Previsão de forex svm

Um clustering em tempo real e uma previsão de volatilidade baseada em SVM para uma estratégia de negociação ideal.
Destaques.
O portfólio ideal é selecionado usando um esquema de agrupamento em dois estágios em um conjunto de ações.
Os preços futuros são previstos usando a máquina de vetor de suporte.
Uma estratégia de negociação de curto prazo é formulada com base em previsões.
Uma simulação de teste realizou um lucro de 1,5% ao longo de 15 dias.
O retorno financeiro dos investimentos e a movimentação de indicadores de mercado estão repletos de incertezas e um ambiente altamente volátil que existe no mercado global. Os mercados de ações são fortemente afetados pela imprevisibilidade do mercado e a manutenção de uma carteira saudável diversificada com um risco mínimo é, sem dúvida, crucial para qualquer investimento realizado em tais ativos. A previsão efetiva de preços e volatilidade pode influenciar o curso da estratégia de investimento em relação a tal carteira de instrumentos de capital próprio. Neste artigo, uma nova técnica de agrupamento híbrido baseado em SOM é integrada com regressão de vetor de suporte para seleção de portfólio e previsões precisas de preços e volatilidade, que se tornam a base para a estratégia de negociação específica adotada para o portfólio. A pesquisa considera os principais 102 estoques do mercado de ações da NSE (Índia) para identificar o conjunto das melhores carteiras que um investidor pode manter para redução de risco e alta rentabilidade. Estratégia de negociação de estoque de curto prazo e indicadores de desempenho são desenvolvidos para avaliar a validade das previsões em relação aos cenários reais.
Escolha uma opção para localizar / acessar este artigo:
Verifique se você tem acesso através de suas credenciais de login ou sua instituição.
Verifique este artigo em outro lugar.
Subhabrata Choudhury está atualmente cursando seu Bacharelado em Tecnologia em Engenharia Metalúrgica e de Materiais no Indian Institute of Technology Kharagpur, na Índia e está no último ano. O interesse de pesquisa atual inclui Mineração de Dados, Pesquisa de Operações, Aprendizado de Máquinas e suas aplicações em Finanças e Indústria Aérea.
Subhajyoti Ghosh é um estudante de graduação do quarto ano no Indian Institute of Technology Kharagpur, Índia, inscrito no programa de dupla dupla de cinco anos (B. Tech e M. Tech) em Ocean Engineering e Naval Architecture. Sua pesquisa atual se concentra em Pesquisa de Operações, Mercados Financeiros e Agendamento.
Arnab Bhattacharya é atualmente candidato a doutorado em pesquisa operacional na Universidade de Pittsburgh, EUA. Ele completou o programa de duplo grau de cinco anos (B. Tech e M. Tech) em Engenharia e Gestão Industrial no Indian Institute of Technology Kharagpur, Índia em 2011. Suas áreas de pesquisa incluem Pesquisa de Operações e Mineração de Dados.
Kiran Jude Fernandes é Diretor de Pesquisa e Chefe do Grupo de Gerenciamento de Operações da York Management School, Reino Unido. Ele também é um dos principais pesquisadores do Centro interdisciplinar de York para Análise de Sistemas Complexos (YCCSA). Possui PhD em Gestão de Operações e Sistemas da Universidade de Warwick; um mestrado da James Worth Bagley College of Engineering na Universidade Estadual do Mississippi (MSU) e um Bacharelado em Engenharia (Hons) em Produção da Waltech. Sua pesquisa se concentra na modelagem de domínios sociais e de negócios complexos usando uma perspectiva de sistema complexo.
Manoj Kumar Tiwari é professor do Departamento de Engenharia e Gestão Industrial do Indian Institute of Technology Kharagpur, na Índia. Ele é editor associado de revistas que incluem Transações IEEE no SMC, Parte A: Sistemas e Humanos, Revista Internacional de Ciência do Sistema, Journal of Decision Support System. Ele tem mais de 200 publicações em várias revistas e conferências internacionais. Os seus interesses de pesquisa são Modelos de Apoio à Decisão, Planejamento, Programação e Problemas de Controle do Sistema de Fabricação, Rede de Cadeia de Fornecimento.

Como prever retornos de estoque usando máquinas de vetor de suporte (SVM)?
21 de fevereiro de 2016.
Nos últimos posts, falamos sobre como prever os preços das ações usando os diferentes modelos de séries temporais estatísticas. Na última publicação, falamos sobre como projetar estratégias de negociação algorítmicas usando R. R é um poderoso software estatístico que está disponível GRÁTIS. Antes de começar a usar R, você terá que aprender a linguagem de programação R que este software usa. A modelagem de séries temporais financeiras usando modelos ARIMA, ARCH e GARCH está perdendo popularidade, já que as previsões feitas por esses modelos não são tão precisas. R está agora a ser utilizado para a Aprendizagem de Máquinas. A Aprendizagem de Máquinas é um novo ramo da análise estatística que utiliza o vasto poder computacional que está sendo disponibilizado por computadores para analisar dados importantes e fazer previsões inteligentes. Uma área de interesse que está recebendo muita atenção é a previsão do mercado de ações usando algoritmos de aprendizado de máquina. Dois algoritmos populares são as Redes Neurais e as Máquinas de Vector de Suporte (SVM).
Na aula de vídeo acima, você aprende a usar o poder de R para prever os retornos do mercado de ações usando o Support Vector Machines (SVMs). O vídeo acima ensina você através de um estudo de caso sobre como projetar um sistema de negociação de ações automatizado que lhe informa quando comprar e quando vender usando SVMs.
O Support Vector Machines (SVMs) é um novo e poderoso algoritmo de aprendizagem de máquina que mapeia os dados originais para um plano superior usando uma função de kernel para otimizar o processo de previsão. Leia este artigo de pesquisa da Universidade de Stanford que afirma que os SVMs conseguiram prever índices do mercado de ações como NASDAQ, S & amp; P 500, DJIA, etc. Isso é o que os autores dizem: & # 8220; Neste projeto, propomos um novo algoritmo de previsão que explora a correlação temporal entre os mercados de ações globais e vários produtos financeiros para prever a tendência de estoque do dia seguinte com o auxílio de SVM. Os resultados numéricos indicam uma precisão de previsão de 74,4% em NASDAQ, 76% em S & P500 e 77,6% em DJIA & # 8230;. & # 8221;
Alcançar uma precisão preditiva de 70% e acima nos índices de estoque acima é uma conquista bastante notável. Então, o que isso significa? Isso significa que você também deve aprender e dominar SVMs e usá-los na previsão dos retornos do mercado de ações. Você pode facilmente criar SVMs usando R como mencionado acima. R é um software estatístico poderoso que foi desenvolvido por muitas pessoas que trabalham na academia em todo o mundo. Você pode baixar todos os pacotes necessários gratuitamente. Você só precisa entender como fazer a modelagem corretamente, porque se você fizer a modelagem errada, os resultados, obviamente, serão errôneos. O vídeo abaixo explica em termos simples como o algoritmo SVM funciona!
Este é outro bom vídeo que ajuda você a entender como os SVMs funcionam!
Este é um vídeo detalhado que explica como projetar SVMs usando R!
Agora, isso é o que propomos. Use seu domínio de análise técnica com esses SVMs. A análise técnica é uma ferramenta comprovada e testada muito poderosa. Os padrões de castiçais são altamente confiáveis ​​quando se trata de prever a direção do mercado. Seu sistema comercial deve ter 2 ferramentas analíticas independentes. Análise técnica e SVMs. Quando ambas as ferramentas analíticas se confirmam, você pode usar o sinal de compra / venda. Quando as duas ferramentas analíticas se negam, você deve fazer mais estudos e decidir se deve tomar o sinal ou não.
Conforme mencionado acima, o Machine Learning e os SVMs são a nova fronteira de mineração de dados. Quanto mais especializado estiver na concepção do modelo SVM, mais precisas serão as previsões. Leia o trabalho de pesquisa dos alunos da Universidade de Stanford acima em detalhes algumas vezes e você entenderá como eles conseguiram modelar os índices do mercado de ações de forma que eles tenham previsões altamente precisas.
Projetando SVMs usando o Python.
Agora, outra linguagem de programação poderosa que você pode usar para projetar esses SVMs é o Python. Se você está interessado em negociação algorítmica, então você deve começar a aprender Python. Python está sendo usado extensivamente pelos quants em seus modelos de mercado de ações. Python também possui funções de biblioteca poderosas que podem fazer a maior parte da tediosa análise estatística. Ao contrário de R, que é usado exclusivamente para análise estatística, você pode usar o Python em uma série de outras aplicações, como a construção de videogames. Então, aprender Python tem seus tremendos benefícios.
