Forex Vorhersage Svm

Aktueller Preis: 1.0739 Im Folgenden sind die letzten 10 Prädikationen auf der Grundlage von SVM: 1 Vorhersage-Signal: SELLPrice, wenn vorhergesagt: 1.0739 2 Vorhersage-Signal: SELLPrice, wenn vorhergesagt: 1.0739 3 Vorhersage-Signal: SELLPrice, wenn vorhergesagt: 1.0739 4 Vorhersage-Signal: SELLPreis, wenn vorhergesagt: 1.0739 5 Vorhersage-Signal: SELLPrice bei Vorhersage: 1.0739 6 Vorhersage-Signal: SELLPrice bei Vorhersage: 1.0739 7 Vorhersage-Signal: SELLPrice bei Vorhersage: 1.0739 8 Vorhersage-Signal: SELLPrice bei Vorhersage: 1.0739 9 Vorhersage-Signal: SELLPrice bei Vorhersage: 1.0739 10 Vorhersage-Signal: SELLPrice wann Vorhergesagt: 1.0739 (Current Prediction) Aktuelle Prädikation für AUDUSD in den nächsten 15 Minuten ist Vorhersage-Signal: SELLPrice, wenn vorhergesagt: 1.0739 Aktuelle Predication-Genauigkeit: 100Support Vector Machines: 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. Daumen nach oben Sentiment Klassifizierung mit Maschinen Lerntechniken. In: EMNLP 02: Ablauf der ACL-02 Konferenz über empirische Methoden in der natürlichen Sprachverarbeitung - Band 10. Seiten 79-86. Zitiert von 154 (36.66Jahre) Zusammenfassung: Wir betrachten das Problem der Klassifizierung von Dokumenten nicht nach Thema, sondern durch insgesamt Stimmung, z. B. Ob eine Überprüfung positiv oder negativ ist. Mit Film-Reviews als Daten, finden wir, dass Standard-Maschinen Lerntechniken definitiv übertreffen menschlich produzierte Basislinien. Die drei von uns eingesetzten maschinellen Lernmethoden (Naive Bayes, Maximale Entropie-Klassifikation und Support-Vektor-Maschinen) verhalten sich aber auch nicht bei der Stimmungsklassifizierung wie bei der traditionellen themenorientierten Kategorisierung. Wir schlussfolgern, indem wir Faktoren untersuchen, die das Stimmungsklassifizierungsproblem anspruchsvoller machen. Festgestellt, dass mit Film-Reviews als Daten, Standard-Maschinen Lerntechniken definitiv übertroffen menschlich produzierte Basislinien. Allerdings stellten sie auch fest, dass die drei von ihnen eingesetzten maschinellen Lernmethoden (Naive Bayes, Maximale Entropie-Klassifikation und Support-Vektor-Maschinen) auch bei der Stimmungsklassifizierung nicht wie bei der traditionellen themenbasierten Kategorisierung durchgeführt wurden. VAN GESTEL, Tony, et al. . 2001. Financial Time Series Vorhersage mit Least Squares Unterstützung Vektor-Maschinen innerhalb der Evidence Framework. IEEE-Transaktionen auf neuronalen Netzwerken. Band 12, Nr. 4, Juli 2001, Seiten 809-821. Zitiert von 77 (14.82Jahre) Zusammenfassung: Der Bayessche Beweisrahmen wird in diesem Papier auf die kleinste Quadrate unterstützt Vektor-Maschine (LS-SVM) Regression angewendet, um nichtlineare Modelle für die Vorhersage einer finanziellen Zeitreihen und die damit verbundene Volatilität ableiten. Auf der ersten Ebene der Schlussfolgerung steht ein statistischer Rahmen für die LS-SVM-Formulierung, die es erlaubt, die zeitveränderliche Volatilität des Marktes durch eine geeignete Auswahl von mehreren Hyperparametern einzubeziehen. Die Hyperparameter des Modells werden auf der zweiten Ebene der Schlussfolgerung abgeleitet. Die abgeleiteten Hyperparameter, die sich auf die Volatilität beziehen, werden verwendet, um ein Volatilitätsmodell innerhalb des Evidenzrahmens zu konstruieren. Der Modellvergleich wird auf der dritten Ebene der Schlußfolgerung durchgeführt, um die Parameter der Kernelfunktion automatisch zu stimmen und die entsprechenden Eingänge auszuwählen. Die LS-SVM-Formulierung erlaubt es, analytische Ausdrücke im Merkmalsraum abzuleiten, und praktische Ausdrücke werden im Doppelraum erhalten, die das innere Produkt durch die verwandte Kernfunktion mit dem Mercer-Theorem ersetzen. Die einstufigen Vorhersageaufführungen, die bei der Vorhersage der wöchentlichen 90-Tage-T-Rechnungsrate und der täglichen DAX30-Schlusskurse erzielt wurden, zeigen, dass signifikante Stichprobenvorhersagen in Bezug auf die Pesaran-Timmerman-Teststatistik für den Bayesschen Beweisrahmen gemacht werden können Zu kleinsten Quadrate Unterstützung Vektor Maschine (LS-SVM) Regression zur Vorhersage der wöchentlichen 90-Tage-T-Rechnung Rate und die täglichen DAX30 Schlusskurse. TAY, Francis E. H. und Lijuan CAO, 2001. Anwendung von Support-Vektor-Maschinen in der finanziellen Zeitreihe Prognose. Omega: Das Internationale Journal der Managementwissenschaft. Band 29, Ausgabe 4, August 2001, Seiten 309-317. Zitiert von 67 (12.89Jahr) Zusammenfassung: Dieses Papier befasst sich mit der Anwendung einer neuartigen neuronalen Netzwerk-Technik, Unterstützung Vektor-Maschine (SVM), in der finanziellen Zeitreihe Vorhersage. Das Ziel dieser Arbeit ist es, die Machbarkeit von SVM in der finanziellen Zeitreihe Prognose durch den Vergleich mit einem mehrschichtigen Back-Propagation (BP) neuronalen Netzwerk zu untersuchen. Fünf reale Futures-Kontrakte, die vom Chicago Mercantile Market zusammengestellt werden, werden als Datensätze verwendet. Das Experiment zeigt, dass SVM das BP-neuronale Netzwerk auf der Grundlage der Kriterien des normalisierten mittleren quadratischen Fehlers (NMSE), des mittleren Absolutfehlers (MAE), der Richtungssymmetrie (DS) und der gewichteten Richtungssymmetrie (WDS) übertrifft. Da es keine strukturierte Möglichkeit gibt, die freien Parameter von SVMs zu wählen, wird in dieser Studie die Variabilität der Leistung in Bezug auf die freien Parameter untersucht. Die Analyse der experimentellen Ergebnisse zeigte, dass es vorteilhaft ist, SVMs auf die Prognose der finanziellen Zeitreihen anzuwenden. Daß ein SVM ein mehrschichtiges Backpropagation (BP) neuronales Netzwerk auf fünf realen Futures-Kontrakten vom Chicago Mercantile Market übertraf. TAY, Francis E. H. und L. J. CAO, 2002. Geänderte Unterstützung Vektor-Maschinen in der finanziellen Zeitreihe Prognose. Neurocomputing Band 48, Ausgabe 1-4, Oktober 2002, Seiten 847-861. Zitiert von 54 (12.86Jahre) Abstract: Dieses Papier schlägt eine modifizierte Version von Support-Vektor-Maschinen, genannt C-Venture-Support-Vektor-Maschine, um nicht-stationäre finanzielle Zeitreihen zu modellieren. Die C-Venture-Unterstützungsvektor-Maschinen werden durch eine einfache Modifikation der regulierten Risikofunktion in Unterstützungsvektor-Maschinen erhalten, wobei die jüngsten 949-unempfindlichen Fehler stärker als die entfernten 949-unempfindlichen Fehler bestraft werden. Diese Vorgehensweise beruht auf dem Vorkenntnis, dass sich in der nichtstationären finanziellen Zeitreihe die Abhängigkeit zwischen Eingangsgrößen und Ausgangsvariablen allmählich über die Zeit ändert, insbesondere könnten die jüngsten vergangenen Daten wichtige Informationen liefern als die entfernten vergangenen Daten. Im Experiment werden C - ascending-Support-Vektor-Maschinen mit drei realen Futures getestet, die vom Chicago Mercantile Market gesammelt wurden. Es zeigt sich, dass die C-Venture-Support-Vektor-Maschinen mit den tatsächlich geordneten Probendaten konsequent besser als die Standard-Support-Vektor-Maschinen prognostizieren, mit der schlechtesten Leistung, wenn die umgekehrt geordneten Beispieldaten verwendet werden. Darüber hinaus verwenden die C-Venture-Unterstützungsvektor-Maschinen weniger Unterstützungsvektoren als die der Standard-Unterstützungsvektor-Maschinen, was zu einer spärlicheren Darstellung von lösungsentwickelten C-faszinierenden Unterstützungsvektor-Maschinen führt, die die jüngsten 949-unempfindlichen Fehler stärker als weit entfernt beeinträchtigen 949-unempfindliche Fehler, und festgestellt, dass sie besser als Standard-SVMs auf drei realen Futures gesammelt aus dem Chicago Mercantile Market prognostizieren. HUANG, Zan et al. . 2004. Bonitätsanalyse mit Unterstützungsvektormaschinen und neuronalen Netzen: eine Marktvergleichsstudie. Entscheidungsunterstützungssysteme. Band 37, Ausgabe 4 (September 2004), Seiten 543-558. Zitiert von 21 (9.55Jahre) Zusammenfassung: Corporate Credit Rating-Analyse hat viele Forschungsinteressen in der Literatur angezogen. Jüngste Studien haben gezeigt, dass Künstliche Intelligenz (AI) Methoden bessere Leistung als herkömmliche statistische Methoden erreicht haben. Dieser Artikel stellt eine relativ neue Maschine Lernmethode, Support-Vektor-Maschinen (SVM), um das Problem bei der Versuch, ein Modell mit besserer Erklärungskraft bieten. Wir verwendeten Backpropagation neuronales Netzwerk (BNN) als Benchmark und erhielten Vorhersagegenauigkeit um 80 für 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 AI-basierten Modelle zu verbessern. Wir haben die jüngsten Forschungsergebnisse in der neuronalen Netzwerkmodell-Interpretation angewendet und die relative Bedeutung der eingehenden Finanzvariablen aus den neuronalen Netzwerkmodellen erhalten. Auf der Grundlage dieser Ergebnisse führten wir eine Marktvergleichsanalyse über die Unterschiede der entscheidenden Faktoren in den Märkten in den USA und Taiwan durch. Angewandte Backpropagation neuronale Netze und SVMs zur Bonitätsprüfung für die Märkte in den USA und Taiwan und stellten fest, dass die Ergebnisse vergleichbar waren (Beide waren der logistischen Regression überlegen), mit dem SVM etwas besser. CAO, Lijuan, 2003. Unterstützung Vektor Maschinen Experten für Zeitreihen Vorhersage. Neurocomputing Band 51, April 2003, Seiten 321-339. Zitiert von 29 (9.08Jahre) Zusammenfassung: Dieses Papier schlägt vor, die Unterstützungsvektormaschinen (SVMs) Experten für Zeitreihenvorhersage zu verwenden. Die generalisierten SVMs-Experten haben eine zweistufige neuronale Netzwerkarchitektur. In der ersten Stufe wird die selbstorganisierende Merkmalskarte (SOM) als Clustering-Algorithmus verwendet, um den gesamten Eingaberaum in mehrere unzusammenhängende Bereiche aufzuteilen. Eine baumstrukturierte Architektur wird in der Partition übernommen, um das Problem der Vorbestimmung der Anzahl der partitionierten Regionen zu vermeiden. Dann werden in der zweiten Stufe mehrere SVMs, auch SVM-Experten genannt, die am besten für partitionierte Regionen geeignet