สนับสนุน เครื่อง เวกเตอร์ การประยุกต์ใช้งาน ทางการเงิน

สนับสนุนเครื่องเวกเตอร์: การประยุกต์ใช้ทางการเงิน ที่อยู่ในลำดับของการอ้างอิงต่อปีสูงสุดที่ด้านบน อัพเดทล่าสุดกันยายน 2006 ปางบ่อลิเลียน LEE และ Shivakumar VAITHYANATHAN 2002 Thumbs up? ความเชื่อมั่นการจำแนกประเภทโดยใช้เทคนิคการเรียนรู้เครื่อง ใน: EMNLP '02: การดำเนินการของ ACL-02 การประชุมเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ - ปริมาณ 10 หน้า 79--86 [อ้างโดย 154] (36.66 / ปี) บทคัดย่อ:. "เราพิจารณาปัญหาของการแบ่งประเภทของเอกสารที่ไม่ได้ตามหัวข้อ แต่โดยความเชื่อมั่นโดยรวมเช่นการพิจารณาว่าความคิดเห็นเป็นบวกหรือลบการใช้บทวิจารณ์ภาพยนตร์เป็นข้อมูลเราพบว่าเครื่องมาตรฐานเทคนิคการเรียนรู้ดีกว่าอย่างแน่นอนเส้นเขตแดนมนุษย์ผลิตอย่างไรก็ตาม. , วิธีการเรียนรู้เครื่องสามเราลูกจ้าง (Naive Bayes จำแนกเอนโทรปีสูงสุดและการสนับสนุนเครื่องเวกเตอร์) ไม่ได้ดำเนินการเช่นเดียวกับการจัดประเภทความเชื่อมั่นเช่นเดียวกับการจัดหมวดหมู่หัวข้อตามแบบดั้งเดิม. เราสรุปได้โดยการตรวจสอบปัจจัยที่ทำให้ความเชื่อมั่นของปัญหาการจัดหมวดหมู่ที่ท้าทายมากขึ้น . " พบว่าการใช้ความคิดเห็นฟิล์มเป็นข้อมูลเครื่องมาตรฐานเทคนิคการเรียนรู้อย่างแน่นอนเฮงเส้นเขตแดนมนุษย์ผลิต แต่พวกเขายังพบว่าวิธีการเรียนรู้เครื่องสามพวกเขามีงานทำ (Naive Bayes จำแนกเอนโทรปีสูงสุดและการสนับสนุนเครื่องเวกเตอร์) ไม่ได้ดำเนินการเช่นเดียวกับการจัดประเภทเป็นความเชื่อมั่นในการจัดหมวดหมู่หัวข้อตามแบบดั้งเดิม บทคัดย่อ:. "กรอบหลักฐานเบย์ถูกนำไปใช้ในงานวิจัยนี้จะน้อยสแควร์สนับสนุนเครื่องเวกเตอร์ (LS-SVM) การถดถอยเพื่อสรุปรูปแบบไม่เชิงเส้นสำหรับการพยากรณ์อนุกรมเวลาทางการเงินและความผันผวนที่เกี่ยวข้องในระดับแรกของการอนุมานเป็นสถิติ กรอบการทำงานที่เกี่ยวข้องกับ LS-SVM สูตรหนึ่งที่ช่วยให้รวมถึงความผันผวนของเวลาที่แตกต่างกันของตลาดโดยเลือกที่เหมาะสมของพารามิเตอร์มากเกินไปหลาย. พารามิเตอร์หลายมิติของรูปแบบที่มีการสรุปในระดับที่สองของการอนุมาน. โดยสรุป พารามิเตอร์มากเกินไปที่เกี่ยวข้องกับความผันผวนที่จะใช้ในการสร้างรูปแบบความผันผวนอยู่ในกรอบหลักฐาน. เปรียบเทียบรุ่นจะดำเนินการในระดับที่สามของการอนุมานในการสั่งซื้อโดยอัตโนมัติปรับพารามิเตอร์ของฟังก์ชันเคอร์เนลและเพื่อเลือกปัจจัยการผลิตที่เกี่ยวข้อง. โดย สูตร LS-SVM ช่วยให้หนึ่งที่จะได้รับการวิเคราะห์การแสดงออกในพื้นที่คุณลักษณะและการแสดงออกในทางปฏิบัติจะได้รับในพื้นที่คู่เปลี่ยนสินค้าภายในโดยฟังก์ชันเคอร์เนลที่เกี่ยวข้องโดยใช้ทฤษฎีบทของเมอร์เซอร์ ขั้นตอนหนึ่งก่อนการแสดงที่ได้รับการคาดการณ์เกี่ยวกับการคาดการณ์ของสัปดาห์ในวันที่ 90 อัตรา T-การเรียกเก็บเงินและ DAX30 ทุกวันราคาปิดแสดงให้เห็นว่ามีนัยสำคัญจากการคาดการณ์สัญญาณตัวอย่างสามารถทำเกี่ยวกับสถิติทดสอบ Pesaran-Timmerman " ใช้กรอบหลักฐานคชกรรมสี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์ (LS-SVM) การถดถอยที่จะคาดการณ์รายสัปดาห์วันที่ 90 อัตรา T-การเรียกเก็บเงินและ DAX30 ทุกวันราคาปิด TAY ฟรานซิสและ EH Lijuan CAO 2001 แอพลิเคชันของการสนับสนุนเครื่องเวกเตอร์ในเวลาทางการเงินคาดการณ์ชุด โอเมก้า: วารสารนานาชาติวิทยาการจัดการ เล่มที่ 29, ฉบับที่ 4 สิงหาคม 2001, หน้า 309-317 [อ้างโดย 67] (12.89 / ปี) บทคัดย่อ:. "ข้อเสนอที่บทความนี้ด้วยการประยุกต์ใช้เทคนิคโครงข่ายประสาทนวนิยายสนับสนุนเครื่องเวกเตอร์ (SVM) ในเวลาทางการเงินคาดการณ์ชุดวัตถุประสงค์ของบทความนี้คือการตรวจสอบความเป็นไปได้ของ SVM ในเวลาทางการเงินคาดการณ์ชุดโดยเปรียบเทียบกับ หลายชั้นการขยายพันธุ์กลับ (BP) เครือข่ายประสาท. ห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงที่ได้รับการตรวจทานจากชิคาโกตลาด Mercantile จะถูกใช้เป็นชุดข้อมูล. การทดลองแสดงให้เห็นว่า SVM มีประสิทธิภาพดีกว่าเครือข่ายประสาท BP ตามเกณฑ์ของปกติเฉลี่ยตาราง ข้อผิดพลาด (NMSE) หมายถึงข้อผิดพลาดที่แน่นอน (MAE) สมมาตรทิศทาง (DS) และสมมาตรทิศทางถ่วงน้ำหนัก (WDS). เนื่องจากไม่มีทางโครงสร้างที่จะเลือกพารามิเตอร์ฟรี SVMs ความแปรปรวนในการทำงานที่เกี่ยวกับพารามิเตอร์ฟรีที่มีการ การตรวจสอบในการศึกษานี้. การวิเคราะห์ผลการทดลองพิสูจน์ให้เห็นว่ามันเป็นประโยชน์เพื่อนำไปใช้ในการคาดการณ์ SVMs อนุกรมเวลาทางการเงิน. " พบว่า SVM เฮงหลายชั้นการขยายพันธุ์กลับ (BP) เครือข่ายประสาทในห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงจากชิคาโก Mercantile ตลาด บทคัดย่อ:. "กระดาษนี้นำเสนอรุ่นล่าสุดของการสนับสนุนเครื่องเวกเตอร์เรียกว่า C - ascending สนับสนุนเครื่องเวกเตอร์แบบไม่หยุดนิ่งอนุกรมเวลาทางการเงิน C - ascending สนับสนุนเครื่องเวกเตอร์จะได้รับโดยการปรับเปลี่ยนที่เรียบง่ายของฟังก์ชั่นที่มีความเสี่ยงใน regularized การสนับสนุนเครื่องเวกเตอร์โดยข้อผิดพลาดεตายที่ผ่านมาจะถูกลงโทษมากขึ้นกว่าที่ห่างไกลข้อผิดพลาดεตาย. ขั้นตอนนี้จะอยู่บนพื้นฐานของความรู้ก่อนว่าในเวลาทางการเงินที่ไม่หยุดนิ่งชุดการพึ่งพาระหว่างตัวแปรและตัวแปรที่ส่งออกค่อยๆเปลี่ยน เมื่อเวลาผ่านไปโดยเฉพาะข้อมูลที่ผ่านมาเมื่อเร็ว ๆ นี้สามารถให้ข้อมูลที่สำคัญมากขึ้นกว่าที่ผ่านมาข้อมูลที่ห่างไกล. ในการทดลอง, C - ascending สนับสนุนเครื่องเวกเตอร์จะมีการทดสอบใช้สามฟิวเจอร์สที่แท้จริงที่เก็บรวบรวมจากชิคาโก Mercantile ตลาด. มันแสดงให้เห็นว่าซี - ascending สนับสนุนเครื่องเวกเตอร์กับข้อมูลตัวอย่างที่สั่งซื้อจริงคาดการณ์อย่างต่อเนื่องดีกว่ามาตรฐานการสนับสนุนเครื่องเวกเตอร์ที่มีประสิทธิภาพการทำงานที่เลวร้ายที่สุดเมื่อสั่งสลับข้อมูลตัวอย่างที่มีการใช้ นอกจากนี้ C - ascending สนับสนุนเครื่องใช้เวกเตอร์เวกเตอร์การสนับสนุนน้อยกว่าผู้ที่สนับสนุนมาตรฐานเครื่องเวกเตอร์ส่งผลให้ตัวแทนเบาบางของการแก้ปัญหา. " พัฒนา `` C - ascending '' การสนับสนุนเครื่องเวกเตอร์ซึ่งลงโทษข้อผิดพลาดεตายเมื่อเร็ว ๆ นี้มีมากขึ้นกว่าที่ห่างไกลข้อผิดพลาดεตายและพบว่าพวกเขาดีกว่าที่คาดการณ์ SVMs มาตรฐานในสามฟิวเจอร์สที่แท้จริงที่เก็บจากตลาดชิคาโก Mercantile บทคัดย่อ:.. "การวิเคราะห์การจัดอันดับเครดิตของ บริษัท มีความสนใจจำนวนมากผลการวิจัยในวรรณคดีการศึกษาล่าสุดได้แสดงให้เห็นว่าปัญญาประดิษฐ์ (AI) วิธีการประสบความสำเร็จในการปฏิบัติงานที่ดีกว่าวิธีการทางสถิติแบบดั้งเดิมบทความนี้จะแนะนำเครื่องที่ค่อนข้างใหม่เทคนิคการเรียนรู้และการสนับสนุนเครื่องเวกเตอร์ ( SVM) ในการแก้ไขปัญหาในความพยายามที่จะให้รูปแบบที่มีอำนาจในการอธิบายที่ดีกว่า. เราใช้ backpropagation เครือข่ายประสาท (บีเอ็นเอ็น) เป็นมาตรฐานและได้รับความถูกต้องคาดการณ์ประมาณ 80% สำหรับทั้งบีเอ็นเอ็นและวิธี SVM สำหรับสหรัฐอเมริกาและไต้หวันตลาด. อย่างไรก็ตาม การปรับปรุงเพียงเล็กน้อยของ SVM พบว่า. ทิศทางการวิจัยก็คือการปรับปรุง interpretability ของรุ่น AI-based. เราใช้ผลการวิจัยล่าสุดในการตีความรูปแบบเครือข่ายประสาทและได้รับความสำคัญของตัวแปรทางการเงินข้อมูลจากแบบจำลองโครงข่ายประสาทเทียม . บนพื้นฐานของผลเหล่านี้เราดำเนินการตลาดการวิเคราะห์เปรียบเทียบความแตกต่างของการกำหนดปัจจัยในประเทศสหรัฐอเมริกาและไต้หวันตลาด. " เครือข่ายประสาท backpropagation ประยุกต์และจำแนกการทำนายการจัดอันดับเครดิตองค์กรของประเทศสหรัฐอเมริกาและตลาดไต้หวันและพบว่าผลที่ได้เปรียบ (ทั้งสองได้ดีกว่าการถดถอยโลจิสติก) กับ SVM ดีกว่าเล็กน้อย บทคัดย่อ: "กระดาษนี้นำเสนอโดยใช้เครื่องเวกเตอร์สนับสนุน (SVMs) ผู้เชี่ยวชาญด้านการพยากรณ์อนุกรมเวลาผู้เชี่ยวชาญ SVMs ทั่วไปมีสองขั้นตอนของระบบประสาทสถาปัตยกรรมเครือข่ายในระยะแรกแผนที่คุณลักษณะการจัดระเบียบตัวเอง (SOM) ถูกใช้เป็น.. ขั้นตอนวิธีการจัดกลุ่มการแบ่งพื้นที่การป้อนข้อมูลทั้งหมดลงในหลายภูมิภาคไม่ปะติดปะต่อ. สถาปัตยกรรมต้นไม้โครงสร้างถูกนำมาใช้ในพาร์ทิชันเพื่อหลีกเลี่ยงปัญหาที่เกิดจาก predetermining จำนวนของภูมิภาคแบ่งพาร์ติชัน. แล้วในขั้นตอนที่สอง SVMs หลายที่เรียกว่าผู้เชี่ยวชาญ SVM, ที่เหมาะสมที่สุดในภูมิภาคแบ่งพาร์ติชันถูกสร้างขึ้นโดยการหาฟังก์ชันเคอร์เนลที่เหมาะสมที่สุดและพารามิเตอร์ฟรีที่ดีที่สุดของ SVMs. ข้อมูลฉายข้อมูลซานตาเฟชุด A, C และ D และทั้งสองชุดข้อมูลที่อาคารได้รับการประเมินในการทดลอง. จำลอง แสดงให้เห็นว่าผู้เชี่ยวชาญด้านการจำแนกบรรลุการปรับปรุงที่สำคัญในการปฏิบัติงานทั่วไปในการเปรียบเทียบกับ SVMs เดียวรุ่น. นอกจากนี้ผู้เชี่ยวชาญยัง SVMs มาบรรจบกันได้เร็วขึ้นและใช้เวกเตอร์การสนับสนุนน้อยลง. " แสดงให้เห็นว่าวิธีการของพวกเขา `` ผู้เชี่ยวชาญ SVM '' ประสบความสำเร็จในการปรับปรุงที่สำคัญดังกล่าวข้างต้นรุ่น SVMs เดียวเมื่อ apllied กับข้อมูลซานตาเฟชุด C (ความถี่สูงอัตราแลกเปลี่ยนระหว่างฟรังก์สวิสและเงินดอลลาร์สหรัฐ) บทคัดย่อ:. "การสนับสนุนเครื่องเวกเตอร์ (SVMs) เป็นวิธีการที่มีแนวโน้มการทำนายทางการเงินอนุกรมเวลาเพราะพวกเขาใช้ฟังก์ชั่นความเสี่ยงที่ประกอบด้วยข้อผิดพลาดเชิงประจักษ์และระยะ regularized ซึ่งได้มาจากหลักการลดความเสี่ยงของโครงสร้างการศึกษาครั้งนี้ใช้ SVM ไป คาดการณ์ดัชนีราคาหุ้น. นอกจากนี้การศึกษานี้จะตรวจสอบความเป็นไปได้ของการใช้ SVM ในการพยากรณ์ทางการเงินโดยการเปรียบเทียบกับเครือข่ายประสาทหลังการขยายพันธุ์และการใช้เหตุผลกรณีที่ใช้. ผลการทดลองแสดงให้เห็นว่า SVM ให้เป็นทางเลือกที่มีแนวโน้มที่จะทำนายตลาดหุ้น " พบว่า SVMs เฮงเครือข่ายประสาทหลังการขยายพันธุ์และการใช้เหตุผลตามกรณีที่เมื่อนำมาใช้ในการคาดการณ์รายวันดัชนีราคาหุ้นคอมโพสิตเกาหลีใต้ (KOSPI) SHIN Kyung-Shik, Taik ซูลีและฮยอนจุงกิม 2005 การประยุกต์ใช้เครื่องเวกเตอร์การสนับสนุนในรูปแบบการทำนายการล้มละลาย ระบบผู้เชี่ยวชาญที่มีการประยุกต์ใช้งาน เล่มที่ 28, ฉบับที่ 1, มกราคม 2005, หน้า 127-135 [อ้างโดย 8] (6.67 / ปี) บทคัดย่อ:. "การศึกษานี้ศึกษาประสิทธิภาพของการใช้การสนับสนุนเครื่องเวกเตอร์ (SVM) ในการแก้ไขปัญหาการทำนายล้มละลายแม้ว่ามันจะเป็นความจริงที่รู้จักกันดีว่าประสาทกลับมาขยายพันธุ์เครือข่าย (BPN) มีประสิทธิภาพดีในรูปแบบของงานที่ได้รับการยอมรับวิธีการที่มีบางส่วน ข้อ จำกัด ในการที่จะเป็นศิลปะที่จะหารูปแบบโครงสร้างที่เหมาะสมและวิธีการแก้ปัญหาที่ดีที่สุด. นอกจากนี้โหลดเป็นจำนวนมากของการฝึกอบรมที่กำหนดเป็นไปได้เข้าสู่เครือข่ายเป็นสิ่งจำเป็นที่จะค้นหาน้ำหนักของเครือข่าย. ในทางกลับกันตั้งแต่ SVM จับเรขาคณิต ลักษณะของพื้นที่คุณลักษณะโดยไม่ต้องสืบน้ำหนักของเครือข่ายจากข้อมูลการฝึกอบรมก็มีความสามารถในการแยกทางออกที่ดีที่สุดที่มีขนาดชุดการฝึกอบรมที่มีขนาดเล็ก. ในการศึกษาครั้งนี้เราแสดงให้เห็นว่าลักษณนามเสนอวิธี SVM มีประสิทธิภาพดีกว่า BPN ในการแก้ไขปัญหาของการล้มละลายของ บริษัท คาดการณ์. ผลแสดงให้เห็นว่ามีความถูกต้องและประสิทธิภาพการทำงานทั่วไปของ SVM จะดีกว่าที่ BPN ขนาดชุดการฝึกอบรมที่ได้รับมีขนาดเล็กลง นอกจากนี้เรายังตรวจสอบผลกระทบจากความแปรปรวนในการทำงานที่เกี่ยวกับค่าต่างๆของพารามิเตอร์ใน SVM นอกจากนี้เราตรวจสอบและสรุปประเด็นที่เหนือกว่าหลายขั้นตอนวิธี SVM เมื่อเทียบกับ BPN. " แสดงให้เห็นว่า SVMs ทำงานได้ดีขึ้นกว่าเครือข่ายประสาทกลับขยายพันธุ์เมื่อนำไปใช้ทำนายการล้มละลายของ บริษัท บทคัดย่อ:. "ประเภทนวนิยายของเครื่องการเรียนรู้ที่เรียกว่าเครื่องเวกเตอร์สนับสนุน (SVM) ได้รับดอกเบี้ยที่เพิ่มขึ้นในพื้นที่ตั้งแต่จากโปรแกรมเดิมในการจดจำรูปแบบการใช้งานอื่น ๆ เช่นการประมาณค่าการถดถอยเนื่องจากผลงานทั่วไปที่โดดเด่นนี้ข้อเสนอที่กระดาษที่มี การประยุกต์ใช้ SVM ในเวลาทางการเงินคาดการณ์ชุด. ความเป็นไปได้ของการใช้ SVM ในการพยากรณ์ทางการเงินจะถูกตรวจสอบเป็นครั้งแรกโดยเปรียบเทียบกับหลายการขยายพันธุ์กลับ (BP) เครือข่ายประสาทและฟังก์ชั่นพื้นฐานรัศมี regularized (RBF) เครือข่ายประสาท. แปรปรวนในประสิทธิภาพการทำงาน ของ SVM เกี่ยวกับพารามิเตอร์ฟรีตรวจสอบทดลอง. พารามิเตอร์การปรับตัวมีการเสนอแล้วโดยผสมผสานความไม่คงตัวของอนุกรมเวลาทางการเงินลงใน