O que funciona no mercado de ações também funciona em outros mercados que incluem o mercado de divisas, o mercado de commodities, o mercado de futuros, etc. Apenas mantenha esse importante fato de que você deve primeiro fazer as séries temporárias financeiras estacionárias. A estacionança é um pré-requisito importante para usar os métodos de aprendizado da máquina acima. Uma maneira de tornar as séries temporais financeiras estacionárias é usar retornos.
Mais uma vez, utilizamos análises técnicas para fazer negócios muito bons. Pensamos que a análise técnica funciona e funcionará sempre, pois é baseada no estudo de gráficos. A análise técnica baseia-se no pressuposto de que os preços passados ​​podem ser usados ​​para prever os preços futuros. Esta é também a premissa de análise estatística que pressupõe que os preços históricos passados ​​podem ser usados ​​para prever os preços futuros. Então, ambas as ferramentas analíticas começam com a mesma premissa, mas divergem em sua metodologia em breve. A análise técnica é de natureza altamente gráfica, enquanto os algoritmos de aprendizagem de máquinas são de natureza altamente matemática.
Sobre o autor.
Eu fiz mestres da Universidade de Harvard. Estou interessado em moedas, opções e ações no dia.
0 comentários.
Baixe um sistema simples de Forex GRÁTIS que duplica a conta todos os meses com 3-4 de baixo risco e evite negócios no horário H4 e também pode trocar opções binárias nos prazos M5, M15 e M30!
Sua informação é 100% segura conosco e nunca será compartilhada.
Direitos autorais e cópia; 2015 · TradingNinja · Todos os direitos reservados.
Faça o download dos Meus 3 Indicadores de Mercado de Potência GRÁTIS!

previsão Forex svm
Obter através da App Store Leia esta publicação em nosso aplicativo!
Como funciona a previsão de SVM?
Tanto quanto eu entendo, a fase de treinamento geralmente usa a formulação de otimização dupla onde podemos calcular implicitamente o vetor de peso que define a função discriminante.
Como sobre a fase de previsão, como usamos esses pesos e a função do kernel quando uma nova amostra de teste chega?
editar: devo esclarecer, estou interessado no SVM não-linear.
Para o que eu entendo, uma vez que um novo documento chega, SVM apenas aplica a função discriminante e decide se o documento será classificado ou não. Isso significaria que a função kernel não é explorada na fase de teste.
Você pode encontrar uma excelente introdução ao SVM neste tutorial por um estudante de Doutorado da UCL. Além disso, esta seleção de vídeos da Escola de Ensino de Aprendizado de Máquinas (a partir de 2006) também é muito informativa.
A transformação de uma classificação para a regressão de SVM é muito bem explicada neste novo documento svm. Uma perda baseada em margem é usada para regressão com a função de perda máxima (0, | x - f (x) | - epsilon).

Máquinas de vetores de suporte: aplicações financeiras.
Listado em ordem de citações por ano, mais alto no topo.
Última atualização em setembro de 2006.
PANG, Bo, Lillian LEE e Shivakumar VAITHYANATHAN, 2002. Thumbs up? Classificação do sentimento usando técnicas de aprendizado de máquina, em: EMNLP '02: Procedimentos da Conferência ACL-02 sobre métodos empíricos no processamento de linguagem natural - Volume 10, páginas 79--86. [Citado em 154] (36,66 / ano)
Resumo: "Consideramos o problema da classificação de documentos não por tópico, mas pelo sentimento geral, por exemplo, determinar se uma revisão é positiva ou negativa. Usando as críticas de filmes como dados, achamos que as técnicas padrão de aprendizado de máquina superam definitivamente as linhas de base produzidas pelo homem. No entanto, os três métodos de aprendizagem de máquinas que utilizamos (Naive Bayes, classificação máxima de entropia e máquinas de vetor de suporte) também não funcionam na classificação de sentimentos como na categorização tradicional baseada em tópicos. Concluímos examinando fatores que tornam o problema de classificação de sentimento mais desafiador."