sind, durch die Suche nach der am besten geeigneten Kernel-Funktion und den optimalen freien Parametern von SVMs konstruiert. Die Sonnenfleckdaten, Santa Fe-Datensätze A, C und D, und die beiden Gebäudedatensätze werden im Experiment ausgewertet. Die Simulation zeigt, dass die SVMs-Experten im Vergleich zu den einzelnen SVMs-Modellen eine deutliche Verbesserung der Generalisierungsleistung erzielen. Darüber hinaus konvergieren die SVMs-Experten auch schneller und nutzen weniger Support-Vektoren. Sie haben gezeigt, dass ihre Methode der SVM-Experten eine signifikante Verbesserung gegenüber einzelnen SVM-Modellen erzielt hat, wenn sie auf den Santa Fe-Datensatz C (Hochfrequenz-Wechselkurs zwischen dem Schweizer Franken und dem US Dollar). KIM, Kyoung-jae, 2003. Finanzzeitreihenvorhersage mit Hilfe von Vektor-Maschinen. Neurocomputing Band 55, Ausgaben 1-2 (September 2003), Seiten 307-319. Zitiert von 28 (8.76Jahre) Abstract: Unterstützungsvektormaschinen (SVMs) sind vielversprechende Methoden für die Vorhersage von finanziellen Zeitreihen, weil sie eine Risikofunktion verwenden, die aus dem empirischen Fehler und einem regulierten Begriff besteht, der aus dem strukturellen Risikominimierungsprinzip abgeleitet wird . Diese Studie gilt für die Vorhersage des Aktienkursindexes. Darüber hinaus untersucht diese Studie die Durchführbarkeit der Anwendung von SVM in der Finanzprognose durch Vergleich mit Back-Propagation neuronale Netze und Fall-basierte Argumentation. Die experimentellen Ergebnisse zeigen, dass SVM eine vielversprechende Alternative zur Börsenvorhersage bietet. Found, dass SVMs die Back-Propagation-Neuronale Netze und Case-Based-Argumentation übertrafen, wenn sie zur Prognose des täglichen Korea Composite-Aktienkursindex (KOSPI) verwendet wurden. 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. Zitiert von 8 (6.67Jahr) Zusammenfassung: Diese Studie untersucht die Wirksamkeit der Anwendung von Support-Vektor-Maschinen (SVM) auf Konkurs Vorhersage Problem. Obwohl es sich um eine bekannte Tatsache handelt, dass das Backpropagation-Neuronales Netzwerk (BPN) bei Mustererkennungsaufgaben gut funktioniert, hat das Verfahren einige Einschränkungen, da es eine Kunst ist, eine geeignete Modellstruktur und eine optimale Lösung zu finden. Darüber hinaus ist das Laden von so vielen Trainingseinheiten wie möglich in das Netzwerk erforderlich, um die Gewichte des Netzwerks zu durchsuchen. Auf der anderen Seite, da SVM geometrische Merkmale des Merkmalsraums erfasst, ohne Gewichte von Netzwerken aus den Trainingsdaten abzuleiten, ist es in der Lage, die optimale Lösung mit der kleinen Trainingsgröße zu extrahieren. In dieser Studie zeigen wir, dass der vorgeschlagene Klassifikator des SVM-Ansatzes BPN übertrifft, um das Problem der Konkursvorhersage zu erklären. Die Ergebnisse zeigen, dass die Genauigkeit und Verallgemeinerungsleistung von SVM besser ist als die von BPN, da die Trainingsmenge Größe 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 fassen wir die mehreren überlegenen Punkte des SVM-Algorithmus im Vergleich zu BPN. demonstriert, dass SVMs besser als Back-Propagation neuronale Netze, wenn auf Konkurs des Unternehmens Konkurs angewendet. CAO, L. J. und Francis E. H. TAY, 2003. Unterstützung Vektor Maschine mit Adaptive Parameter in der Finanzzeit Serie Prognose. IEEE-Transaktionen auf neuronalen Netzwerken. Band 14, Ausgabe 6, November 2003, Seiten 1506-1518. Zitiert von 20 (6.25Jahre) Zusammenfassung: Eine neuartige Art von Lernmaschine namens Support-Vektor-Maschine (SVM) erhielt zunehmendes Interesse an Bereichen, die von ihrer ursprünglichen Anwendung in der Mustererkennung bis hin zu anderen Anwendungen wie Regressionsschätzung aufgrund ihrer bemerkenswerten Verallgemeinerungsleistung reichen . Diese Arbeit beschäftigt sich mit der Anwendung von SVM in der finanziellen Zeitreihenvorhersage. Die Machbarkeit der Anwendung von SVM in der Finanzprognose wird zunächst durch Vergleich mit dem mehrschichtigen Backpropagation (BP) neuronalen Netzwerk und dem regulierten Radialbasisfunktion (RBF) neuronales Netzwerk untersucht. Die Variabilität der Leistung von SVM in Bezug auf die freien Parameter wird experimentell untersucht. Adaptive Parameter werden dann vorgeschlagen, indem die Nicht-Stationarität der finanziellen Zeitreihen in SVM integriert wird. Als Datensätze werden fünf reale Futures-Kontrakte aus dem Chicago Mercantile Market verwendet. Die Simulation zeigt, dass SVM bei den drei Methoden das BP-neuronale Netzwerk in der Finanzprognose übertrifft und es eine vergleichbare Verallgemeinerungsleistung zwischen SVM und dem regulierten RBF-Neuronennetz gibt. Darüber hinaus haben die freien Parameter von SVM einen großen Einfluss auf die Verallgemeinerungsleistung. SVM mit adaptiven Parametern können beide eine höhere Verallgemeinerungsleistung erzielen und weniger unterstützende Vektoren als die Standard-SVM in der Finanzprognose verwenden. Ein SVM, ein mehrschichtiges Backpropagation (BP) neuronales Netzwerk und eine reguläre Radialbasisfunktion (RBF) neuronales Netzwerk zur Vorhersage Fünf reale Futures-Kontrakte wurden vom Chicago Mercantile Market zusammengestellt. Die Ergebnisse zeigten, dass das SVM und das regulierte RBF-Neuronennetz vergleichbar waren und beide das BP-neuronale Netzwerk übertrafen. CAO, Lijuan und Francis E. H. TAY, 2001. Finanzielle Prognose mit Hilfe von Vektor-Maschinen. Neural Computing Amps Anwendungen. Band 10, Nummer 2 (Mai 2001), Seiten 184-192. Zitiert von 26 (5.00Jahr) Abstract: Die Verwendung von Support Vector Machines (SVMs) wird in der Finanzprognose untersucht, indem man sie mit einem mehrschichtigen Perceptron vergleicht, der durch den Backpropagation (BP) Algorithmus trainiert wird. SVMs prognostizieren besser als BP auf der Grundlage der Kriterien von Normalized Mean Square Error (NMSE), Mean Absolute Error (MAE), Directional Symmetry (DS), Correct Up (CP) Trend und Correct Down (CD) Trend. Der SampP 500 Tagespreisindex wird als Datensatz verwendet. Da es keine strukturierte Möglichkeit gibt, die freien Parameter von SVMs zu wählen, wird der Verallgemeinerungsfehler in Bezug auf die freien Parameter von SVMs in diesem Experiment untersucht. Wie im Experiment gezeigt, haben sie wenig Einfluss auf die Lösung. Die Analyse der experimentellen Ergebnisse zeigt, dass es vorteilhaft ist, SVMs zur Prognose der finanziellen Zeitreihen anzuwenden. Daß die SVMs den SampP 500 Tagespreisindex besser als ein mehrschichtiges Perceptron prognostizieren, das durch den Back Propagation (BP) Algorithmus trainiert wird. MIN, Jae H. und Young-Chan LEE, 2005. Insolvenzvorhersage mit Unterstützung Vektor-Maschine mit optimaler Wahl der Kern-Funktion Parameter. Expertensysteme mit Anwendungen . Band 28, Ausgabe 4, Mai 2005, Seiten 603-614. Zitiert von 6 (5.00Jahre) Zusammenfassung: Insolvenzvorhersage hat in der vorherigen Literatur viel Forschungsinteressen gezogen, und neuere Studien haben gezeigt, dass Maschinenlerntechniken eine bessere Leistung erzielt haben als herkömmliche statistische. Dieses Papier wendet Unterstützung Vektor-Maschinen (SVMs) auf die Konkursprognose Problem in einem Versuch, ein neues Modell mit besserer Erklärungskraft und Stabilität vorschlagen. Um diesen Zweck zu nutzen, verwenden wir eine Gittersuchtechnik mit 5-facher Kreuzvalidierung, um die optimalen Parameterwerte der Kernfunktion von SVM herauszufinden. Zusätzlich, um die Vorhersagegenauigkeit von SVM zu bewerten, vergleichen wir ihre Leistung mit denen von multipler Diskriminanzanalyse (MDA), logistischer Regressionsanalyse (Logit) und dreischichtig voll verbundenen Backpropagation Neuronalen Netzwerken (BPNs). Die Ergebnisse des Experiments zeigen, dass SVM die anderen Methoden übertrifft. Found, dass bei der Anwendung auf Konkursvorhersage die SVMs mehrfache Diskriminanzanalyse (MDA), logistische Regressionsanalyse (Logit) und dreischichtig voll verbundene Backpropagation Neural Networks (BPNs) übertrafen. ABRAHAM, Ajith, Ninan Sajith PHILIP und P. SARATCHANDRAN, 2003. Modellierung des chaotischen Verhaltens von Aktienindizes mit intelligenten Paradigmen. Neuronaler, paralleler Verstärker Wissenschaftliche Berechnungen. Band 11, Seiten 143-160. Zitiert von 10 (4.55Jahr) Zusammenfassung: Die Verwendung von intelligenten Systemen für Börsenvorhersagen wurde weitgehend etabliert. In diesem Beitrag untersuchen wir, wie das scheinbar chaotische Verhalten der Aktienmärkte mit mehreren Verbindungsparadigmen und Soft-Computing-Techniken gut vertreten sein könnte. Um die verschiedenen Techniken zu demonstrieren, betrachteten wir den Nasdaq-100-Index der Nasdaq Stock Market SM und den SP CNX NIFTY Aktienindex. Wir analysierten 7 Jahre8217s 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, dem 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 Verbindungsparadigmen mit unterschiedlichen Lernmethoden formuliert werden können, und untersucht dann, ob sie das erforderliche Leistungsniveau liefern können, das ausreichend gut und robust ist, um ein verlässliches Prognosemodell für Börsenindizes zu liefern. Die Ergebnisse der Experimente zeigen, dass alle beobachteten Verbindungsparadigmen das Bestandsindizes-Verhalten sehr genau darstellen können. Es wurden vier verschiedene Techniken angewendet, ein künstliches neuronales Netzwerk, das mit dem Levenberg-Marquardt-Algorithmus, einer Unterstützungsvektormaschine, einer Differenz zur Förderung des neuronalen Netzes und eines Takagi-Sugeno trainiert wurde Fuzzy-Inferenz-System gelernt mit einem neuronalen Netzwerk-Algorithmus (Neuro-Fuzzy-Modell) auf die Vorhersage der Nasdaq-100 Index der Nasdaq Stock Market und der SP CNX NIFTY Aktienindex. Keiner Technik war eindeutig überlegen, aber absurd, sie versuchen, den absoluten Wert der Indizes vorherzusagen, anstatt die Log-Rückkehr zu verwenden. Yang, Haiqin, Laiwan CHAN und Irwin KING, 2002. Unterstützung Vektor Maschinen Regression für Volatile Stock Market Vorhersage. In: Intelligent Data Engineering und automatisiertes