desempeñan mejor que las redes neuronales de retropropagación cuando se aplica a la predicción de la quiebra de la empresa. Resumen: ". Un nuevo tipo de máquina de aprendizaje llamada máquina de soporte vectorial (SVM) ha estado recibiendo cada vez mayor interés en áreas que van desde su aplicación original en el reconocimiento de patrones para otras aplicaciones como la estimación de regresión debido a su rendimiento generalización notable Este artículo trata de la aplicación de SVM en el pronóstico de series de tiempo financieras. La viabilidad de la aplicación de SVM en las previsiones financieras se examinó en primer lugar mediante la comparación con la multicapa de retropropagación (BP) de redes neuronales y la función de base radial regularizado (RBF) red neuronal. La variabilidad en el rendimiento de SVM con respecto a los parámetros libres se investiga experimentalmente. continuación se proponen parámetros de adaptación mediante la incorporación de la no estacionariedad de las series de tiempo financieras en SVM. Cinco contratos de futuros reales recopilados de la Chicago Mercantile mercado se utilizan como los conjuntos de datos. La simulación muestra que entre los tres métodos, SVM supera a la red neuronal BP en las previsiones financieras, y hay generalización de rendimiento comparables entre MVS y la red neuronal RBF regularizada. Por otra parte, los parámetros libres de SVM tienen un gran efecto sobre el rendimiento de la generalización. SVM con parámetros de adaptación puede tanto conseguir un rendimiento generalización superior y utilizar menos vectores de soporte que el estándar SVM en las previsiones financieras ". utilizado un SVM, una multicapa de retropropagación (BP) de redes neuronales y una función de base radial regularizada (RBF) de redes neuronales para predecir cinco contratos de futuros reales recopilados de la Chicago Mercantile mercado. Los resultados mostraron que la SVM y la red neuronal RBF regularizado eran comparables y ambos superaron la red neuronal BP. CAO, Lijuan y Francis EH TAY, 2001. Proyecciones financieras Utilizando Support Vector Machines. Aplicaciones de Computación Neural. Volumen 10, Número 2 (mayo de 2001), páginas 184-192. [Citado por 26] (5.00 / año) Resumen:. "El uso de Máquinas de Vectores Soporte (SVMs) se estudia en las previsiones financieras comparándolo con un perceptrón multicapa entrenado por el algoritmo de retropropagación (BP) SVMs pronostican mejor que BP basado en los criterios de error normalizado Mean Square (NMSE), error absoluto medio (MAE), Direccional Simetría (DS), correcta Up (CP) tendencia y corregir Down (CD) tendencia. Se utiliza SP 500 índice de precios al día como establecen los datos. Como no hay forma estructurada de elegir los parámetros libres de SVMs, la generalización de error con respecto a los parámetros libres de SVMs se investiga en este experimento. Como se ilustra en el experimento, que tienen poco impacto en la solución. El análisis de los resultados experimentales demuestra que es ventajoso aplicar SVMs para pronosticar la serie de tiempo financiera ". encontraron que SVMs pronostica el índice SP 500 Precio diario mejor que un perceptrón multicapa entrenado por el algoritmo de retropropagación (BP). Resumen:. "Predicción de bancarrota ha atraído una gran cantidad de líneas de investigación en la literatura anterior, y estudios recientes han demostrado que las técnicas de aprendizaje automático logrado un mejor desempeño que las estadísticas tradicionales En este trabajo se aplica máquinas de vectores soporte (SVMs) al problema de la predicción de la bancarrota en un intento para sugerir un nuevo modelo con mejor poder y la estabilidad explicativo. Para servir a este propósito, se utiliza una técnica de rejilla búsqueda usando 5-veces validación cruzada para averiguar los valores de los parámetros óptimos de la función del núcleo de SVM. Además, para evaluar la precisión de la predicción de SVM, se compara su desempeño con los de análisis discriminante múltiple (MDA), el análisis de regresión logística (Logit), y de tres capas conectados totalmente redes neuronales respaldo de propagación (BPNs). Los resultados de los experimentos muestran que SVM supera a la otra métodos ". encontraron que, cuando se aplica a la predicción de quiebra, SVM superaron el análisis discriminante múltiple (MDA), el análisis de regresión logística (Logit) y de tres capas de redes neuronales de respaldo de propagación totalmente conectados (BPNs). ABRAHAM, Ajith, Ninan Sajith PHILIP y P. SARATCHANDRAN 