Resumo: "A estrutura de evidências bayesiana é aplicada neste trabalho para a regressão da máquina de vetores de suporte de mínimos quadrados (LS-SVM) para inferir modelos não-lineares para prever uma série de tempo financeiro e a volatilidade relacionada. No primeiro nível de inferência, uma estatística O framework está relacionado à formulação LS-SVM, que permite incluir a volatilidade variável no tempo do mercado por uma escolha apropriada de vários hiper-parâmetros. Os hiper-parâmetros do modelo são inferidos no segundo nível de inferência. Os hiper-parâmetros, relacionados à volatilidade, são usados ​​para construir um modelo de volatilidade dentro da estrutura de evidências. A comparação do modelo é realizada no terceiro nível de inferência para ajustar automaticamente os parâmetros da função kernel e selecionar as entradas relevantes. A formulação LS-SVM permite derivar expressões analíticas no espaço de recursos e as expressões práticas são obtidas no espaço duplo que substitui o produto interno por t Ele relacionou a função do kernel usando o teorema de Mercer. Os desempenhos de previsão de um passo em frente obtidos na previsão da taxa semanal de contagem de T de 90 dias e os preços de fechamento diários do DAX30 mostram que significativas previsões de sinal de amostra podem ser feitas com respeito à estatística de teste de Pesaran-Timmerman "
Resumo: "Este artigo trata da aplicação de uma nova técnica de rede neural, máquina de vetor de suporte (SVM), na previsão de séries temporais financeiras. O objetivo deste trabalho é examinar a viabilidade de SVM na previsão de séries temporais financeiras, comparando-o com uma rede neural multi-camada de back-propagation (BP). Cinco contratos de futuros reais que são coletados do Chicago Mercantile Market são usados ​​como conjuntos de dados. O experimento mostra que o SVM supera a rede neural da BP com base nos critérios do quadrado médio normalizado Erro (NMSE), erro absoluto médio (MAE), simetria direcional (DS) e simetria direcional ponderada (WDS). Como não existe uma maneira estruturada de escolher os parâmetros livres de SVM, a variabilidade no desempenho em relação aos parâmetros livres é investigado neste estudo. A análise dos resultados experimentais provou que é vantajoso aplicar SVMs para prever séries temporárias financeiras ".
Resumo: "Este artigo propõe uma versão modificada de máquinas de vetores de suporte, chamada máquina vetorial de suporte C, para modelar séries temporais financeiras não estacionárias. As máquinas vetoriais de suporte de C-ascentes são obtidas por uma simples modificação da função de risco regularizada em suporte a máquinas vetoriais, pelo que os recentes erros de "# 949;" são penalizados mais fortemente do que os erros sensíveis à distância # 949; Este procedimento é baseado no conhecimento prévio de que na série temporária financeira não estacionária a dependência entre a entrada as variáveis ​​e a variável de saída mudam gradualmente ao longo do tempo, especificamente, os dados passados ​​recentes podem fornecer informações mais importantes do que os dados passados ​​distantes. No experimento, as máquinas vetoriais de suporte ao C-testador são testadas usando três futuros reais coletados no mercado mercantil de Chicago. Mostra-se que as máquinas de vetor de suporte de C-ascentes com os dados de amostra realmente ordenados consistentemente projetam melhor do que o padrão su pport vector machines, com o pior desempenho quando os dados de amostra ordenados de forma reversa são usados. Além disso, as máquinas de vetor de suporte de C-ascendentes usam menos vetores de suporte do que as das máquinas de vetor de suporte padrão, resultando em uma representação mais dispersa da solução ".
Resumo: "A análise de classificação de crédito corporativa atraiu muitos interesses de pesquisa na literatura. Estudos recentes mostraram que os métodos de Inteligência Artificial (IA) alcançaram um melhor desempenho do que os métodos estatísticos tradicionais. Este artigo introduz uma técnica de aprendizado de máquina relativamente nova, máquinas de vetor de suporte ( SVM), ao problema na tentativa de fornecer um modelo com melhor poder explicativo. Utilizamos a rede neural de backpropagation (BNN) como referência e obtivemos precisão de previsão em torno de 80% para os métodos BNN e SVM para os mercados dos Estados Unidos e Taiwan. , observou-se apenas uma ligeira melhoria da SVM. Outra direção da pesquisa é melhorar a interpretabilidade dos modelos baseados em AI. Aplicamos resultados de pesquisa recentes na interpretação do modelo de rede neural e obtivemos importância relativa das variáveis ​​financeiras de entrada dos modelos de rede neural Com base nesses resultados, realizamos um analise comparativo do mercado sobre as diferenças de det factores de erradicação nos mercados dos Estados Unidos e Taiwan ".
Resumo: "Este artigo propõe o uso de especialistas em máquinas de vetor de suporte (SVMs) para a previsão de séries temporais. Os especialistas de SVMs generalizadas possuem uma arquitetura de rede neural de dois estágios. Na primeira etapa, o mapa de recursos auto-organizado (SOM) é usado como um algoritmo de agrupamento para particionar todo o espaço de entrada em várias regiões desarticuladas. Uma arquitetura estruturada em árvore é adotada na partição para evitar o problema de predeterminar o número de regiões particionadas. Então, na segunda etapa, vários SVMs, também chamados especialistas em SVM, as melhores regiões de particionamento ajustadas são construídas ao encontrar a função de kernel mais apropriada e os parâmetros livres ótimos de SVMs. Os dados de manchas solares, conjuntos de dados de Santa Fé A, C e D e os dois conjuntos de dados de construção são avaliados na experiência. A simulação mostra que os especialistas da SVMs conseguem uma melhoria significativa no desempenho da generalização em comparação com os modelos de SVMs individuais. Além disso, os especialistas da SVM também convergem mais rápido e você são menos vetores de suporte ".
Resumo: "As máquinas de vetor de suporte (SVMs) são métodos promissores para a previsão de séries temporais financeiras porque usam uma função de risco consistente no erro empírico e um termo regularizado derivado do princípio de minimização do risco estrutural. Este estudo aplica SVM para Previsão do índice de preços das ações. Além disso, este estudo examina a viabilidade de aplicar a SVM na previsão financeira, comparando-a com redes neurais de propagação posterior e raciocínio baseado em casos. Os resultados experimentais mostram que o SVM fornece uma alternativa promissora para a previsão do mercado de ações. "
Resumo: "Este estudo investiga a eficácia da aplicação de máquinas de vetores de suporte (SVM) para o problema de previsão de falência. Embora seja um fato bem conhecido que a rede neural de back-propagação (BPN) funciona bem em tarefas de reconhecimento de padrões, o método tem alguns limitações em que é uma arte encontrar uma estrutura de modelo apropriada e uma solução ótima. Além disso, é necessário carregar todo o conjunto de treinamento possível na rede para pesquisar os pesos da rede. Por outro lado, como o SVM captura geometria características do espaço de recursos sem derivar pesos das redes a partir dos dados de treinamento, é capaz de extrair a solução ideal com o pequeno tamanho do conjunto de treinamento. Neste estudo, mostramos que o classificador proposto de abordagem SVM supera o BPN ao problema da falência corporativa predição.
Os resultados demonstram que a performance de precisão e generalização do SVM é melhor do que a do BPN à medida que o tamanho do conjunto de treinamento diminui. Também examinamos o efeito da variabilidade no desempenho em relação a vários valores de parâmetros na SVM. Além disso, investigamos e resumimos os vários pontos superiores do algoritmo SVM em comparação com o BPN ".
Resumo: "Um novo tipo de máquina de aprendizagem chamada máquina de vetores de suporte (SVM) tem recebido crescente interesse em áreas que vão desde sua aplicação original no reconhecimento de padrões para outras aplicações, como a estimativa de regressão devido ao seu extraordinário desempenho de generalização. Aplicação da SVM na previsão de séries temporais financeiras. A viabilidade da aplicação da SVM na previsão financeira é examinada pela primeira vez comparando-a com a rede neural multicamada (BP) e a rede neural de função de base radial regular (RBF). A variabilidade no desempenho da SVM em relação aos parâmetros livres é investigada experimentalmente. Os parâmetros adaptativos são então propostos, incorporando a não-estacionária das séries temporais financeiras na SVM. São utilizados como conjuntos de dados cinco contratos futuros futuros agrupados no Mercado Mercantil de Chicago. A simulação mostra que entre os três métodos, SVM supera a rede neural de BP em financi todas as previsões, e há desempenho de generalização comparável entre o SVM e a rede neural RBF regularizada. Além disso, os parâmetros livres de SVM têm um grande efeito sobre o desempenho de generalização. O SVM com parâmetros adaptativos pode alcançar um maior desempenho de generalização e usar menos vetores de suporte do que o SVM padrão na previsão financeira ".