Lernen: IDEAL 2002. Herausgegeben von Hujun Yin et al. . Seiten 391-396, Springer. Zitiert von 19 (4.52Jahre) Zusammenfassung: Vor kurzem wurde Support Vector Regression (SVR) eingeführt, um Regressions - und Vorhersageprobleme zu lösen. In diesem Papier wenden wir SVR auf finanzielle Vorhersage Aufgaben. Insbesondere sind die Finanzdaten in der Regel laut und das damit verbundene Risiko zeitabhängig. Daher ist unser SVR-Modell eine Erweiterung der Standard-SVR, die Margin-Anpassung beinhaltet. Durch die Veränderung der Margen der SVR könnten wir die Veränderung der Volatilität der Finanzdaten widerspiegeln. Darüber hinaus haben wir die Wirkung asymmetrischer Margen analysiert, um die Verringerung des Abwärtsrisikos zu ermöglichen. Unsere experimentellen Ergebnisse zeigen, dass die Verwendung von Standardabweichung zur Berechnung einer variablen Marge ein gutes prädiktives Ergebnis in der Vorhersage von Hang Seng Index. tryed variiert die Margen in SVM Regression, um die Veränderung der Volatilität der Finanzdaten widerspiegeln und analysiert auch die Wirkung asymmetrischer Margen, um die Verringerung des Abwärtsrisikos zu ermöglichen. Der frühere Ansatz erzeugte den niedrigsten Gesamtfehler bei der Vorhersage des täglichen Schlusskurses von Hong Kongs Hang Seng Index (HSI). HUANG, W. Y. NAKAMORI und S. Y. WANG, 2005. Vorhersage Börsenbewegungsrichtung mit Unterstützung Vektor-Maschine. Computer Operations Research. Band 32, Ausgabe 10, Seiten 2513-2522. (Oktober 2005) Zitiert von 5 (4.18Jahre) Zusammenfassung: Unterstützungsvektor-Maschine (SVM) ist eine sehr spezifische Art von Lernalgorithmen, die durch die Kapazitätssteuerung der Entscheidungsfunktion, die Verwendung der Kernfunktionen und die Sparsamität der Lösung gekennzeichnet sind. In diesem Beitrag 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 ihre Leistung mit denen der linearen Diskriminanzanalyse, der quadratischen Diskriminanzanalyse und der Elman Backpropagation Neural Networks. Die Ergebnisse des Experiments zeigen, dass SVM die anderen Klassifizierungsmethoden übertrifft. Weiterhin schlagen wir ein Kombinationsmodell vor, indem wir SVM mit den anderen Klassifizierungsmethoden integrieren. Das Kombinationsmodell führt am besten unter allen Prognosemethoden die Fähigkeit von SVMs, Linear Discriminant Analysis, quadratische Diskriminanzanalyse und Elman Backpropagation Neural Networks, um die wöchentliche Bewegungsrichtung des NIKKEI 225 Index zu prognostizieren und festgestellt, dass das SVM alle anderen Klassifizierungsmethoden übertraf . Besser war noch eine gewichtete Kombination der Modelle. TRAFALIS, Theodore B. und Huseyin INCE, 2000. Unterstützung Vektor Maschine für Regression und Anwendungen für die Finanzprognose. In: IJCNN 2000: Proceedings der IEEE-INNS-ENNS Internationale Gemeinsame Konferenz über Neuronale Netze: Band 6, herausgegeben von Shun-Ichi Amari, et al. . Seite 6348, IEEE Computer Gesellschaft. Zitiert von 19 (3.06Jahre) Zusammenfassung: Der Hauptzweck dieses Papiers ist es, die von Vapnik entwickelte Unterstützungsvektormaschine (SVM) mit anderen Techniken wie Backpropagation und Radial Basis Function (RBF) Netzwerke für Finanzprognoseanwendungen zu vergleichen. Die Theorie des SVM-Algorithmus basiert auf der statistischen Lerntheorie. Das Training von SVMs führt zu einem quadratischen Programm (QP) Problem. Vorläufige Berechnungsergebnisse für die Aktienpreisvorhersage sind ebenfalls präsentiert SVMs mit Backpropagation und Radial Basis Function (RBF) Netzwerke durch die Vorhersage IBM, Yahoo und America Online täglichen Aktienkurse. Seltsamerweise, mit der SVM für die Regression sie forwent ein Validierungs-Set, setzen Sie epsilon auf Null, fixiert C und wiederholte das Experiment für verschiedene feste Einstellungen des Kernel-Parameters, Sigma, was zu mehreren Ergebnissen. CAO, Lijuan und Qingming GU, 2002. Dynamische Unterstützung Vektor-Maschinen für nicht-stationäre Zeitreihen-Prognose. Intelligente Datenanalyse. Band 6, Nr. 1, Seiten 67-83. Zitiert von 12 (2.86Jahre) 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 die Einbeziehung des Problemdomänenwissens - Nicht-Stationarität von Zeitreihen in SVMs - erhalten. Anders als die Standard-SVMs, die feste Werte der Regularisierungskonstante und der Röhrengröße in allen Trainingsdatenpunkten verwenden, verwenden die DSVMs eine exponentiell zunehmende Regularisierungskonstante und eine exponentiell abnehmende Röhrengröße, um strukturelle Veränderungen in den Daten zu bewältigen. Die dynamische Regularisierungskonstante und die Röhrengröße beruhen auf dem Vorkenntnis, dass in der nichtstationären Zeitreihe die jüngsten Datenpunkte wichtige Informationen liefern könnten als entfernte Datenpunkte. Im Experiment werden die DSVMs mit simulierten und realen Datensätzen ausgewertet. Die Simulation zeigt, dass die DSVMs besser als die Standard-SVMs bei der Prognose von nicht-stationären Zeitreihen verallgemeinern. Ein weiterer Vorteil dieser Modifikation ist, dass die DSVMs weniger Unterstützungsvektoren verwenden, was zu einer spärlicheren Darstellung der Lösung führt. Übereinleben der vorherigen Kenntnis, dass finanzielle Zeitreihen nicht stationär in ihre dynamischen Unterstützungsvektormaschinen (DSVMs) sind und eine exponentiell zunehmende Regularisierungskonstante verwenden und Eine exponentiell abnehmende Röhrengröße, um mit strukturellen Veränderungen in den Daten über die Annahme zu handeln, dass die jüngsten Datenpunkte wichtige Informationen liefern könnten als entfernte Datenpunkte. Sie schließen daraus, dass DSVMs besser als Standard-SVMs bei der Prognose von nicht-stationären Zeitreihen verallgemeinern, während sie auch weniger Unterstützungsvektoren verwenden, was zu einer spärlicheren Darstellung der Lösung führt. TAY, Francis E. H. und L. J. CAO, 2002. 949-Absteigend Unterstützung Vektor-Maschinen für die finanzielle Zeit Serie Prognose. Neuronale Verarbeitungsbuchstaben 15 (2): 179-195. Zitiert von 11 (2.62Jahr) Abstract: 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 die Einbeziehung der Problemdomänen-Kenntnisse 8211 Nicht-Stationarität der finanziellen Zeitreihen in SVMs erhalten. Im Gegensatz zu den Standard-SVMs, die in allen Trainingsdatenpunkten eine konstante Röhre 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 zu weniger Unterstützungsvektoren konvergieren, was zu einer spärlicheren Darstellung der Lösung führt. Das Problem der Domain-Kenntnis der Nicht-Stationarität der finanziellen Zeitreihen in SVMs unter Verwendung eines adaptiven Tubus in ihrer sogenannten Epsilon-absteigende Unterstützungsvektor-Maschinen (epsilon-DSVMs). Experiment zeigte, dass epsilon-DSVMs besser als Standard-SVMs in der Prognose von nicht-stationären finanziellen Zeitreihen verallgemeinern und auch zu weniger Unterstützungsvektoren konvergieren, was zu einer spärlicheren Darstellung der Lösung führt. DEBNATH, Sandip und C. Lee GILES, 2005. Ein Lernbasiertes Modell für Schlagzeilen-Extraktion von News-Artikeln, um erläuternde Sätze für Veranstaltungen zu finden. In: K-CAP 821705: Proceedings der 3. internationalen Konferenz zum Knowledge Capture. Seiten 189--190. Zitiert von 2 (1.67Jahr) Zusammenfassung: Metadateninformationen spielen eine entscheidende Rolle bei der Erweiterung des Dokuments, die Effizienz und Archivierung organisiert. Nachrichtenmetadaten enthält DateLine. ByLine HeadLine und viele andere. Wir haben festgestellt, dass HeadLine Informationen nützlich sind, um das Thema des Nachrichtenartikels zu erraten. Besonders für Finanznachrichten haben wir festgestellt, dass HeadLine so besonders hilfreich sein kann, um Erklärungssätze für eventuelle Großereignisse wie wesentliche Änderungen der Aktienkurse zu finden. In diesem Beitrag erforschen wir einen unterstützungsvektorbasierten Lernansatz, um automatisch die HeadLine-Metadaten zu extrahieren. Wir finden, dass die Klassifizierungsgenauigkeit der Suche nach der HeadLine s verbessert, wenn DateLine s zuerst identifiziert werden. Wir haben dann die extrahierten HeadLine S verwendet, um ein Muster-Matching von Keywords zu initiieren, um die Sätze zu finden, die für das Storythema verantwortlich sind. Mit diesem Thema und einem einfachen Sprachmodell ist es möglich, irgendwelche erläuternden Sätze für jede signifikante Preisänderung zu finden, die einen neuartigen Ansatz zur Extraktion von Nachrichtenmetadaten HeadLines mit SVMs findet und sie verwendet, um Storythemen zu finden, um eine Satzbasierte Erklärung für eine Aktie zu erhalten Preisänderung. Van GESTEL, Tony, et al. . 