Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Fuzzy Support Vector Machine for Pattern Classification of Time Series Data of KOSPI200 Index

시계열 자료 코스피200의 패턴분류를 위한 퍼지 서포트 벡타 기계

  • 이수용 (연세대학교 컴퓨터정보공학부 및 BERC) ;
  • 손소영 (연세대학교 컴퓨터산업공학부) ;
  • 김철응 (연세대학교 응용통계학과) ;
  • 이일병 (연세대학교 컴퓨터정보공학부 및 BERC)
  • Published : 2004.02.01
Download PDF
⟨ Previous Next ⟩

Abstract

The Information of classification and estimate about KOSPI200 index`s up and down in the stock market becomes an important standard of decision-making in designing portofolio in futures and option market. Because the coming trend of time series patterns, an economic indicator, is very subordinate to the most recent economic pattern, it is necessary to study the recent patterns most preferentially. This paper compares classification and estimated performance of SVM(Support Vector Machine) and Fuzzy SVM model that are getting into the spotlight in time series analyses, neural net models and various fields. Specially, it proves that Fuzzy SVM is superior by presenting the most suitable dimension to fuzzy membership function that has time series attribute in accordance with learning Data Base.

주식시장에서 KOSPI200지수의 상승 또는 하락으로 분류 및 예측하는 정보는 선물 및 옵션시장에서 포토폴리오를 설계할 때 의사결정을 위해 중요한 기준이 된다. 경제지표인 시계열 패턴들의 향후 추세는 가장 최근의 경제패턴에 매우 종속적이기 때문에 최근의 패턴들을 가장 우선적으로 학습해야 할 필요가 있다. 본 논문에서는 시계열분석, 신경회로망, 그리고 다양한 분야에서 각광을 받고 있는 SVM(Support Vector Machine)과 Fuzzy SVM 모형의 분류 및 예측성능을 비교하였다. 특히 학습 DB에 따라 시계열성 속성을 갖는 퍼지소속함수에 가장 적합한 차원을 제시함으로서 Fuzzy SVM이 우수함을 입증하였다.

Keywords

References

  1. F. Alan, Stock Selection using Support Vector Machines, www.kernel-machines.org
  2. D. Anguita, Fast Training of Support Vector Machines for Regression, http://www.kernel-machines.org
  3. N. Cristianini, An Introduction to Support Vector Machines, Cambridge University Press, 2000.
  4. M. W. Chang, Analysis of non stationary time series using support vector machines, www.kemel-machines.org
  5. C. W. Hsu, "A simple Decomposition Method for Support Vector Machines",Machine Learning, Vol. 46, pp. 291-314, 2002. https://doi.org/10.1023/A:1012427100071
  6. J. T. Jeng, Support Vector Machines for the Fuzzy Neural Networks, http://kernel-machines.org
  7. C. F. Lin, "Fuzzy Support Vector Machines", IEEE Transactions on Neural Networks, Vol.13, No.2, March 2002.
  8. D. Roobaert, Direct SVM : "A Simple Vector Machine Perceptron", J. of VLSI Signal Processing 32, pp. 147-156, 2002. https://doi.org/10.1023/A:1016327704666
  9. F. E. H. Tay, "Application of support vector machines in financial time series forecasting", Omega 29, pp. 309-317, 2002. https://doi.org/10.1016/S0305-0483(01)00026-3
  10. I. Takuya, "Fuzzy Support Vector Machines for Pattern Classification", www.kernel-machine.org
  11. Z. Weida, "Linear programming support vector machines", J. Pattern Recognition Society, pp.1-10, 2001.
  12. V. N. Vapnik, Statistical Learning Theory, Wiley-Interscience Pub., 1998.
  13. D. Yang, Provably Fast Training Algorithms for Support Vector Machines, http://www.kernel-machines.org
  14. http://www.kernel-machines.org
  15. 김대수, 신경망 이론과 응용(I), 하이테크정보, 1989.
  16. 김대수, 신경망 이론과 응용(II), 하이테크 정보, 1993.
  17. 이광형, 오길록, Fuzzy 이론 및 응용 1권(이론), 홍릉과학출판사, 1991.
  18. 이광형, 오길록, Fuzzy 이론 및 응용 2권(응용), 홍릉과학출판사, 1997.

Cited by

  1. The Classification of Electrocardiograph Arrhythmia Patterns using Fuzzy Support Vector Machines vol.11, pp.3, 2011, https://doi.org/10.5391/IJFIS.2011.11.3.204
  2. Pattern Classification Model Design and Performance Comparison for Data Mining of Time Series Data vol.21, pp.6, 2011, https://doi.org/10.5391/JKIIS.2011.21.6.730