Resumo: "O uso de máquinas de vetor de suporte (SVMs) é estudado na previsão financeira, comparando-o com um perceptron de várias camadas treinado pelo algoritmo Back Propagation (BP). Os SVMs previram melhor do que a BP com base nos critérios do Erro quadrado médio normalizado (NMSE), erro absoluto médio (MAE), simetria direcional (DS), tendência de correção ascendente (CP) e tendência de correção descendente (CD). O índice de preços diário S & amp; P 500 é usado como conjunto de dados. Como não há estrutura modo de escolha dos parâmetros livres de SVMs, o erro de generalização em relação aos parâmetros livres de SVMs é investigado neste experimento. Conforme ilustrado no experimento, eles têm pouco impacto na solução. A análise dos resultados experimentais demonstra que é vantajoso para aplicar SVMs para prever as séries temporais financeiras ".
Resumo: "A previsão de falências atraiu muitos interesses de pesquisa em literatura anterior, e estudos recentes mostraram que as técnicas de aprendizado de máquinas alcançaram melhor desempenho do que as estatísticas tradicionais. Este trabalho aplica máquinas de vetor de suporte (SVMs) ao problema de previsão de falência em uma tentativa para sugerir um novo modelo com melhor poder explicativo e estabilidade. Para atender a esse objetivo, utilizamos uma técnica de busca em grade usando uma validação cruzada de 5 vezes para descobrir os melhores valores de parâmetros da função kernel do SVM. Além disso, para avaliar o Precisão de previsão da SVM, comparamos seu desempenho com os de análise discriminante múltipla (MDA), análise de regressão logística (Logit) e redes neurais de back-propagação (BPNs) de conexão em três camadas. Os resultados da experiência mostram que o SVM supera o outro métodos."
Resumo: "O uso de sistemas inteligentes para previsões do mercado de ações foi amplamente estabelecido. Neste trabalho, investigamos como o comportamento aparentemente caótico dos mercados de ações poderia ser bem representado usando vários paradigmas conexionistas e técnicas de soft computing. Para demonstrar as diferentes técnicas, consideramos o índice Nasdaq-100 da Nasdaq Stock Market SM e o índice de ações da S & P CNX NIFTY. Analisamos os valores do índice principal do Nasdaq 100 de 7 anos e # 8217; os valores do índice NIFTY de 4 anos. Este artigo investiga o desenvolvimento de um técnica confiável e eficiente para modelar o comportamento aparentemente caótico dos mercados de ações. Consideramos uma rede neural artificial treinada usando o algoritmo Levenberg-Marquardt, a Máquina de vetores de suporte (SVM), o modelo neurofuzzy de Takagi-Sugeno e a rede de neurônios de aumento de diferença (DBNN). O documento explica brevemente como os diferentes paradigmas conexionistas poderiam ser formulados usando diferentes métodos de aprendizagem e, em seguida, investiga se eles podem fornecer o nível de desempenho exigido, que é suficientemente bom e robusto, de modo a fornecer um modelo de previsão confiável para os índices do mercado de ações. Os resultados da experiência revelam que todos os paradigmas conexionistas considerados poderiam representar o comportamento dos índices de ações com muita precisão ".
Resumo: "Recentemente, o Suporte de Regressão vetorial (SVR) foi introduzido para resolver problemas de regressão e predição. Neste trabalho, aplicamos SVR em tarefas de previsão financeira. Em particular, os dados financeiros geralmente são barulhentos e o risco associado é variável no tempo Portanto, nosso modelo SVR é uma extensão do SVR padrão que incorpora adaptação de margens. Ao variar os margens do SVR, podemos refletir a mudança na volatilidade dos dados financeiros. Além disso, analisamos o efeito de margens assimétricas, de modo que para permitir a redução do risco de queda. Nossos resultados experimentais mostram que o uso do desvio padrão para calcular uma margem variável dá um bom resultado preditivo na previsão do índice Hang Seng ".