SVM. ห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงรวบรวมจากชิคาโกตลาด Mercantile จะถูกใช้เป็นชุดข้อมูล. จำลองแสดงให้เห็นว่าในหมู่ สามวิธี SVM มีประสิทธิภาพดีกว่าเครือข่ายประสาท BP ในการพยากรณ์ทางการเงินและมีผลการดำเนินงานทั่วไปเทียบเคียงระหว่าง SVM และ regularized เครือข่ายประสาท RBF นอกจากนี้พารามิเตอร์ฟรี SVM มีผลต่อประสิทธิภาพการทำงานที่ดีลักษณะทั่วไป SVM กับพารามิเตอร์การปรับตัวทั้งสองสามารถบรรลุผลการดำเนินงานทั่วไปที่สูงขึ้นและใช้เวกเตอร์การสนับสนุนน้อยกว่า SVM มาตรฐานในการพยากรณ์ทางการเงิน. " ใช้ SVM มีหลายหลังการขยายพันธุ์ (BP) เครือข่ายประสาทและฟังก์ชั่นพื้นฐานรัศมี regularized (RBF) เครือข่ายประสาทที่จะคาดการณ์ห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงรวบรวมจากตลาดชิคาโก Mercantile ผลการศึกษาพบว่า SVM และ regularized เครือข่ายประสาท RBF ถูกเปรียบเทียบและทั้งสองเฮงเครือข่ายประสาท BP CAO, Lijuan และฟรานซิ EH TAY 2001 การพยากรณ์ทางการเงินใช้การสนับสนุนเครื่องเวกเตอร์ การประยุกต์ใช้งานคอมพิวเตอร์ระบบประสาท เล่มที่ 10 จำนวน 2 (พฤษภาคม 2001), หน้า 184-192 [อ้างโดย 26] (5.00 / ปี) บทคัดย่อ:. "การใช้การสนับสนุนเวกเตอร์เครื่อง (SVMs) คือการศึกษาในการพยากรณ์ทางการเงินโดยการเปรียบเทียบกับตรอนหลายชั้นได้รับการฝึกฝนโดยกลับขยายพันธุ์ (BP) ขั้นตอนวิธีการจำแนกการคาดการณ์ที่ดีกว่า BP ตามเกณฑ์ของปกติ Mean Square ข้อผิดพลาด (NMSE) ข้อผิดพลาดหมายถึงแอบโซลูท (MAE) ทิศทางสมมาตร (DS) ที่ถูกต้องขึ้น (CP) แนวโน้มและแก้ไขลง (CD) แนวโน้ม. SP 500 ดัชนีราคาทุกวันจะใช้เป็นข้อมูลที่กำหนด. เนื่องจากไม่มีทางโครงสร้าง เลือกพารามิเตอร์ฟรี SVMs ข้อผิดพลาดทั่วไปที่เกี่ยวกับพารามิเตอร์ฟรี SVMs มีการตรวจสอบในการทดลองนี้. ในฐานะที่เป็นตัวอย่างในการทดลองที่พวกเขามีผลกระทบต่อการแก้ปัญหา. การวิเคราะห์ผลการทดลองแสดงให้เห็นว่ามันเป็นประโยชน์ที่จะใช้ SVMs ที่จะคาดการณ์ชุดเวลาทางการเงิน. " พบว่า SVMs คาดการณ์ SP 500 ดัชนีราคาทุกวันดีกว่าตรอนหลายชั้นผ่านการฝึกอบรมโดยการขยายพันธุ์กลับ (BP) อัลกอริทึม บทคัดย่อ:. "ทำนายล้มละลายได้รับจำนวนมากของผลการวิจัยในวรรณคดีก่อนหน้านี้และการศึกษาที่ผ่านมาได้แสดงให้เห็นว่าเทคนิคการเรียนรู้เครื่องบรรลุประสิทธิภาพที่ดีขึ้นกว่าสถิติดั้งเดิมกระดาษนี้นำไปใช้สนับสนุนเครื่องเวกเตอร์ (SVMs) ในการแก้ไขปัญหาการทำนายการล้มละลายในความพยายามที่ เพื่อแสดงให้เห็นรูปแบบใหม่ที่มีอำนาจในการอธิบายที่ดีขึ้นและความมั่นคง. ในการตอบสนองวัตถุประสงค์นี้เราจะใช้เทคนิคการค้นหาตารางโดยใช้ 5 เท่าข้ามการตรวจสอบเพื่อหาค่าพารามิเตอร์ที่เหมาะสมของฟังก์ชันเคอร์เนลของ SVM. นอกจากนี้ในการประเมิน ความถูกต้องคาดการณ์ของ SVM เราเปรียบเทียบประสิทธิภาพการทำงานกับผู้วิเคราะห์จำแนกหลาย ๆ (MDA) การวิเคราะห์การถดถอยโลจิสติก (Logit) และสามชั้นเชื่อมต่ออย่างเต็มที่หลังการขยายพันธุ์เครือข่ายประสาท (BPNs). ผลการทดลองแสดงให้เห็นว่า SVM มีประสิทธิภาพดีกว่าคนอื่น ๆ วิธีการ. " พบว่าเมื่อนำไปใช้กับการคาดการณ์การล้มละลาย SVMs เฮงวิเคราะห์จำแนกหลาย ๆ (MDA) การวิเคราะห์การถดถอยโลจิสติก (Logit) และสามชั้นเชื่อมต่ออย่างเต็มที่หลังการขยายพันธุ์เครือข่ายประสาท (BPNs) อับราฮัม, ธ นิ, Ninan Saj​​ith PHILIP พี SARATCHANDRAN 2003 การสร้างแบบจำลองพฤติกรรมวุ่นวายของดัชนีหุ้นโดยใช้กรอบความคิดที่ชาญฉลาด ประสาทการคำนวณทางวิทยาศาสตร์ขนาน เล่มที่ 11 หน้า 143-160 [อ้างโดย 10] (4.55 / ปี) บทคัดย่อ:.. "การใช้งานของระบบอัจฉริยะสำหรับการคาดการณ์การลงทุนในตลาดหุ้นได้รับการจัดตั้งขึ้นอย่างกว้างขวางในบทความนี้เราจะตรวจสอบว่าพฤติกรรมวุ่นวายดูเหมือนว่าตลาดหุ้นจะได้รับการแสดงเป็นอย่างดีโดยใช้กระบวนทัศน์ connectionist หลายและเทคนิคคอมพิวเตอร์ซอฟท์ในการแสดงให้เห็นถึงเทคนิคที่แตกต่างกัน เราพิจารณาดัชนี Nasdaq-100 ของ Nasdaq ตลาดหุ้นเอสเอ็มและ S & P ดัชนีหุ้น CNX NIFTY. เราวิเคราะห์ 7 ปี Nasdaq 100 ค่าดัชนีหลักและ 4 ปี NIFTY