2003. Ein Support-Vektor-Maschinen-Ansatz für Kredit-Scoring. Bank en Financiewezen. Band 2, März, Seiten 73-82. Zitiert von 5 (1.56Jahre) Zusammenfassung: Angespornt durch die Notwendigkeit, das Kapital rentabel zuzuordnen und durch die kürzlich vorgeschlagenen Basel-II-Vorschriften werden die Finanzinstitute mehr und mehr 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 von verschiedenen Domains wie angewandter Statistik, neuronalen Netzwerken und maschinellem Lernen ausgegangen ist. In dieser Arbeit experimentieren wir mit den kleinsten Quadraten, die Vektor-Maschinen (LS-SVMs), eine kürzlich modifizierte Version von SVMs, und berichten signifikant bessere Ergebnisse im Vergleich zu den klassischen Techniken, die vier Methoden, Ordinary Least Squares (OLS), Ordinal Logistic Regression ( OLR), die Multilayer Perceptron (MLP) und die kleinsten Quadrate unterstützen Vektor-Maschinen (LS-SVMs), wenn sie auf Kredit-Scoring angewendet werden. Die SVM-Methodik ergab signifikante und konsequent bessere Ergebnisse als die klassischen linearen Ratingmethoden. FAN, Alan und Marimuthu PALANISWAMI, 2000. Auswählen von Insolvenzvorhersagen mit Hilfe eines Support-Vektor-Maschinen-Ansatzes. IJCNN 2000: Proceedings der IEEE-INNS-ENNS Internationale Gemeinsame Konferenz über Neuronale Netze, Band 6. Bearbeitet von Shun-Ichi Amari et al. . Seite 6354. Zitiert von 9 (1.45Jahre) Zusammenfassung: Konventioneller Neuronaler Netzwerkansatz wurde bei der Vorhersage von Unternehmensquoten aus Abschlüssen als nützlich erachtet. In diesem Papier haben wir eine Unterstützung Vector Machine Ansatz für das Problem angenommen. Eine neue Art der Auswahl von Konkurs-Prädiktoren wird gezeigt, wobei das euklidische Distanz-basierte Kriterium innerhalb des SVM-Kernels berechnet wird. Eine vergleichende Studie wird unter Verwendung von drei klassischen Unternehmens-Notmodellen und einem alternativen Modell auf der Grundlage der SVM-Ansatz zur Verfügung gestellt. Verwenden Sie SVMs, um Konkurs-Prädiktoren auszuwählen und bieten eine vergleichende Studie. TAY, Francis Eng Hock und Li Juan CAO, 2001. Verbesserte finanzielle Zeitreihe Prognose durch die Kombination von Support Vector Machines mit Selbstorganisation Feature-Map. Intelligente Datenanalyse. Band 5, Nr. 4, Seiten 339-354. Zitiert von 7 (1.35Jahr) Abstract: Eine zweistufige neuronale Netzwerkarchitektur, die durch die Kombination von Support Vector Machines (SVMs) mit selbstorganisierender Feature Map (SOM) konstruiert wird, wird für die finanzielle Zeitreihenvorhersage vorgeschlagen. In der ersten Stufe wird SOM als Clustering-Algorithmus verwendet, um den gesamten Eingaberaum in mehrere disjunkte Regionen zu partitionieren. Eine baumstrukturierte Architektur wird in der Partition übernommen, um das Problem der Vorbestimmung der Anzahl der partitionierten Regionen zu vermeiden. Dann werden in der zweiten Stufe mehrere SVMs, auch SVM-Experten genannt, die am besten zu jeder partitionierten Region passen, konstruiert, indem sie die am besten geeignete Kernel-Funktion und die optimalen Lernparameter von SVMs finden. Der Santa Fe-Wechselkurs und fünf reale Futures-Kontrakte werden im Experiment verwendet. Es wird gezeigt, dass das vorgeschlagene Verfahren sowohl eine signifikant höhere Vorhersageleistung als auch eine schnellere Konvergenzgeschwindigkeit im Vergleich zu einem einzigen SVM-modulierten SVMs mit einer selbstorganisierenden Merkmalskarte (SOM) erreicht und das Modell auf den Santa Fe-Wechselkurs und fünf reale Futures-Kontrakte getestet hat . Sie zeigten, dass ihre vorgeschlagene Methode sowohl eine deutlich höhere Vorhersageleistung als auch eine schnellere Konvergenzgeschwindigkeit im Vergleich zu einem einzigen SVM-Modell erreicht. SANSOM, D. C. T. DOWNS and T. K. SAHA, 2003. Evaluation of support vector machine based forecasting tool in electricity price forecasting for Australian national electricity market participants. Journal of Electrical Electronics Engineering, Australia . Vol 22, No. 3, Pages 227-234. Cited by 5 (1.19year) Abstract: In this paper we present an analysis of the results of a study into wholesale (spot) electricity price forecasting utilising Neural Networks (NNs) and Support Vector Machines (SVM). Frequent regulatory changes in electricity markets and the quickly evolving market participant pricing (bidding) strategies cause efficient retraining to be crucial in maintaining the accuracy of electricity price forecasting models. The efficiency of NN and SVM retraining for price forecasting was evaluated using Australian National Electricity Market (NEM), New South Wales regional data over the period from September 1998 to December 1998. The analysis of the results showed that SVMs with one unique solution, produce more consistent forecasting accuracies and so require less time to optimally train than NNs which can result in a solution at any of a large number of local minima. The SVM and NN forecasting accuracies were found to be very similar. evaluated utilising Neural Networks (NNs) and Support Vector Machines (SVM) for wholesale (spot) electricity price forecasting. The SVM required less time to optimally train than the NN, whilst the SVM and NN forecasting accuracies were found to be very similar. ABRAHAM, Ajith and Andy AUYEUNG, 2003. Integrating Ensemble of Intelligent Systems for Modeling Stock Indices. In: Proceedings of 7th International Work Conference on Artificial and Natural Neural Networks, Part II . Lecture Notes in Computer Science, Volume 2687, Jose Mira and Jose R. Alverez (Eds.), Springer Verlag, Germany, pp. 774-781, 2003. Cited by 3 (0.94year) Abstract: The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well-represented using ensemble of intelligent paradigms. To demonstrate the proposed technique, we considered Nasdaq-100 index of Nasdaq Stock Market SM and the SampP CNX NIFTY stock index. The intelligent paradigms considered were an artificial neural network trained using Levenberg-Marquardt algorithm, support vector machine, Takagi-Sugeno neuro-fuzzy model and a difference boosting neural network. The different paradigms were combined using two different ensemble approaches so as to optimize the performance by reducing the different error measures. The first approach is based on a direct error measure and the second method is based on an evolutionary algorithm to search the optimal linear combination of the different intelligent paradigms. Experimental results reveal that the ensemble techniques performed better than the individual methods and the direct ensemble approach seems to work well for the problem considered. considered an artificial neural network trained using Levenberg-Marquardt algorithm, a support vector machine, a Takagi-Sugeno neuro-fuzzy model and a difference boosting neural network for predicting the NASDAQ-100 Index of The Nasdaq Stock Market and the SP CNX NIFTY stock index. They concluded that an ensemble of the intelligent paradigms performed better than the individual methods. YANG, Haiqin, et al. . 2004. Financial Time Series Prediction Using Non-fixed and Asymmetrical Margin Setting with Momentum in Support Vector Regression. In: Neural Information Processing: Research and Development . edited by Jagath Chandana Rajapakse and Lipo Wang, Springer-Verlag. Cited by 2 (0.91year) Abstract: Recently, Support Vector Regression (SVR) has been applied to financial time series prediction. The financial time series usually contains the characteristics of small sample size, high noise and non-stationary. Especially the volatility of the time series is time-varying and embeds some valuable information about the series. Previously, we had proposed to use the volatility in the data to adaptively change the width of the margin in SVR. We have noticed that up margin and down margin would not necessary be the same, and we also observed that their choice would affect the upside risk, downside risk and as well as the overall prediction performance. In this work, we introduce a novel approach to adopt the momentum in the asymmetrical margins setting. We applied and compared this method to predict the Hang Seng Index and Dow Jones Industrial Average. used SVMs for regression with non-fixed and asymmetrical margin settings, this time with momentum, to predict the Hang Seng Index and Dow Jones Industrial Average. PAI, Ping-Feng and Chih-Sheng LIN, 2005. A hybrid ARIMA and support vector machines model in stock price forecasting. Omega . Volume 33, Issue 6, December 2005, Pages 497-505. Cited by 1 (0.84year) Abstract: Traditionally, the autoregressive integrated moving average (ARIMA) model has been one of the most widely used linear models in time series forecasting. However, the ARIMA model cannot easily capture the nonlinear patterns. Support vector machines (SVMs), a novel neural network technique, have been successfully applied in solving nonlinear regression estimation problems. Therefore, this investigation proposes a hybrid methodology that exploits the unique strength of the ARIMA model and the SVMs model in forecasting stock prices problems. Real data sets of stock prices were used to examine the forecasting accuracy of the proposed model. The results of computational tests are very promising. proposed a hybrid ARIMA and support vector machine model for stock price forecasting, and results looked very promising. ABRAHAM, Ajith, et al. . 2002. Performance Analysis of Connectionist Paradigms for Modeling Chaotic Behavior of Stock Indices. In: Second international workshop on Intelligent systems design and application . edited by Ajith Abraham, et al. . pages 181--186. Cited by 3 (0.71year) Abstract: The use of intelligent systems for stock market predictions has been widely established. In this paper, we investigate how the seemingly chaotic behavior of stock markets could be well represented using several connectionist paradigms and soft computing techniques. To demonstrate the different techniques, we considered Nasdaq-100 index of Nasdaq Stock MarketTM and the SP CNX NIFTY stock index. We analyzed 7 years Nasdaq 100 main index values and 4 years NIFTY index values. This paper investigates the development of a reliable and efficient technique to model the seemingly chaotic behavior of stock markets. We considered an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN). This paper briefly explains how the different connectionist paradigms could be formulated using different learning methods and then investigates whether they can provide the required level of performance, which are sufficiently good and robust so as to provide a reliable forecast model for stock market indices. Experiment results reveal that all the connectionist paradigms considered could represent the stock indices behavior very accurately. analysed the performance of an artificial neural network trained using Levenberg-Marquardt algorithm, Support Vector Machine (SVM), Takagi-Sugeno neuro-fuzzy model and a Difference Boosting Neural Network (DBNN) when predicting the NASDAQ-100 Index of The Nasdaq Stock Market and the SP CNX NIFTY stock index. YANG, Haiqin, I. KING and Laiwan CHAN, 2002. Non-fixed and asymmetrical margin approach to stock market prediction using Support Vector Regression. In: ICONIP 02. Proceedings of the 9th International Conference on Neural Information Processing. Volume 3 . edited by Lipo Wang, et al. . pages 1398--1402. Cited by 3 (0.71year) Abstract: Recently, support vector