2003. Modelando el comportamiento caótico de los índices bursátiles utilizando paradigmas inteligentes. Neuronales, cálculos científicos paralelos. Volumen 11, páginas 143-160. [Citado por 10] (4.55 / año) Resumen:.. "El uso de sistemas inteligentes para las predicciones del mercado de valores ha sido ampliamente establecida En este trabajo, investigamos cómo el comportamiento aparentemente caótico de los mercados de valores podría ser bien representado utilizando varios paradigmas conexionistas y técnicas de Soft Computing Para demostrar las diferentes técnicas, consideramos índice Nasdaq-100 del mercado de valores Nasdaq SM y el índice bursátil S & P CNX NIFTY. Se analizaron 7 años Nasdaq 100 valores del índice principal y 4 años los valores de índice NIFTY. Este trabajo investiga el desarrollo de una técnica fiable y eficiente para modelar la apariencia comportamiento caótico de los mercados bursátiles. Nos considera una red neuronal artificial entrenada usando el algoritmo de Levenberg-Marquardt, Apoyo Vector Machine (SVM), modelo neuroborroso Takagi-Sugeno y la Diferencia Impulsar red neuronal (DBNN). Este documento explica brevemente cómo los diferentes paradigmas conexionistas podría formularse usando diferentes métodos de aprendizaje y luego investiga si pueden proporcionar el nivel requerido de rendimiento, que son lo suficientemente buena y sólida con el fin de proporcionar un modelo de previsión fiable para los índices bursátiles. Los resultados del experimento revelan que todos los paradigmas conexionistas consideran podría representar el comportamiento índices bursátiles con mucha precisión ". aplicado cuatro técnicas diferentes, una red neuronal artificial entrenada mediante el algoritmo de Levenberg-Marquardt, una máquina de vectores de soporte, una diferencia impulsar la red neuronal y un sistema de inferencia borrosa Takagi-Sugeno aprendido usando un algoritmo de red neuronal (modelo neuro-fuzzy) a la predicción del índice Nasdaq-100 de Nasdaq Stock Market_ ​​y el índice bursátil S & P CNX NIFTY. Nadie técnica fue claramente superior, pero absurdamente, que tratan de predecir el valor absoluto de los índices, en lugar de declaraciones de uso de registro. YANG, Haiqin, Laiwan CHAN e Irwin REY, 2002. Apoyo Vector Machine regresión para Volátil Predicción del Mercado de Valores. En: Ingeniería y automatizado inteligente de datos de aprendizaje: IDEAL 2002. editado por Hujun Yin, et al. . páginas 391--396, Springer. [Citado por 19] (4.52 / año) Resumen: "Recientemente, Apoyo Vector de regresión (RVS) se ha introducido para resolver los problemas de regresión y predicción En este trabajo, aplicamos SVR a las tareas de predicción financieros En particular, los datos financieros suelen ser ruidoso y el riesgo asociado es variable en el tiempo.. . Por lo tanto, nuestro modelo SVR es una extensión de la norma RVS, que incorpora los márgenes de adaptación. Al variar los márgenes de la SVR, podríamos reflejar el cambio en la volatilidad de los datos financieros. Además, hemos analizado el efecto de los márgenes asimétricas con el fin de para permitir la reducción del riesgo a la baja. Nuestros resultados experimentales muestran que el uso de la desviación estándar para calcular un margen variable de da un buen resultado predictivo en la predicción de índice Hang Seng ". tryed variando los márgenes en la regresión SVM con el fin de reflejar el cambio en la volatilidad de los datos financieros y también analizó el efecto de los márgenes asimétricas con el fin de permitir la reducción del riesgo a la baja. El primer enfoque produjo el error total más bajo al predecir el precio de cierre diario del índice Hang Seng de Hong Kong (HSI). HUANG, W. Y. Nakamori y S. Y. WANG, 2005. Predicción bolsa dirección del movimiento con máquinas de vectores soporte. Computadoras e Investigación Operativa. Volumen 32, número 10, páginas 2513-2522. (Octubre de 2005) [Citado por 5] (4.18 / año) Resumen: "máquina de soporte vectorial (SVM) es un tipo muy específico de algoritmos de aprendizaje caracterizado por el control de la capacidad de la función de decisión, el uso de las funciones del kernel y la escasez de la solución En este trabajo, investigamos la previsibilidad de la financiera. dirección del movimiento con SVM por la previsión de la dirección del movimiento semanal de índice NIKKEI 225. Para evaluar la capacidad de predicción de SVM, se compara su desempeño con los de análisis discriminante lineal, análisis discriminante cuadrática y Elman retropropagación Neural Networks. Los