ค่าดัชนี. กระดาษนี้ศึกษาการพัฒนาเทคนิคที่เชื่อถือได้และมีประสิทธิภาพในการจำลองดูเหมือน พฤติกรรมวุ่นวายของตลาดหุ้น. เราคิดว่าเป็นเครือข่ายประสาทเทียมผ่านการฝึกอบรมโดยใช้อัลกอริทึม Levenberg-Marquardt, การสนับสนุนเครื่องเวกเตอร์ (SVM), ทาคากิ-Sugeno รูปแบบ neurofuzz​​y และความแตกต่างการส่งเสริมประสาทเครือข่าย (DBNN). บทความนี้อธิบายสั้น ๆ อธิบายว่ากระบวนทัศน์ connectionist ที่แตกต่างกัน อาจจะใช้สูตรที่แตกต่างกันวิธีการเรียนรู้และสำรวจแล้วว่าพวกเขาสามารถให้ระดับของประสิทธิภาพการทำงานที่จำเป็นซึ่งเป็นดีพอและมีประสิทธิภาพเพื่อที่จะให้รูปแบบการคาดการณ์ที่เชื่อถือได้สำหรับดัชนีตลาดหุ้น ผลการทดลองแสดงให้เห็นว่าทุกกระบวนทัศน์ connectionist ถือหุ้นจะเป็นตัวแทนของพฤติกรรมดัชนีแม่นยำมาก. " ใช้สี่เทคนิคที่แตกต่างกันเป็นเครือข่ายประสาทเทียมผ่านการฝึกอบรมโดยใช้อัลกอริทึม Levenberg-Marquardt สนับสนุนเครื่องเวกเตอร์, ความแตกต่างที่การส่งเสริมเครือข่ายประสาทและระบบอนุมานฟัซซีทาคากิ-Sugeno เรียนรู้โดยใช้ขั้นตอนวิธีเครือข่ายประสาท (รูปแบบของระบบประสาทเลือน) เพื่อทำนาย ของดัชนี Nasdaq-100 ของหุ้น Market_​​ Nasdaq และ S & P ดัชนีหุ้น CNX NIFTY ไม่มีเทคนิคหนึ่งที่เหนือกว่าอย่างเห็นได้ชัดเป็น แต่อย่างไร้เหตุผลที่พวกเขาพยายามที่จะคาดการณ์ค่าสัมบูรณ์ของดัชนีมากกว่าผลตอบแทนที่ใช้เข้าสู่ระบบ YANG, Haiqin, Laiwan CHAN และเออร์วิน KING 2002 สนับสนุนเวกเตอร์เครื่องถดถอยสำหรับการทำนายตลาดหุ้นผันผวน ใน: ข้อมูลวิศวกรรมอัตโนมัติอัจฉริยะและการเรียนรู้: IDEAL 2002 แก้ไขโดย Hujun หยิน, et al . หน้า 391--396 สปริงเกอร์ [อ้างโดย 19] (4.52 / ปี) บทคัดย่อ: "เมื่อเร็ว ๆ นี้การสนับสนุนเวกเตอร์ถดถอย (SVR) ได้รับการแนะนำในการแก้ปัญหาการถดถอยและการทำนายในบทความนี้เราใช้ SVR งานการคาดการณ์ทางการเงินโดยเฉพาะอย่างยิ่งข้อมูลทางการเงินมักจะมีเสียงดังและความเสี่ยงที่เกี่ยวข้องเป็นเวลาที่แตกต่างกัน.. . ดังนั้นรูปแบบ SVR ของเราเป็นส่วนขยายของมาตรฐาน SVR ซึ่งประกอบด้วยการปรับตัวอัตรากำไรขั้นต้น. โดยการเปลี่ยนแปลงอัตรากำไรขั้นต้นของ SVR ที่เราสามารถสะท้อนให้เห็นถึงการเปลี่ยนแปลงในความผันผวนของข้อมูลทางการเงินที่. นอกจากนี้เรามีการวิเคราะห์ผลกระทบของอัตรากำไรขั้นต้นไม่สมดุลเพื่อให้เป็น เพื่อให้การลดลงของความเสี่ยงขาลงที่. ผลการทดลองของเราแสดงให้เห็นว่าการใช้งานของส่วนเบี่ยงเบนมาตรฐานในการคำนวณอัตรากำไรขั้นต้นตัวแปรให้ผลการทำนายที่ดีในการคาดการณ์ของดัชนีฮั่งเส็งได้. " tryed ที่แตกต่างกันอัตรากำไรขั้นต้นในการถดถอย SVM เพื่อที่จะสะท้อนให้เห็นถึงการเปลี่ยนแปลงในความผันผวนของข้อมูลทางการเงินและการวิเคราะห์ผลกระทบของอัตรากำไรขั้นต้นไม่สมดุลเพื่อที่จะอนุญาตให้มีการลดลงของความเสี่ยงขาลงที่ วิธีการข้อผิดพลาดในอดีตการผลิตรวมต่ำสุดเมื่อคาดการณ์ราคาปิดในชีวิตประจำวันของฮ่องกงฮั่งเส็งดัชนี (HSI) HUANG, ดับบลิววาย Nakamori และ S. Y. วัง 2005 พยาก​​รณ์ทิศทางการเคลื่อนไหวของตลาดหุ้นด้วยการสนับสนุนเครื่องเวกเตอร์ คอมพิวเตอร์และการดำเนินงานวิจัย เล่มที่ 32, ฉบับที่ 10, หน้า 2513-2522 (ตุลาคม 2005) [อ้างโดย 5] (4.18 / ปี) บทคัดย่อ: "การสนับสนุนเครื่องเวกเตอร์ (SVM) เป็นชนิดที่เฉพาะเจาะจงมากของขั้นตอนวิธีการเรียนรู้ที่โดดเด่นด้วยการควบคุมความจุของฟังก์ชั่นการตัดสินใจการใช้ฟังก์ชั่นเคอร์เนลและ sparsity ของการแก้ปัญหาในบทความนี้เราจะตรวจสอบการคาดการณ์ของทางการเงิน. ทิศทางการเคลื่อนไหวที่มี SVM โดยการคาดการณ์ทิศทางการเคลื่อนไหวสัปดาห์ NIKKEI 225 ดัชนี. เพื่อประเมินความสามารถในการคาดการณ์ของ SVM เราเปรียบเทียบประสิทธิภาพการทำงานกับผู้ที่เป็น Linear วิเคราะห์จำแนก, กำลังสองวิเคราะห์จำแนกและ Elman backpropagation โครงข่ายประสาท. ผลการทดลองแสดงให้เห็นว่ามีประสิทธิภาพเหนือกว่า SVM วิธีการจัดหมวดหมู่อื่น ๆ . นอกจากนี้เราได้นำเสนอรูปแบบการรวมโดยการบูรณาการ SVM ด้วยวิธีการจัดหมวดหมู่อื่น ๆ . รูปแบบการดำเนินการรวมที่ดีที่สุดในทุกวิธีการพยากรณ์. " เมื่อเทียบกับความสามารถในการจำแนกการวิเคราะห์จำแนกเชิงเส้น, กำลังสองวิเคราะห์จำแนกและ Elman backpropagation โครงข่ายประสาทที่จะคาดการณ์ทิศทางการเคลื่อนไหวรายสัปดาห์ของดัชนี NIKKEI 225 และพบว่า SVM เฮงทั้งหมดของวิธีการจำแนกอื่น ๆ ยังดีกว่าเป็นการรวมถ่วงน้ำหนักของรุ่น TRAFALIS ทีโอดอร์บีและ Huseyin ขัดหูขัดตา 2000 การสนับสนุนเครื่องเวกเตอร์สำหรับการถดถอยและการประยุกต์ใช้ในการพยากรณ์ทางการเงิน ใน: IJCNN 2000: การดำเนินการของ IEEE-INNS-Enns ประชุมนานาชาติร่วมในโครงข่ายประสาท: เล่ม 6 แก้ไขโดยชุน-Ichi อมารี, et al . หน้า 6348 อีอีอีพีซีสังคม [อ้างโดย 19] (3.06 / ปี) บทคัดย่อ:. "วัตถุประสงค์หลักของงานวิจัยนี้คือการเปรียบเทียบเครื่องเวกเตอร์สนับสนุน (SVM) พัฒนาโดย Vapnik กับเทคนิคอื่น ๆ เช่น backpropagation และรัศมีฟังก์ชั่นพื้นฐาน (RBF) เครือข่ายสำหรับการใช้งานการคาดการณ์ทางการเงินทฤษฎีของอัลกอริทึม SVM จะขึ้นอยู่กับ ทฤษฎีการเรียนรู้ทางสถิติ. การฝึกอบรม SVMs นำไปสู่​​การเขียนโปรแกรมกำลังสอง (QP) ปัญหา. ผลการคำนวณเบื้องต้นสำหรับการคาดการณ์ราคาหุ้นยังถูกนำเสนอ. " SVMs เมื่อเทียบกับ backpropagation และรัศมีฟังก์ชั่นพื้นฐาน (RBF) เครือข่ายโดยการคาดคะเนของไอบีเอ็ม, Yahoo และอเมริกาออนไลน์ราคาหุ้นรายวัน ผิดปกติใช้สำหรับการถดถอย SVM พวกเขา forwent ชุดตรวจสอบการตั้งค่า epsilon ศูนย์คงที่ C และทำซ้ำการทดลองสำหรับการตั้งค่าคงที่ต่างๆของพารามิเตอร์ของเคอร์เนล, ซิกให้สูงขึ้นเพื่อผลหลาย บทคัดย่อ: "กระดาษนี้นำเสนอรุ่นล่าสุดของการสนับสนุนเครื่องเวกเตอร์ (SVMs) เรียกแบบไดนามิกการสนับสนุนเครื่องเวกเตอร์ (DSVMs) แบบอนุกรมเวลาไม่หยุดนิ่ง DSVMs จะได้รับโดยผสมผสานความรู้ปัญหา - ที่ไม่ stationarity ของ. อนุกรมเวลาเข้า SVMs. ซึ่งแตกต่างจาก SVMs มาตรฐานที่ใช้ค่าคงที่ของ regularization คงที่และขนาดท่อในทุกจุดข้อมูลการฝึกอบรมที่ DSVMs ใช้ regularization ชี้แจงที่เพิ่มขึ้นอย่างต่อเนื่องและมีขนาดหลอดชี้แจงลดลงในการจัดการกับการเปลี่ยนแปลงโครงสร้างในข้อมูล . โดย regularization แบบไดนามิกอย่างต่อเนื่องและขนาดท่อจะขึ้นอยู่กับความรู้ก่อนว่าในเวลาที่ไม่หยุดนิ่งชุดจุดข้อมูลที่ผ่านมาสามารถให้ข้อมูลที่สำคัญมากกว่าจุดข้อมูลที่ห่างไกล. ในการทดลองที่ DSVMs ที่มีการประเมินโดยใช้ชุดข้อมูลทั้งจำลองและจริง . การจำลองแสดงให้เห็นว่า DSVMs คุยดีกว่า SVMs มาตรฐานในการพยากรณ์อนุกรมเวลาไม่หยุดนิ่ง. ประโยชน์ของการปรับเปลี่ยนนี้ก็คือว่า DSVMs ใช้เวกเตอร์การสนับสนุนน้อยลงส่งผลให้ตัวแทนเบาบางของการแก้ปัญหา. " รวมความรู้ก่อนว่าอนุกรมเวลาทางการเงินไม่คงที่ลงใน `ของพวกเขา` สนับสนุนแบบไดนามิกเครื่องเวกเตอร์ (DSVMs) '' และใช้ regularization ชี้แจงที่เพิ่มขึ้นอย่างต่อเนื่องและมีขนาดหลอดชี้แจงลดลงในการจัดการกับการเปลี่ยนแปลงโครงสร้างในข้อมูลบนสมมติฐานว่าข้อมูลล่าสุด จุดที่จะให้ข้อมูลที่สำคัญมากกว่าจุดข้อมูลที่ห่างไกล พวกเขาสรุปว่า DSVMs คุยดีกว่ามาตรฐานจำแนกในการพยากรณ์อนุกรมเวลาที่ไม่หยุดนิ่งในขณะที่พวกเขายังใช้เวกเตอร์การสนับสนุนน้อยลงส่งผลให้ตัวแทนเบาบางของการแก้ปัญหา บทคัดย่อ:. "กระดาษนี้นำเสนอรุ่นล่าสุดของการสนับสนุนเครื่องเวกเตอร์ (SVMs) เรียกε-ลงการสนับสนุนเครื่องเวกเตอร์ (ε-DSVMs) แบบไม่หยุดนิ่งอนุกรมเวลาทางการเงินε-DSVMs จะได้รับโดยการใช้มาตรการโดเมนปัญหา ความรู้ที่ไม่ stationarity ของซีรีส์ทางการเงินเป็นเวลา SVMs. ซึ่งแตกต่างจาก SVMs มาตรฐานที่ใช้หลอดอย่างต่อเนื่องในทุกจุดข้อมูลการฝึกอบรมที่ε-DSVMs ใช้หลอดปรับตัวเพื่อรับมือกับการเปลี่ยนแปลงโครงสร้างในการทดลอง data. The ที่แสดงให้เห็นว่า ε-DSVMs คุยดีกว่า SVMs มาตรฐานในการพยากรณ์อนุกรมเวลาทางการเงินที่ไม่หยุดนิ่ง. ประโยชน์ของการปรับเปลี่ยนนี้ก็คือว่าε-DSVMs บรรจบกันเพื่อเวกเตอร์การสนับสนุนน้อยลงส่งผลให้ตัวแทนเบาบางของการแก้ปัญหา. " รวมความรู้ปัญหาของการไม่ stationarity ของซีรีส์ทางการเงินเป็นเวลาจำแนกโดยใช้หลอดในการปรับตัวของพวกเขาเรียกว่า `` $ \ epsilon $ - descending สนับสนุนเครื่องเวกเตอร์ ($ \ epsilon $ - DSVMs) '' การทดลองแสดงให้เห็นว่า $ \ epsilon $ - DSVMs คุยดีกว่า SVMs มาตรฐานในการพยากรณ์อนุกรมเวลาทางการเงินที่ไม่หยุดนิ่งและบรรจบกันเพื่อเวกเตอร์การสนับสนุนน้อยลงส่งผลให้ตัวแทนเบาบางของการแก้ปัญหา Debnath, Sandip และซีลีไจล์ส 2005 การเรียนรู้ตามรูปแบบการสกัดหัวข้อข่าวบทความการหาประโยคอธิบายสำหรับเหตุการณ์ ใน: K-CAP 05: การดำเนินการของการประชุมระหว่างประเทศที่ 3 ในการจับความรู้ หน้า 189--190 [อ้างโดย 2] (1.67 / ปี) บทคัดย่อ:.... "ข้อมูลเมตาดาต้าที่มีบทบาทสำคัญในการขยายเอกสารการจัดระเบียบอย่างมีประสิทธิภาพและ archivability เมตาดาต้าข่าวรวมถึงวันเดือนปีทางสายย่อยทั่วไปและอื่น ๆ อีกมากมายเราพบข้อมูลหัวข้อเรื่องที่เป็นประโยชน์สำหรับการคาดเดารูปแบบของบทความข่าวโดยเฉพาะอย่างยิ่งสำหรับบทความข่าวการเงิน. เราพบว่าพาดหัวจึงจะมีประโยชน์เป็นพิเศษเพื่อหาประโยคอธิบายสำหรับการจัดกิจกรรมใด ๆ ที่สำคัญเช่นการเปลี่ยนแปลงอย่างมีนัยสำคัญในราคาหุ้น. ในบทความนี้เราจะสำรวจการสนับสนุนเวกเตอร์วิธีการเรียนรู้ที่ใช้ในการดึงข้อมูลเมตาพาดหัวโดยอัตโนมัติ. เราพบว่ามีความถูกต้องการจัดหมวดหมู่ ในการหาพาดหัว s ช่วยเพิ่มถ้าวันเดือนปี s จะมีการระบุเป็นครั้งแรก. จากนั้นเราจะนำมาใช้สกัดพาดหัวที่จะเริ่มต้นการจับคู่รูปแบบของคำหลักที่จะหาประโยคที่รับผิดชอบในรูปแบบเรื่องราว. ใช้รูปแบบนี้และรูปแบบภาษาที่ง่ายก็เป็นไปได้ที่จะหาใด ๆ ประโยคอธิบายสำหรับการเปลี่ยนแปลงอย่างมีนัยสำคัญราคาใด ๆ . " คิดค้นวิธีการใหม่ในการสกัด metadata ข่าวพาดหัวข่าวใช้จำแนกและใช้พวกเขาที่จะหารูปแบบที่จะได้รับเรื่องคำอธิบายประโยคที่ใช้สำหรับการเปลี่ยนแปลงของราคาหุ้น บทคัดย่อ: "ขับเคลื่อนด้วยความต้องการที่จะจัดสรรเงินทุนในทางที่ทำกำไรได้และโดยการแนะนำเมื่อเร็ว ๆ นี้กฎระเบียบ Basel II สถาบันการเงินจะเป็นมากขึ้นและจำเป็นในการสร้างแบบจำลองการให้คะแนนเครดิตการประเมินความเสี่ยงของการเริ่มต้นของลูกค้าของพวกเขาในเทคนิคที่หลายคนได้รับการแนะนำ. ที่จะจัดการปัญหานี้. สนับสนุนเวกเตอร์เครื่อง (SVMs) เป็นเทคนิคใหม่ที่มีแนวโน้มที่มีการเล็ดลอดออกมาเมื่อเร็ว ๆ นี้จากโดเมนที่แตกต่างกันเช่นสถิติที่ใช้เครือข่ายประสาทและการเรียนรู้เครื่อง. ในบทความนี้เราทดลองกับสี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์ (LS-SVMs ) ซึ่งเป็นรุ่นล่าสุดที่เพิ่งจำแนกและรายงานผลอย่างมีนัยสำคัญที่ดีขึ้นเมื่อเทียบกับเทคนิคคลาสสิก. " เมื่อเทียบกับสี่วิธีการสองน้อยที่สุด (OLS) ลำดับการถดถอยโลจิสติก (โอแอลอา) ที่หลาย Perceptron (MLP) และสี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์ (LS-SVMs) เมื่อนำไปใช้ให้คะแนนเครดิต วิธี SVM ให้ผลอย่างมีนัยสำคัญและสม่ำเสมอผลลัพธ์ที่ดีกว่าวิธีการให้คะแนนเชิงเส้นคลาสสิก FAN, อลันและ Marimuthu PALANISWAMI 2000 เลือกล้มละลายทำนายการใช้เครื่องเวกเตอร์สนับสนุนวิธีการ IJCNN 2000: การดำเนินการของ IEEE-INNS-Enns ประชุมนานาชาติร่วมในโครงข่ายประสาทเล่ม 6 แก้ไขโดยชุน-Ichi โรงแรมอมารีเอตอัล . หน้า 6354. [อ้างโดย 9] (1.45 / ปี) บทคัดย่อ:. "วิธีโครงข่ายประสาทเทียมธรรมดาที่ได้รับพบว่ามีประโยชน์ในการทำนายความทุกข์ขององค์กรจากงบการเงินในบทความนี้เราได้นำเวกเตอร์สนับสนุนวิธีการเครื่องปัญหาวิธีการใหม่ของการเลือกพยากรณ์ล้มละลายจะแสดงโดยใช้ระยะทางยุคลิดตาม. เกณฑ์การคำนวณภายในเคอร์เนล SVM. ให้การศึกษาเปรียบเทียบมีให้ใช้สามรุ่นความทุกข์ของ บริษัท คลาสสิกและรูปแบบทางเลือกขึ้นอยู่กับวิธี SVM ได้. " ใช้ SVMs เพื่อเลือกพยากรณ์ล้มละลายและให้การศึกษาเปรียบเทียบ บทคัดย่อ:. "สองขั้นตอนสถาปัตยกรรมเครือข่ายประสาทสร้างขึ้นโดยการรวมการสนับสนุนเวกเตอร์เครื่อง (SVMs) แผนที่คุณลักษณะการจัดระเบียบตัวเอง (SOM) มีการเสนอในช่วงเวลาทางการเงินคาดการณ์ชุดในขั้นตอนแรก SOM ใช้เป็นขั้นตอนวิธีการจัดกลุ่มในการแบ่งพาร์ติชัน