regression (SVR) has been applied to financial time series prediction. Typical characteristics of financial time series are non-stationary and noisy in nature. The volatility, usually time-varying, of the time series is therefore some valuable information about the series. Previously, we had proposed to use the volatility to adaptively change the width of the margin of SVR. We have noticed that upside margin and downside margin do not necessary be the same, and we have observed that their choice would affect the upside risk, downside risk and as well as the overall prediction result. In this paper, we introduce a novel approach to adapt the asymmetrical margins using momentum. We applied and compared this method to predict the Hang Seng Index and Dow Jones Industrial Average. used SVM regression with a non-fixed and asymmetrical margin, this time adapting the asymmetrical margins using momentum, and applied it to predicting the Hang Seng Index and the Dow Jones Industrial Average. GAVRISHCHAKA, Valeriy V. and Supriya B. GANGULI, 2003. Volatility forecasting from multiscale and high-dimensional market data. Neurocomputing . Volume 55, Issues 1-2 (September 2003), Pages 285-305. Cited by 2 (0.63year) Abstract: Advantages and limitations of the existing volatility models for forecasting foreign-exchange and stock market volatility from multiscale and high-dimensional data have been identified. Support vector machines (SVM) have been proposed as a complimentary volatility model that is capable of effectively extracting information from multiscale and high-dimensional market data. SVM-based models can handle both long memory and multiscale effects of inhomogeneous markets without restrictive assumptions and approximations required by other models. Preliminary results with foreign-exchange data suggest that SVM can effectively work with high-dimensional inputs to account for volatility long-memory and multiscale effects. Advantages of the SVM-based models are expected to be of the utmost importance in the emerging field of high-frequency finance and in multivariate models for portfolio risk management. used SVMs for forecasting the volatility of foreign-exchange data. Their preliminary benchmark tests indicated that SVMs can perform significantly better than or comparable to both naive and GARCH(1,1) models. P201REZ-CRUZ, Fernando, Julio A. AFONSO-RODR205GUEZ and Javier GINER, 2003. Estimating GARCH models using support vector machines. Quantitative Finance . Volume 3, Number 3 (June 2003), Pages 163-172. Cited by 2 (0.63year) Abstract: Support vector machines (SVMs) are a new nonparametric tool for regression estimation. We will use this tool to estimate the parameters of a GARCH model for predicting the conditional volatility of stock market returns. GARCH models are usually estimated using maximum likelihood (ML) procedures, assuming that the data are normally distributed. In this paper, we will show that GARCH models can be estimated using SVMs and that such estimates have a higher predicting ability than those obtained via common ML methods. used SVMs for regression to estimate the parameters of a GARCH model for predicting the conditional volatility of stock market returns and showed that such estimates have a higher predicting ability than those obtained via common maximum likelihood (ML) methods. Van GESTEL, T. et al. . 2003. Bankruptcy prediction with least squares support vector machine classifiers. In: 2003 IEEE International Conference on Computational Intelligence for Financial Engineering: Proceedings . pages 1-8. Cited by 2 (0.63year) Abstract: Classification algorithms like linear discriminant analysis and logistic regression are popular linear techniques for modelling and predicting corporate distress. These techniques aim at finding an optimal linear combination of explanatory input variables, such as, e. g. solvency and liquidity ratios, in order to analyse, model and predict corporate default risk. Recently, performant kernel based nonlinear classification techniques, like support vector machines, least squares support vector machines and kernel fisher discriminant analysis, have been developed. Basically, these methods map the inputs first in a nonlinear way to a high dimensional kernel-induced feature space, in which a linear classifier is constructed in the second step. Practical expressions are obtained in the so-called dual space by application of Mercers theorem. In this paper, we explain the relations between linear and nonlinear kernel based classification and illustrate their performance on predicting bankruptcy of mid-cap firms in Belgium and the Netherlands. used least squares support vector machine classifiers for predicting bankruptcy of mid-cap firms in Belgium and the Netherlands. CAO, L. J. and W. K. CHONG, 2002. Feature extraction in support vector machine: a comparison of PCA, XPCA and ICA. ICONIP 02: Proceedings of the 9th International Conference on Neural Information Processing, Volume 2 . edited by Lipo Wang, et al. . pages 1001-1005. Cited by 2 (0.48year) Abstract: Recently, support vector machine (SVM) has become a popular tool in time series forecasting. In developing a successful SVM forecaster, feature extraction is the first important step. This paper proposes the applications of principal component analysis (PCA), kernel principal component analysis (KPCA) and independent component analysis (ICA) to SVM for feature extraction. PCA linearly transforms the original inputs into uncorrelated features. KPCA is a nonlinear PCA developed by using the kernel method. In ICA, the original inputs are linearly transformed into statistically independent features. By examining the sunspot data and one real futures contract, the experiment shows that SVM by feature extraction using PCA, KPCA or ICA can perform better than that without feature extraction. Furthermore, there is better generalization performance in KPCA and ICA feature extraction than PCA feature extraction. considered the application of principal component analysis (PCA), kernel principal component analysis (KPCA) and independent component analysis (ICA) to SVMs for feature extraction. By examining the sunspot data and one real futures contract, they showed that SVM by feature extraction using PCA, KPCA or ICA can perform better than that without feature extraction. Furthermore, they found that there is better generalization performance in KPCA and ICA feature extraction than PCA feature extraction. CAO, L. J. and Francis E. H. TAY, 2000. Feature Selection for Support Vector Machines in Financial Time Series Forecasting. In: Intelligent Data Engineering and Automated Learning - IDEAL 2000: Data Mining, Financial Engineering, and Intelligent Agents . edited by Kwong Sak Leung, Lai-Wan Chan and Helen Meng, pages 268-273. Cited by 3 (0.48year) Abstract: This paper deals with the application of saliency analysis to Support Vector Machines (SVMs) for feature selection. The importance of feature is ranked by evaluating the sensitivity of the network output to the feature input in terms of the partial derivative. A systematic approach to remove irrelevant features based on the sensitivity is developed. Five futures contracts are examined in the experiment. Based on the Simulation results, it is shown that that saliency analysis is effective in SVMs for identifying important features. dealt with the application of saliency analysis to feature selection for SVMs. Five futures contracts were examined and they concluded that saliency analysis is effective in SVMs for identifying important features. ZHOU, Dianmin, Feng GAO and Xiaohong GUAN, 2004. Application of accurate online support vector regression in energy price forecast. WCICA 2004: Fifth World Congress on Intelligent Control and Automation, Volume 2 . pages 1838-1842. Cited by 1 (0.45year) Abstract: Energy price is the most important indicator in electricity markets and its characteristics are related to the market mechanism and the change versus the behaviors of market participants. It is necessary to build a real-time price forecasting model with adaptive capability. In this paper, an accurate online support vector regression (AOSVR) method is applied to update the price forecasting model. Numerical testing results show that the method is effective in forecasting the prices of the electric-power markets. applied an accurate online support vector regression (AOSVR) to forecasting the prices of the electric-power markets, results showed that it was effective. FAN, A. and M. PALANISWAMI, 2001. Stock selection using support vector machines. IJCNN01: International Joint Conference on Neural Networks, Volume 3 . Pages 1793-1798. Cited by 2 (0.38year) Abstract: We used the support vector machines (SVM) in a classification approach to beat the market. Given the fundamental accounting and price information of stocks trading on the Australian Stock Exchange, we attempt to use SVM to identify stocks that are likely to outperform the market by having exceptional returns. The equally weighted portfolio formed by the stocks selected by SVM has a total return of 208 over a five years period, significantly outperformed the benchmark of 71. We also give a new perspective with a class sensitivity tradeoff, whereby the output of SVM is interpreted as a probability measure and ranked, such that the stocks selected can be fixed to the top 25used SVMs for classification for stock selection on the Australian Stock Exchange and significantly outperformed the benchmark. Van GESTEL, Tony, et al. . 