resultados de los experimentos muestran que supera SVM los otros métodos de clasificación. Además, se propone un modelo que combina la integración de SVM con los otros métodos de clasificación. El modelo de la combinación funciona mejor entre todos los métodos de previsión ". comparación de la capacidad de SVM, Análisis Discriminante Lineal, Análisis discriminante cuadrática y Elman backpropagation redes neuronales para predecir la dirección del movimiento semanal del índice NIKKEI 225 y encontró que la SVM superó a todos los otros métodos de clasificación. Mejor aún era una combinación ponderada de los modelos. TRAFALIS, Theodore B. y Huseyin INCE, 2000. Máquina de vectores de soporte para regresión y Aplicaciones de Proyecciones financieras. En: IJCNN 2000: Actas de la Conferencia Conjunta Internacional IEEE-POSADAS-ENNS en Redes Neuronales: Volumen 6 editado por Shun-Ichi Amari, et al. . página 6348, IEEE Computer Society. [Citado por 19] (3.06 / año) Resumen:. "El propósito principal de este trabajo es comparar la máquina de soporte vectorial (SVM) desarrollado por Vapnik con otras técnicas como la Función retropropagación y Radial Basis (RBF) Redes para aplicaciones de pronósticos financieros La teoría del algoritmo SVM se basa en teoría del aprendizaje estadístico. Formación de SVMs conduce a un problema de programación cuadrática (QP). También se presentan resultados preliminares computacionales para la predicción de precio de las acciones ". SVMs en comparación con Función retropropagación y Radial Basis (RBF) Redes de predicción de IBM, Yahoo y America Online precios de las acciones de cada día. Curiosamente, utilizando la SVM para la regresión que renunciaron a adquirir un conjunto de validación, epsilon ajusta a cero, fija C y repitieron el experimento para diversas configuraciones fijas del parámetro del núcleo, Sigma, dando lugar a varios resultados. Resumen: "En este trabajo se propone una versión modificada de máquinas de vectores soporte (SVM), llamados dinámica vector de apoyo máquinas (DSVMs), para modelar series de tiempo no estacionarias Se obtienen los DSVMs incorporando el dominio del problema del conocimiento - no estacionariedad de. series de tiempo en SVM. A diferencia de los SVMs estándar que utilizan valores fijos de la constante de regularización y el tamaño del tubo en todos los puntos de datos de entrenamiento, los DSVMs utilizan un aumento exponencial constante regularización y un tamaño del tubo exponencialmente decreciente para hacer frente a los cambios estructurales en los datos . La constante de regularización y el tubo de tamaño dinámico se basan en el conocimiento previo de que en las series de tiempo no estacionarias puntos de datos recientes podrían proporcionar información más importante que los puntos de datos a distancia. En el experimento, los DSVMs se evalúan utilizando ambos conjuntos de datos simulados y reales . La simulación muestra que los DSVMs generalizan mejor que las SVMs estándar en el pronóstico de series de tiempo no estacionaria. Otra ventaja de esta modificación es que los DSVMs utilizan menos vectores de soporte, lo que resulta en una representación más escasa de la solución ". incorporar el conocimiento previo de que series de tiempo financieras son no estacionarias en sus `` máquinas dinámicas de vectores soporte (DSVMs) '' y utilizar un aumento exponencial constante regularización y un tamaño del tubo exponencialmente decreciente para hacer frente a los cambios estructurales en los datos sobre el supuesto de que los datos recientes puntos podrían proporcionar información más importante que los puntos de datos distantes. Concluyen que DSVMs generalizan mejor que SVMs estándar en el pronóstico de series de tiempo no estacionarias, mientras que también utilizan menos vectores de soporte, lo que resulta en una representación más escasa de la solución. Resumen: ". Este documento propone una versión modificada de máquinas de vectores soporte (SVM), llamados máquinas de vectores soporte varepsilon descendente (ε-DSVMs), para modelar no estacionario series de tiempo financieras Los varepsilon DSVMs se obtienen mediante la incorporación del dominio del problema el conocimiento no estacionariedad de las series de tiempo financieras en SVM. A diferencia de los SVMs estándar que utilizan un tubo constante en todos los puntos de datos de entrenamiento, los varepsilon DSVMs utilizan un tubo de adaptación para hacer frente a los cambios en la estructura del experimento datos. El muestra que el ε-DSVMs generalizan