พื้นที่การป้อนข้อมูลทั้งหมดลงในหลายภูมิภาคเคลื่อน. สถาปัตยกรรมต้นไม้โครงสร้างถูกนำมาใช้ในพาร์ทิชันเพื่อหลีกเลี่ยงปัญหาที่เกิดจาก predetermining จำนวนภูมิภาคแบ่งพาร์ติชันที่. จากนั้นในขั้นตอนที่สอง SVMs หลายที่เรียกว่าผู้เชี่ยวชาญ SVM ที่ดีที่สุดเหมาะสมกับแต่ละคน ภูมิภาคแบ่งพาร์ติชันถูกสร้างขึ้นโดยการหาฟังก์ชันเคอร์เนลที่เหมาะสมที่สุดและพารามิเตอร์การเรียนรู้ที่ดีที่สุดของ SVMs. อัตราแลกเปลี่ยนซานตาเฟและห้าสัญญาซื้อขายล่วงหน้าที่แท้จริงที่ใช้ในการทดลอง. มันแสดงให้เห็นว่าวิธีการที่นำเสนอประสบความสำเร็จทั้งประสิทธิภาพการคาดการณ์ที่สูงขึ้นอย่างมีนัยสำคัญและเร็วขึ้น ความเร็วการบรรจบกันในการเปรียบเทียบกับรูปแบบ SVM เดียว. " รวม SVMs กับแผนที่คุณลักษณะการจัดระเบียบตัวเอง (SOM) และผ่านการทดสอบรูปแบบในอัตราแลกเปลี่ยนที่ซานตาเฟและห้าสัญญาซื้อขายล่วงหน้าจริง พวกเขาแสดงให้เห็นว่าวิธีการของพวกเขาประสบความสำเร็จในการเสนอทั้งประสิทธิภาพที่สูงขึ้นอย่างมีนัยสำคัญการทำนายและความเร็วในการบรรจบกันได้เร็วขึ้นเมื่อเทียบกับรูปแบบ SVM เดียว บทคัดย่อ: "ในบทความนี้เรานำเสนอการวิเคราะห์ผลการศึกษาลงในขายส่งหนึ่ง (จุด) การคาดการณ์ราคาไฟฟ้าที่ใช้โครงข่ายประสาท (NNs) และการสนับสนุนเวกเตอร์เครื่อง (SVM) การเปลี่ยนแปลงกฎระเบียบที่ใช้บ่อยในตลาดไฟฟ้าและผู้เข้าร่วมตลาดการพัฒนาอย่างรวดเร็ว. การกำหนดราคา (เสนอราคา) กลยุทธ์การก่อให้เกิดการฝึกอบรมที่มีประสิทธิภาพที่จะมีความสำคัญในการรักษาความถูกต้องของรูปแบบการพยากรณ์ราคาไฟฟ้า. ประสิทธิภาพของ NN และการฝึกอบรม SVM สำหรับการพยากรณ์ราคาที่ได้รับการประเมินโดยใช้การตลาดการไฟฟ้าแห่งชาติออสเตรเลีย (NEM), นิวเซาธ์เวลส์ข้อมูลในระดับภูมิภาคในช่วงเวลา ตั้งแต่เดือนกันยายน 1998 ถึงธันวาคม 1998 วิเคราะห์ผลพบว่า SVMs กับหนึ่งในการแก้ปัญหาที่ไม่ซ้ำกันในการผลิตการคาดการณ์ความถูกต้องสอดคล้องกันมากขึ้นและอื่น ๆ ต้องใช้เวลาน้อยที่จะได้อย่างดีที่สุดในการฝึกอบรมกว่า NNs ซึ่งจะส่งผลในการแก้ปัญหาที่ใด ๆ ของจำนวนมากของท้องถิ่นน้อย . โดย SVM และ NN ความถูกต้องคาดการณ์พบว่ามีลักษณะคล้ายกันมาก. " การประเมินการใช้โครงข่ายประสาท (NNs) และการสนับสนุนเครื่องเวกเตอร์ (SVM) สำหรับขายส่ง (จุด) การคาดการณ์ราคาไฟฟ้า SVM จะต้องใช้เวลาน้อยที่จะได้อย่างดีที่สุดในการฝึกอบรมกว่า NN ในขณะที่ SVM และ NN ความถูกต้องคาดการณ์พบว่ามีลักษณะคล้ายกันมาก อับราฮัม, ธ นิและแอนดี้ AUYEUNG 2003 การบูรณาการทั้งหมดของระบบอัจฉริยะสำหรับการสร้างแบบจำลองดัชนีหุ้น ใน: การดำเนินงานของการประชุมนานาชาติครั้งที่ 7 เมื่อวันที่ประดิษฐ์และธรรมชาติโครงข่ายประสาทส่วนที่ ii บรรยายในวิทยาการคอมพิวเตอร์เล่ม 2687 โฆเซไมราและโฮเซ่อาร์ Alverez (บรรณาธิการ). สปริงเกอร์เวอร์, เยอรมนี, ได้ pp. 774-781 2003 [อ้างโดย 3] (0.94 / ปี) บทคัดย่อ:.. "การใช้งานของระบบอัจฉริยะสำหรับการคาดการณ์การลงทุนในตลาดหุ้นได้รับการจัดตั้งขึ้นอย่างกว้างขวางในบทความนี้เราจะตรวจสอบว่าพฤติกรรมวุ่นวายดูเหมือนของตลาดหุ้นอาจจะดีเป็นตัวแทนโดยใช้ชุดของกรอบความคิดที่ชาญฉลาดในการแสดงให้เห็นถึงเทคนิคที่นำเสนอที่เราพิจารณา Nasdaq-100 ดัชนี Nasdaq ตลาดหุ้นเอสเอ็มและ SP CNX NIFTY ดัชนีหุ้น. โดยกรอบความคิดที่ชาญฉลาดถือว่าเป็นเครือข่ายประสาทเทียมผ่านการฝึกอบรมโดยใช้อัลกอริทึม Levenberg-Marquardt สนับสนุนเครื่องเวกเตอร์, ทาคากิ-Sugeno รูปแบบของระบบประสาทเลือนและความแตกต่างการส่งเสริมเครือข่ายประสาท . โดยกรอบความคิดที่แตกต่างกันมารวมกันโดยใช้สองวิธีวงดนตรีที่แตกต่างกันเพื่อเพิ่มประสิทธิภาพการทำงานโดยการลดมาตรการข้อผิดพลาดที่แตกต่างกัน. วิธีแรกจะขึ้นอยู่กับมาตรการข้อผิดพลาดตรงและวิธีที่สองจะขึ้นอยู่กับขั้นตอนวิธีวิวัฒนาการในการค้นหารวมกันเชิงเส้นที่ดีที่สุด กรอบความคิดสร้างสรรค์ที่แตกต่างกัน. ผลการทดลองแสดงให้เห็นว่าเทคนิคชุดทำได้ดีกว่าวิธีการของแต่ละบุคคลและวิธีการที่วงดนตรีโดยตรงที่ดูเหมือนว่าจะทำงานได้ดีสำหรับปัญหาการพิจารณา. " . . . . . . . ฉบับที่ . .