2000. Volatility Tube Support Vector Machines. Neural Network World . vol. 10, number 1, pp. 287-297. Cited by 2 (0.32year) Abstract: In Support Vector Machines (SVM8217s), a non-linear model is estimated based on solving a Quadratic Programming (QP) problem. The quadratic cost function consists of a maximum likelihood cost term with constant variance and a regularization term. By specifying a difference inclusion on the noise variance model, the maximum likelihood term is adopted for the case of heteroskedastic noise, which arises in financial time series. The resulting Volatility Tube SVM8217s are applied on the 1-day ahead prediction of the DAX30 stock index. The influence of todays closing prices of the New York Stock Exchange on the prediction of tomorrow8217s DAX30 closing price is analyzed. developed the Volatility Tube SVM and applied it to 1-day ahead prediction of the DAX30 stock index, and significant positive out-of-sample results were obtained. CAO, Li Juan, Kok Seng CHUA and Lim Kian GUAN, 2003. Combining KPCA with support vector machine for time series forecasting. In: 2003 IEEE International Conference on Computational Intelligence for Financial Engineering . pages 325-329. Cited by 1 (0.31year) Abstract: Recently, support vector machine (SVM) has become a popular tool in time series forecasting. In developing a successful SVM forecaster, the first important step is feature extraction. This paper applies kernel principal component analysis (KPCA) to SVM for feature extraction. KPCA is a nonlinear PCA developed by using the kernel method. It firstly transforms the original inputs into a high dimensional feature space and then calculates PCA in the high dimensional feature space. By examining the sunspot data and one real futures contract, the experiment shows that SVM by feature forms much better than that extraction using KPCA per without feature extraction. In comparison with PCA, there is also superior performance in KPCA. applied kernel principal component analysis (KPCA) to SVM for feature extraction. The authors examined sunspot data and one real futures contract, and found such feature extraction enhanced performance and also that KPCA was superior to PCA. YANG, Haiqin, 2003. Margin Variations in Support Vector Regression for the Stock Market Prediction. Degree of Master of Philosophy Thesis, Department of Computer Science Engineering, The Chinese University of Hong Kong, June 2003. Cited by 1 (0.31year) Abstract: Support Vector Regression (SVR) has been applied successfully to financial time series prediction recently. In SVR, the 949-insensitive loss function is usually used to measure the empirical risk. The margin in this loss function is fixed and symmetrical. Typically, researchers have used methods such as crossvalidation or random selection to select a suitable 949 for that particular data set. In addition, financial time series are usually embedded with noise and the associated risk varies with time. Using a fixed and symmetrical margin may have more risk inducing bad results and may lack the ability to capture the information of stock market promptly. In order to improve the prediction accuracy and to consider reducing the downside risk, we extend the standard SVR by varying the margin. By varying the width of the margin, we can reflect the change of volatility in the financial data by controlling the symmetry of margins, we are able to reduce the downside risk. Therefore, we focus on the study of setting the width of the margin and also the study of its symmetry property. For setting the width of margin, the Momentum (also including asymmetrical margin control) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models are considered. Experiments are performed on two indices: Hang Seng Index (HSI) and Dow Jones Industrial Average (DJIA) for the Momentum method and three indices: Nikkei225, DJIA and FTSE100, for GARCH models, respectively. The experimental results indicate that these methods improve the predictive performance comparing with the standard SVR and benchmark model. On the study of the symmetry property, we give a sufficient condition to prove that the predicted value is monotone decreasing to the increase of the up margin. Therefore, we can reduce the predictive downside risk, or keep it zero, by increasing the up margin. An algorithm is also proposed to test the validity of this condition, such that we may know the changing trend of predictive downside risk by only running this algorithm on the training data set without performing actual prediction procedure. Experimental results also validate our analysis. employs SVMs for regression and varys the width of the margin to reflect the change of volatility and controls the symmetry of margins to reduce the downside risk. Results were positive. CALVO, Rafael A. and Ken WILLIAMS, 2002. Automatic Categorization of Announcements on the Australian Stock Exchange. Cited by 1 (0.24year) Abstract: This paper compares the performance of several machine learning algorithms for the automatic categorization of corporate announcements in the Australian Stock Exchange (ASX) Signal G data stream. The article also describes some of the applications that the categorization of corporate announcements may enable. We have performed tests on two categorization tasks: market sensitivity, which indicates whether an announcement will have an impact on the market, and report type, which classifies each announcement into one of the report categories defined by the ASX. We have tried Neural Networks, a Na239ve Bayes classifier, and Support Vector Machines and achieved good resultspared the performance of neural networks, a na ve bayes classifier, and SVMs for the automatic categorization of corporate announcements in the Australian Stock Exchange (ASX) Signal G data stream. The results were all good, but with the SVM underperforming the other two models. AHMED, A. H.M. T. 2000. Forecasting of foreign exchange rate time series using support vector regression. 3rd year project. Computer Science Department, University of Manchester. Cited by 1 (0.16year)used support vector regression for forecasting a foreign exchange rate time series. GUESDE, Bazile, 2000. Predicting foreign exchange rates with support vector regression machines. MSc thesis. Computer Science Department, University of Manchester. Cited by 1 (0.16year) Abstract: This thesis investigates how Support Vector Regression can be applied to forecasting foreign exchange rates. At first we introduce the reader to this non linear kernel based regression and demonstrate how it can be used for time series prediction. Then we define a predictive framework and apply it to the Canadian exchange rates. But the non-stationarity in the data, which we here define as a drift in the map of the dynamics, forces us to present and use the typical learning processes for catching different dynamics. Our implementation of these solutions include Clusters of Volatility and competing experts. Finally those experts are used in a financial vote trading system and substantial profits are achieved. Through out the thesis we hope the reader will be intrigued by the results of our analysis and be encouraged in other dircetions for further research. used SVMs for regression to predict the Canadian exchange rate, wisely recognised the problem of nonstationarity, dealt with it using experts and claimed that substantial profits were achieved. BAO, Yu-Kun, et al. . 2005. Forecasting Stock Composite Index by Fuzzy Support Vector Machines Regression. Proceedings of 2005 International Conference on Machine Learning and Cybernetics, Volume 6 . pages 3535-3540. not cited (0year) Abstract: Financial time series forecasting methods such as exponential smoothing are commonly used for prediction on stock composition index (SCI) and have made great contribution in practice, but efforts on looking for superior forecasting method are still made by practitioners and academia. This paper deals with the application of a novel neural network technique, fuzzy support vector machines regression (FSVMR), in SCI forecasting. The objective of this paper is not only to examine the feasibility of FSVMR in SCI forecasting but presents our efforts on improving the accuracy of FSVMR in terms of data pre-processing, kernel function selection and parameters selection. A data set from Shanghai Stock Exchange is used for the experiment to test the validity of FSVMR. The experiment shows FSVMR a better method in SCI forecasting. used fuzzy support vector machines regression (FSVMR) to forecast a data set from the Shanghai Stock Exchange with positive results. CHEN, Kuan-Yu and Chia-Hui HO, 2005. An Improved Support Vector Regression Modeling for Taiwan Stock Exchange Market Weighted Index Forecasting. ICNNB 05: International Conference on Neural Networks and Brain, 2005, Volume 3 not cited (0year) Abstract: This study applies a novel neural network technique, Support Vector Regression (SVR), to Taiwan Stock Exchange Market Weighted Index (TAIEX) forecasting. To build an effective SVR model, SVRs parameters must be set carefully. This study proposes a novel approach, known as GA-SVR, which searches for SVRs optimal parameters using real value genetic algorithms. The experimental results demonstrate that SVR outperforms the ANN and RW models based on the Normalized Mean Square Error (NMSE), Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE). Moreover, in order to test the importance and understand the features of SVR model, this study examines the effects of the number of input node. used an SVM for regression for forecasting the Taiwan Stock Exchange Market Weighted Index (TAIEX). The results demonstrated that the SVR outperformed the ANN and RW models. CHEN, Wun-Hwa and Jen-Ying SHIH, 2006. A study of Taiwan39s issuer credit rating systems using support vector machines. Expert Systems with Applications . Volume 30, Issue 3, April 2006, Pages 427-435. not cited (0year) By providing credit risk information, credit rating systems benefit most participants in financial markets, including issuers, investors, market regulators and intermediaries. In this paper, we propose an automatic classification model for issuer credit ratings, a type of fundamental credit rating information, by applying the support vector machine (SVM) method. This is a novel classification algorithm that is famous for dealing