Resumo: "A máquina de vetores de suporte (SVM) é um tipo muito específico de algoritmos de aprendizagem caracterizados pelo controle de capacidade da função de decisão, o uso das funções do núcleo e a dispersão da solução. Neste trabalho, investigamos a previsibilidade financeira direção de movimento com SVM, prevendo a direção do movimento semanal do índice NIKKEI 225. Para avaliar a capacidade de previsão do SVM, comparamos seu desempenho com os da Análise Discriminante Linear, Análise Quadratic Discriminante e Redes Neurais de Elmens Backpropagation. Os resultados da experiência mostram que o SVM supera os outros métodos de classificação. Além disso, propomos um modelo de combinação integrando SVM com os outros métodos de classificação. O modelo de combinação é o melhor entre todos os métodos de previsão ".
Resumo: "O objetivo principal deste trabalho é comparar a máquina de vetores de suporte (SVM) desenvolvida pela Vapnik com outras técnicas, como Backpropagation e Radial Basis Function (RBF) Networks para aplicações de previsão financeira. A teoria do algoritmo SVM é baseada em Teoria da aprendizagem estatística. O treinamento de SVMs leva a um problema de programação quadrática (QP). Também são apresentados resultados computacionais preliminares para a previsão do preço das ações ".
Resumo: "Este artigo propõe uma versão modificada de máquinas de vetor de suporte (SVMs), chamadas máquinas de vetor de suporte dinâmico (DSVMs), para modelar séries temporais não estacionárias. Os DSVMs são obtidos incorporando o conhecimento do domínio do problema - não-estacionariedade de séries temporais em SVMs. Ao contrário dos SVM padrão que usam valores fixos da constante de regularização e do tamanho do tubo em todos os pontos de dados de treinamento, os DSVMs usam uma constante de regularização exponencialmente crescente e um tamanho de tubo exponencialmente decrescente para lidar com mudanças estruturais nos dados . A constante de regularização dinâmica e o tamanho do tubo são baseados no conhecimento prévio de que, nos pontos de dados recentes da série temporária não estacionária, poderiam fornecer informações mais importantes do que pontos de dados distantes. No experimento, os DSVMs são avaliados usando conjuntos de dados simulados e reais . A simulação mostra que os DSVMs generalizam melhor do que os SVM padrão na previsão de séries temporais não estacionárias. Outra vantagem de esta modificação é que os DSVMs usam menos vetores de suporte, resultando em uma representação mais dispersa da solução ".
Resumo: "Este artigo propõe uma versão modificada de máquinas de vetor de suporte (SVMs), denominadas máquinas de vetores de suporte (# 949; - DSVMs), para modelar séries temporais financeiras não estacionárias. O & # 949; - DSVMs são obtidos através da incorporação do conhecimento do domínio do problema, sem estacionança de séries temporais financeiras em SVMs. Ao contrário dos SVMs padrão que usam um tubo constante em todos os pontos de dados de treinamento, o & # 949; - DSVMs usa uma adaptação tubo para lidar com as mudanças de estrutura nos dados. O experimento mostra que o & # 949; - DSVMs generaliza melhor do que os SVMs padrão na previsão de séries temporárias financeiras não estacionárias. Outra vantagem dessa modificação é que o & # 949; - Os DSVM convergem para menos vetores de suporte, resultando em uma representação mais dispersa da solução ".
Resumo: "A informação sobre metadados desempenha um papel crucial no aumento da eficiência e na arquivabilidade da organização de documentos. Os metadados de notícias incluem DateLine, ByLine, HeadLine e muitos outros. Descobrimos que a informação HeadLine é útil para adivinhar o tema do artigo de notícias. Especialmente para artigos de notícias financeiras , descobrimos que a HeadLine pode, portanto, ser especialmente útil para localizar frases explicativas para eventos importantes, como mudanças significativas nos preços das ações. Neste artigo, exploramos uma abordagem de aprendizado baseada em vetor de suporte para extrair automaticamente os metadados da HeadLine. Achamos que a precisão da classificação de encontrar o HeadLine s melhora se DataLine s for identificada primeiro. Usamos o HeadLine extraído para iniciar um padrão de correspondência de palavras-chave para encontrar as frases responsáveis ​​pelo tema da história. Usando este tema e um modelo de linguagem simples, é possível localizar qualquer frases explicativas para qualquer mudança de preço significativa ".