mejor que las SVMs estándar en el pronóstico no estacionario series de tiempo financieras. Otra ventaja de esta modificación es que los varepsilon DSVMs convergen a un menor número de vectores de soporte, lo que resulta en una representación más escasa de la solución ". incorporado el dominio del problema del conocimiento de la no estacionariedad de las series de tiempo financieras en SVMs utilizando un tubo de adaptación en su llamado `` $ \ epsilon $ - descending máquinas de vectores soporte ($ \ epsilon $ - DSVMs) ''. Experimento mostró que $ \ epsilon $ - DSVMs generalizan mejor que SVMs estándar en el pronóstico no estacionario series de tiempo financieras y también convergen a un menor número de vectores de soporte, lo que resulta en una representación más escasa de la solución. Debnath, Sandip y C. Lee GILES, 2005. Un Modelo de Aprendizaje Basado en Encabezado Extracción de Noticias Artículos para encontrar Sentencias explicativas para Eventos. En: K-CAP 05: Actas de la tercera conferencia internacional sobre la captura del Conocimiento. Páginas 189--190. [Citado por 2] (1.67 / año) Resumen:.... "La información de metadatos juega un papel crucial en el aumento de documento de la organización de la eficiencia y archivado Noticias metadatos incluye DateLine ByLine HeadLine y muchos otros Encontramos que la información HeadLine es útil para adivinar el tema de la noticia Particularmente para los artículos de noticias financieras. , encontramos que HeadLine por lo tanto puede ser especialmente útil para localizar frases explicativas de los principales actos tales como cambios significativos en los precios de las acciones. En este trabajo se explora un enfoque de aprendizaje basado en vectores soporte para extraer automáticamente los metadatos HeadLine. Encontramos que la precisión de la clasificación de encontrar la HeadLine s mejora si DateLine s se identifican en primer lugar. A continuación, utiliza el extraída HeadLine s para iniciar una coincidencia de patrones de palabras clave para encontrar las frases responsables de tema historia. El uso de este tema y un modelo de lenguaje simple que es posible localizar cualquier frases explicativas para cualquier cambio significativo de los precios ". ideado un nuevo método de extracción de los titulares de noticias de metadatos utilizando SVMs y utilizarlos para encontrar temas de la historia para obtener una explicación basada sentencia de un cambio de precios de acciones. Resumen: "Impulsados ​​por la necesidad de asignar el capital de una manera rentable y por el sugerido recientemente regulaciones de Basilea II, las instituciones financieras están siendo cada vez más obligados a construir modelos de puntuación de crédito que evalúan el riesgo de impago de sus clientes Muchas técnicas se han sugerido. para hacer frente a este problema. Máquinas de Vectores Soporte (SVMs) es una nueva técnica prometedora que ha emanado recientemente de diferentes ámbitos como la estadística aplicada, redes neuronales y aprendizaje automático. En este trabajo, experimentamos con mínimos cuadrados soportan máquinas de vectores (LS-SVM ), una versión recientemente modificada de SVM, y reportar resultados significativamente mejores cuando se contrasta con las técnicas clásicas. " en comparación cuatro metodologías, mínimos cuadrados ordinarios (MCO), Ordinal de regresión logística (OLR), el perceptrón multicapa (MLP) y mínimos cuadrados soportan máquinas de vectores (LS-SVMs) cuando se aplica a la puntuación de crédito. La metodología SVM dio de manera significativa y consistentemente mejores resultados que los métodos de calificación lineal clásica. FAN, Alan y Marimuthu Palaniswami, 2000. Selección de Bancarrota Predictores Usando una máquina enfoque de vectores de soporte. IJCNN 2000: Actas de la Conferencia Conjunta Internacional IEEE-POSADAS-ENNS en Redes Neuronales, Volumen 6. editado por Shun-Ichi Amari et al. . página 6354. [Citado por 9] (1.45 / año) Resumen:. "El enfoque convencional de red neuronal se ha encontrado útil en la predicción de dificultades de las empresas de los estados financieros En este trabajo, hemos adoptado un enfoque de máquina de vectores de soporte al problema Una nueva forma de selección de predictores de quiebra se muestra, utilizando la distancia euclidiana basada. criterio calcula dentro del kernel SVM. Un estudio comparativo se ofrece con tres modelos de socorro corporativa clásicos y un modelo alternativo basado en el enfoque SVM ". utilizar SVM para seleccionar predictores de quiebra, y proporcionar