with high dimension classifications. We also use three new variables: stock market information, financial support by the government, and financial support by major shareholders to enhance the effectiveness of the classification. Previous research has seldom considered these variables. The data period of the input variables used in this study covers three years, while most previous research has only considered one year. We compare our SVM model with the back propagation neural network (BP), a well-known credit rating classification method. Our experiment results show that the SVM classification model performs better than the BP model. The accuracy rate (84.62) is also higher than previous research. used an SVM to classify Taiwans issuer credit ratings and found that it performed better than the back propagation neural network (BP) model. CHEN, Wun-Hua, Jen-Ying SHIH and Soushan WU, 2006. Comparison of support-vector machines and back propagation neural networks in forecasting the six major Asian stock markets. International Journal of Electronic Finance . Volume, Issue 1, pages 49-67. not cited (0year) Abstract: Recently, applying the novel data mining techniques for financial time-series forecasting has received much research attention. However, most researches are for the US and European markets, with only a few for Asian markets. This research applies Support-Vector Machines (SVMs) and Back Propagation (BP) neural networks for six Asian stock markets and our experimental results showed the superiority of both models, compared to the early researchespared SVMs and back propagation (BP) neural networks when forecasting the six major Asian stock markets. Both models perform better than the benchmark AR (1) model in the deviation measurement criteria, whilst SVMs performed better than the BP model in four out of six markets. GAVRISHCHAKA, Valeriy V. and Supriya BANERJEE, 2006. Support Vector Machine as an Efficient Framework for Stock Market Volatility Forecasting. Computational Management Science . Volume 3, Number 2 (April 2006), Pages 147-160. not cited (0year) Abstract: Advantages and limitations of the existing models for practical forecasting of stock market volatility have been identified. Support vector machine (SVM) have been proposed as a complimentary volatility model that is capable to extract information from multiscale and high-dimensional market data. Presented results for SP500 index suggest that SVM can efficiently work with high-dimensional inputs to account for volatility long-memory and multiscale effects and is often superior to the main-stream volatility models. SVM-based framework for volatility forecasting is expected to be important in the development of the novel strategies for volatility trading, advanced risk management systems, and other applications dealing with multi-scale and high-dimensional market data. used SVMs for forecasting stock market volatility with positive results. HOVSEPIAN, K. and P. ANSELMO, 2005. Heuristic Solutions to Technical Issues Associated with Clustered Volatility Prediction using Support Vector Machines. ICNNampB3905: International Conference on Neural Networks and Brain, 2005, Volume 3 . Pages 1656-1660. not cited (0year) Abstract: We outline technological issues and our fimdings for the problem of prediction of relative volatility bursts in dynamic time-series utilizing support vector classifiers (SVC). The core approach used for prediction has been applied successfully to detection of relative volatility clusters. In applying it to prediction, the main issue is the selection of the SVC trainingtesting set. We describe three selection schemes and experimentally compare their performances in order to propose a method for training the SVC for the prediction problem. In addition to performing cross-validation experiments, we propose an improved variation to sliding window experiments utilizing the output from SVCs decision function. Together with these experiments, we show that accurate and robust prediction of volatile bursts can be achieved with our approach. used SVMs for classification to predict relative volatility clusters and achieved accurate and robust results. INCE, H. and T. B. TRAFALIS, 2004. Kernel principal component analysis and support vector machines for stock price prediction. Proceedings of the 2004 IEEE International Joint Conference on Neural Networks, Volume 3 . pages 2053-2058. not cited (0year) Abstract: Financial time series are complex, non-stationary and deterministically chaotic. Technical indicators are used with principal component analysis (PCA) in order to identify the most influential inputs in the context of the forecasting model. Neural networks (NN) and support vector regression (SVR) are used with different inputs. Our assumption is that the future value of a stock price depends on the financial indicators although there is no parametric model to explain this relationship. This relationship comes from technical analysis. Comparison shows that SVR and MLP networks require different inputs. The MLP networks outperform the SVR technique. found that MLP neural networks outperform support vector regression when applied to stock price prediction. KAMRUZZAMAN, Joarder, Ruhul A SARKER and Iftekhar AHMAD, 2003. SVM Based Models for Predicting Foreign Currency Exchange Rates. Proceedings of the Third IEEE International Conference on Data Mining (ICDM03) . Pages 557-560. not cited (0year) Abstract: Support vector machine (SVM) has appeared as a powerful tool for forecasting forex market and demonstrated better performance over other methods, e. g. neural network or ARIMA based model. SVM-based forecasting model necessitates the selection of appropriate kernel function and values of free parameters: regularization parameter and varepsilon - insensitive loss function. In this paper, we investigate the effect of different kernel functions, namely, linear, polynomial, radial basis and spline on prediction error measured by several widely used performance metrics. The effect of regularization parameter is also studied. The prediction of six different foreign currency exchange rates against Australian dollar has been performed and analyzed. Some interesting results are presented. investigated the effect of different kernel functions and the regularization parameter when using SVMs to predict six different foreign currency exchange rates against the Australian dollar. investigated comprehensible credit scoring models using rule extraction from SVMs. NALBANTOV, Georgi, Rob BAUER and Ida SPRINKHUIZEN-KUYPER, 2006. Equity Style Timing Using Support Vector Regressions. to appear in Applied Financial Economics . not cited (0year) Abstract: The disappointing performance of value and small cap strategies shows that style consistency may not provide the long-term benefits often assumed in the literature. In this study we examine whether the short-term variation in the U. S. size and value premium is predictable. We document style-timing strategies based on technical and (macro-)economic predictors using a recently developed artificial intelligence tool called Support Vector Regressions (SVR). SVR are known for their ability to tackle the standard problem of overfitting, especially in multivariate settings. Our findings indicate that both premiums are predictable under fair levels of transaction costs and various forecasting horizons. used SVMs for regression for equity style timing with positive results. ONGSRITRAKUL, P. and N. SOONTHORNPHISAJ, 2003. Apply decision tree and support vector regression to predict the gold price. Proceedings of the International Joint Conference on Neural Networks, 2003, Volume 4 . Pages 2488-2492. not cited (0year) Abstract: Recently, support vector regression (SVR) was proposed to resolve time series prediction and regression problems. In this paper, we demonstrate the use of SVR techniques for predicting the cost of gold by using factors that have an effect on gold to estimate its price. We apply a decision tree algorithm for the feature selection task and then perform the regression process using forecasted indexes. Our experimental results show that the combination of the decision tree and SVR leads to a better performance. applied a decision tree algorithm for feature selection and then performed support vector regression to predict the gold price, their results were positive. Van GESTEL, Tony, et al. . 2005. Linear and non-linear credit scoring by combining logistic regression and support vector machines, Journal of Credit Risk . Vol. 1, No. 4, Fall 2005, Pages 31-60. not cited (0year) Abstract: The Basel II capital accord encourages banks to develop internal rating models that are financially intuitive, easily interpretable and optimally predictive for default. Standard linear logistic models are very easily readable but have limited model flexibility. Advanced neural network and support vector machine models (SVMs) are less straightforward to interpret but can capture more complex multivariate non-linear relations. A gradual approach that balances the interpretability and predictability requirements is applied here to rate banks. First, a linear model is estimated it is then improved by identifying univariate non-linear ratio transformations that emphasize distressed conditions and finally SVMs are added to capture remaining multivariate non-linear relations. apply linear and non-linear credit scoring by combining logistic regression and SVMs. YANG, Haiqin, et al. . 