Resumo: "Impulsionado pela necessidade de alocar capital de forma rentável e pelos regulamentos sugeridos recentemente pela Basiléia II, as instituições financeiras estão cada vez mais obrigadas a construir modelos de pontuação de crédito que avaliem o risco de inadimplência de seus clientes. Muitas técnicas foram sugeridas Para suportar este problema, o Support Vector Machines (SVMs) é uma nova técnica promissora que surgiu recentemente de diferentes domínios, tais como estatísticas aplicadas, redes neurais e aprendizado de máquinas. Neste trabalho, experimentamos com máquinas vetoriais de suporte de mínimos quadrados (LS-SVMs). ), uma versão recentemente modificada de SVMs e relatam resultados significativamente melhores em contraste com as técnicas clássicas ".
Resumo: "A abordagem da Rede Convencional de Neural foi encontrada útil na previsão de distúrbios corporativos das demonstrações financeiras. Neste artigo, adotamos uma abordagem da Máquina de Vector de Suporte para o problema. Uma nova maneira de selecionar preditores de falência é mostrada, usando a distância Euclidiana baseada critério calculado dentro do kernel SVM. Um estudo comparativo é fornecido usando três modelos clássicos de angústia corporativa e um modelo alternativo baseado na abordagem SVM ".
Resumo: "Uma arquitetura de rede neural de dois estágios construída pela combinação de máquinas de vetor de suporte (SVMs) com mapa de recursos auto-organizado (SOM) é proposta para a previsão de séries temporais financeiras. Na primeira etapa, o SOM é usado como um algoritmo de agrupamento para partição Todo o espaço de entrada em várias regiões disjuntas. Uma arquitetura estruturada em árvore é adotada na partição para evitar o problema de predeterminar o número de regiões particionadas. Então, na segunda etapa, vários SVMs, também chamados de especialistas em SVM, que melhor se encaixam A região de partição é construída ao encontrar a função de kernel mais adequada e os parâmetros de aprendizagem ótimos de SVMs. A taxa de câmbio de Santa Fé e cinco contratos de futuros reais são usados ​​na experiência. É mostrado que o método proposto atinge desempenho de previsão significativamente maior e mais rápido velocidade de convergência em comparação com um único modelo SVM ".
Resumo: "Neste artigo, apresentamos uma análise dos resultados de um estudo sobre a previsão de preços de eletricidade no atacado (spot) utilizando Redes Neurais (NNs) e Máquinas de Vector de Suporte (SVM). Mudanças regulatórias freqüentes nos mercados de eletricidade e no participante de mercado em rápida evolução As estratégias de preços (licitação) tornam a reciclagem eficiente ser crucial para manter a precisão dos modelos de previsão de preços da eletricidade. A eficiência da reciclagem de NN e SVM para a previsão de preços foi avaliada usando dados regionais do mercado australiano de energia elétrica (NEM), Nova Gales do Sul durante o período de setembro de 1998 a dezembro de 1998. A análise dos resultados mostrou que os SVMs com uma solução única, produzem precisões de previsão mais consistentes e, portanto, exigem menos tempo para treinar otimamente do que NNs, o que pode resultar em uma solução em um grande número de mínimos locais . The SVM and NN forecasting accuracies were found to be very similar."
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 S&P 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."
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."
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 S&P CNX NIFTY stock index. We analyzed 7 year's Nasdaq 100 main index values and 4 year's 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."
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."
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."
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."
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 Mercer's 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."
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."
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."
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."
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 25%"
Abstract: "In Support Vector Machines (SVM’s), 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 SVM’s are applied on the 1-day ahead prediction of the DAX30 stock index. The influence of today's closing prices of the New York Stock Exchange on the prediction of tomorrow’s DAX30 closing price is analyzed."
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."
Abstract: "Support Vector Regression (SVR) has been applied successfully to financial time series prediction recently. In SVR, the ε-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 ε 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."
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 Naïve Bayes classifier, and Support Vector Machines and achieved good results."
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."
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."
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, SVR's parameters must be set carefully. This study proposes a novel approach, known as GA-SVR, which searches for SVR's 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."
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."
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 researches."
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."
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 training/testing 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 SVC's decision function. Together with these experiments, we show that accurate and robust prediction of volatile bursts can be achieved with our approach."
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."
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."
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."
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."
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."
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 “two-phase” 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 “two-phase” algorithm has improvement on the prediction."
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."
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."