un estudio comparativo. Resumen:. "Se propone una arquitectura de red neuronal de dos etapas construido mediante la combinación de Máquinas de Vectores Soporte (SVMs) con la auto-organización mapa de características (SOM) para el pronóstico de series de tiempo financiera En la primera etapa, SOM se utiliza como un algoritmo de clustering para particionar todo el espacio de entrada en varias regiones disjuntas. Una arquitectura de estructura de árbol se adopta en la partición para evitar el problema de predeterminar el número de regiones particionados. Luego, en la segunda etapa, múltiples SVM, también llamados expertos SVM, que mejor se adapten cada región particionado se construyen mediante la búsqueda de la función del núcleo más apropiado y los parámetros de aprendizaje óptimos de SVMs. El tipo de cambio Santa Fe y cinco contratos de futuros reales se utilizan en el experimento. Se muestra que el método propuesto alcanza tanto significativamente mayor predicción de rendimiento y más rápido velocidad de convergencia en comparación con un único modelo SVM ". combinado SVM con un mapa de características de auto-organización (SOM) y probado el modelo del tipo de cambio Santa Fe y cinco contratos de futuros reales. Ellos mostraron que su método propuesto alcanza tanto significativamente mayor predicción de rendimiento y la velocidad de convergencia más rápida en comparación con un único modelo SVM. Resumen: "En este trabajo se presenta un análisis de los resultados de un estudio sobre la previsión por mayor (spot) precio de la electricidad utilizando Redes Neuronales (ENN) y Máquinas de Vectores Soporte (SVM) cambios regulatorios frecuentes en los mercados de la electricidad y el participante en el mercado que evoluciona rápidamente. estrategias (de licitación) de fijación de precios provocan el reciclaje eficiente para ser crucial para mantener la exactitud de los modelos de previsión de los precios de la electricidad. La eficiencia de NN y SVM reentrenamiento para el pronóstico de precio se evaluó utilizando Mercado Nacional de Australia Electricidad (NEM), Nueva Gales del Sur datos regionales durante el período a partir de septiembre de 1998 a diciembre de 1998. El análisis de los resultados mostró que SVM con una sola solución única, producen una precisión de predicción más consistentes y así requieren menos tiempo para entrenar de manera óptima a NN que puede resultar en una solución a cualquiera de un gran número de mínimos locales . Se encontró que las SVM y NN precisión de predicción a ser muy similares ". evaluado utilizando Redes Neuronales (ENN) y Máquinas de Vectores Soporte (SVM) para la venta al por mayor de previsión (spot) precio de la electricidad. La SVM requiere menos tiempo para entrenar de manera óptima que el NN, mientras que se encontraron la SVM y precisiones de pronóstico NN ser muy similares. ABRAHAM, Ajith y Andy Auyeung de 2003. La integración Ensemble de Sistemas Inteligentes para el modelado de índices bursátiles. En: Actas de la Conferencia Internacional sobre el Trabajo séptimo Artificial y Redes Neuronales Naturales, Parte II. Lecture Notes in Computer Science, Tomo 2687, José Mira y José R. Alvarez (Eds.), Springer Verlag, Alemania, pp. 774-781, 2003. [Citado por 3] (0.94 / año) Resumen:.. "El uso de sistemas inteligentes para las predicciones del mercado de valores ha sido ampliamente establecida En este trabajo, investigamos cómo se podría bien representado el comportamiento aparentemente caótico de los mercados de valores usando conjunto de paradigmas inteligentes Para demostrar la técnica propuesta, consideramos Nasdaq-100 índice del mercado de valores Nasdaq SM y el índice bursátil SP CNX NIFTY. Los paradigmas inteligentes considerados fueron una red neuronal artificial entrenada usando el algoritmo de Levenberg-Marquardt, el apoyo de máquinas de vectores, modelo neuro-difuso Takagi-Sugeno y una diferencia de impulsar redes neuronales . Los diferentes paradigmas se combinaron mediante dos enfoques Conjuntos diferentes a fin de optimizar el rendimiento mediante la reducción de las diferentes medidas de error. El primer enfoque se basa en una medida de error directo y el segundo método se basa en un algoritmo evolutivo para buscar la combinación lineal óptima de los diferentes paradigmas inteligentes. Los resultados experimentales muestran que las técnicas por conjuntos obtuvieron mejores resultados que los métodos individuales y el enfoque conjunto directa parece funcionar bien para el problema considerado ". . . . . . . . Vol. . .