2004. Outliers Treatment in Support Vector Regression for Financial Time Series Prediction. Neural Information Processing: 11th International Conference, ICONIP 2004, Calcutta, India, November 2004, Proceedings not cited (0year) Abstract: Recently, the Support Vector Regression (SVR) has been applied in the financial time series prediction. The financial data are usually highly noisy and contain outliers. Detecting outliers and deflating their influence are important but hard problems. In this paper, we propose a novel 8220two-phase8221 SVR training algorithm to detect outliers and reduce their negative impact. Our experimental results on three indices: Hang Seng Index, NASDAQ, and FSTE 100 index show that the proposed 8220two-phase8221 algorithm has improvement on the prediction. proposed a novel two-phase SVR training procedure to detect and deflate the influence of outliers. The method was tested on the Hang Seng Index, NASDAQ and FSTE 100 index and results were positive. However, its not clear why the significance of outliers (such as market crashes) should be understated. YU, Lean, Shouyang WANG and Kin Keung LAI, 2005. Mining Stock Market Tendency Using GA-Based Support Vector Machines. Internet and Network Economics: First International Workshop, WINE 2005, Hong Kong, China, December 15-17, 2005, Proceedings (Lecture Notes in Computer Science) edited by Xiaotie Deng and Yinyu Ye, pages 336-345. not cited (0year) Abstract: In this study, a hybrid intelligent data mining methodology, genetic algorithm based support vector machine (GASVM) model, is proposed to explore stock market tendency. In this hybrid data mining approach, GA is used for variable selection in order to reduce the model complexity of SVM and improve the speed of SVM, and then the SVM is used to identify stock market movement direction based on the historical data. To evaluate the forecasting ability of GASVM, we compare its performance with that of conventional methods (e. g. statistical models and time series models) and neural network models. The empirical results reveal that GASVM outperforms other forecasting models, implying that the proposed approach is a promising alternative to stock market tendency exploration. applied a random walk (RW) model, an autoregressive integrated moving average (ARIMA) model, an individual back-propagation neural network (BPNN) model, an individual SVM model and a genetic algorithm-based SVM (GASVM) to the task of predicting the direction of change in the daily SP500 stock price index and found that their proposed GASVM model performed the best. HARLAND, Zac, 2002. Using Support Vector Machines to Trade Aluminium on the LME.. Proceedings of the Ninth International Conference, Forecasting Financial Markets: Advances For Exchange Rates, Interest Rates and Asset Management . edited by C. Dunis and M. Dempster. not listed Abstract: This paper describes and evaluates the use of support vector regression to trade the three month Aluminium futures contract on the London Metal Exchange, over the period June 1987 to November 1999. The Support Vector Machine is a machine learning method for classification and regression and is fast replacing neural networks as the tool of choice for prediction and pattern recognition tasks, primarily due to their ability to generalise well on unseen data. The algorithm is founded on ideas derived from statistical learning theory and can be understood intuitively within a geometric framework. In this paper we use support vector regression to develop a number of trading submodels that when combined, result in a final model that exhibits above-average returns on out of sample data, thus providing some evidence that the aluminium futures price is less than efficient. Whether these inefficiencies will continue into the future is unknown. used an ensemble of SVMs for regression to trade the three month Aluminium futures contract on the London Metal Exchange with positive results. Van GESTEL, T. et al. . 2005. Credit rating systems by combining linear ordinal logistic regression and fixed-size least squares support vector machines, Workshop on Machine Learning in Finance, NIPS 2005 Conference, Whistler (British Columbia, Canada), Dec. 9.not listeddeveloped credit rating systems by combining linear ordinal logistic regression and fixed-size least squares SVMs. Taking a big step in machine learning: Profitable historical results across multiple Forex pairs In the past I have been able to use machine learning to create profitable trading systems successfully, this includes my Neural Network implementations (which generated the Sunqu, Tapuy and Paqarin strategies, later building the AsirikuyBrain) as well as my attempts at linear classification and other types of algorithms. However, one of the things that all of these developments have in common is that they have traded on EURUSD daily data and have failed to generate decent results across other pairs andor time frames. This means that although I have tackled this particular pairtimeframe successfully (several of these systems have been traded live with profitable outcomes) I still hadn8217t been able to develop anything for other instruments. On today8217s post I am going to talk about one of my latest developments (in big part due to an Asirikuy member I will be mentioning later on) which has allowed me to achieve profitable machine learning results across other pairs besides the EURUSD. Note that all back-testing results showed are non-compound (so that they can be easily judged by linearity). The fact that machine learning techniques seem to be so 8220easy8221 to develop on the EURUSD daily, yet so hard to develop on other pairs on the same timeframe has always bugged me. Why is the EURUSD daily so special, that previous data seems to easily predict future daily bar outcomes while in other pairs this simply does not work The answer seems to be this exact same point of view 8212 what I am trying to predict. Fabio 8211 a member of our community 8211 pointed to me that it would be interesting to attempt to classify whether a certain trade outcome would be successful, rather than trying to classify simply whether the next bar would be 8220bullish or bearish8221. Predicting whether a certain trade entry would be successful is an interesting route, because you8217re trying to predict whether your actual trade within some exit boundaries will reach a profit or loss, rather than whether the overall directionality will be for or against you. When implementing the above idea in F4, I saw that not all trade outcome predictions were equally successful, while predicting big edges didn8217t work at all (for example attempting to predict where a 1:2 risk to reward trade would be successful), predicting smaller edges worked much better. Different algorithms also gave markedly different results, while linear classifiers were extremely dependent on the feed data (changed significantly between my two FX data sets), Support Vector Machines (SVM) gave me the best overall results with reduced feed dependency and improved profit to drawdown characteristics. Simple mean keltner clustering techniques also gave interesting results, although the profitability was reduced compared with the SVM. As in all my machine learning implementations, training is done on each new daily bar using the past X bars and therefore the machine learning technique constantly retrains through the whole back-testing period . 8211 8211 Interestingly this technique achieves profitable results (25 year back-tests) across all 4 Forex majors (same settings), with particularly good results on the EURUSD and GBPUSD and worse but still profitable results on the USDCHF and the USDJPY. The ability to predict outcomes seems to be lost most significantly on the USDJPY, where there is a significantly long period (about 10 years) where the strategy is unable to achieve any significant level of success. I would also like to point out that the current machine learning test uses just a single machine learning instance and I haven8217t attempted to increase profitability by building committees or such other 8220tricks8221 that might help improve and smooth results when using machine learning techniques. In this case trying different trade range predictions within a committee or even only putting SVM and mean Keltner techniques to work together might significantly improve the results. For me the fact that this technique has finally 8220broken the multi-pair barrier8221 has been quite significant as it reveals something fundamental about using machine learning which, up until now, I seem to have missed. This also reinforces the fact that output selections are absolutely critical when developing machine learning strategies as attempting to predict the wrong outputs can easily lead to unprofitable techniques (as it happened to me when attempting to create ML strategies on other symbols). Choosing outputs that are meaningful for trading but still predictable within a good accuracy, leads to the development of more successful machine learning strategies. In this case in particular, changing the focus to a prediction that had direct implications in trade profitability had a good impact. 8211 8211 Although the results up until now are quantitatively nothing to 8220party about8221, the fact that there is now a road open towards developing profitable ML strategies that might work across the board (not just only on one pair) gives me confidence in the fact that I am walking the correct path (thanks to Fabio for his suggestions). After reaching this milestone my goal now is to polish and study this machine learning implementations to find better predictors and improve the results on non-EURUSD pairs, my end-goal would be to have a machine learning strategy that can deliver highly linear historical results (alike the AsirikuyBrain) across at least the 4 majors (hopefully even more pairs) so that I can have a source of diversification that is constantly being adapted to new market conditions. If you would like to learn more about machine learning strategies and how you too can easily build linear classifiers, random forests, keltner mean clustering, neural network and SVM strategies in F4 please consider joining Asirikuy, a website filled with educational videos, trading systems, development and a sound, honest and transparent approach towards automated trading in general. I hope you enjoyed this article. o)