Resumen

Las máquinas de vectores soporte (SVM) son una alternativa prometedora a los métodos tradicionales de estimación por regresión. Sin embargo, cuando se trata de conjuntos de datos a gran escala, existen muchos problemas, como el largo tiempo de entrenamiento y la excesiva demanda de espacio de memoria. Por lo tanto, el algoritmo SVM no es adecuado para tratar datos de series temporales financieras. Para resolver estos problemas, se propone el algoritmo SVMs de fragmentación ponderada dirigida. En este algoritmo, todo el conjunto de datos de entrenamiento se divide en varios trozos y, a continuación, los vectores de soporte se obtienen en cada subconjunto. Además, se calculan las regresiones ponderadas de los vectores de soporte para obtener el modelo de previsión sobre el nuevo conjunto de datos de trabajo. Nuestro algoritmo de troceado ponderado dirigido proporciona un nuevo método de descomposición y combinación de vectores de soporte según la importancia de los trozos, que puede mejorar la velocidad de operación sin reducir la precisión de la predicción. Por último, se utilizan datos de precios de cierre diario de acciones de IBM para verificar la validez del algoritmo propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:algoritmo svms, vectores soporte, datos de series temporales financieras, métodos tradicionales de estimación de regresiones, conjunto completo de datos de entrenamiento, máquinas de vectores soporte, datos de precios cercanos, largo tiempo de entrenamiento, regresiones de vectores soporte, algoritmo de fragmentación ponderada
• Keywords:svms algorithm, support vectors, financial time series data, traditional regression estimation approaches, whole training data set, support vector machines, close prices data, long training time, support vector regressions, weighted chunking algorithm