Abstract

The aim of this article is to introduce a hybrid approach, namely optimal multiple kernel–support vector regression (OMK–SVR) for time series data prediction and to analyze and compare its performances against those of support vector regression with a single RBF kernel (RBF-SVR), gene expression programming (GEP) and extreme learning machine (ELM) on the financial series formed by the monthly and weekly values of Bursa Malaysia KLCI Index, monthly values of Dow Jones Industrial Average Index (DJIA) and New York Stock Exchange. Our method provides an optimal multiple kernel and optimal parameters in Support Vector Regression, improving the accuracy of prediction. The proposed approach is structured on two levels. The macro-level uses a breeder genetic algorithm for choosing the optimal multiple kernel and the SVR optimal parameters. The fitness function of each chromosome is computed in the micro-level using a SVR algorithm. The regression model based on the optimal multiple kernel and optimal parameters is then validated and used for forecasting. The experimental results prove that OMK–SVR performs better than GEP, RBF-SVR and ELM for predicting the future behavior of the study series. A sensitivity study with respect to the number of kernels from the multiple kernel used by OMK–SVR and with respect to the ratio between training and testing data sets was conducted.

中文翻译：

---

用于财务数据预测的自动优化支持向量回归

摘要

本文的目的是介绍一种混合方法，即用于时间序列数据预测的最佳多核支持向量回归（OMK-SVR），并使用单个RBF核（RBF）分析和比较其性能与支持向量回归的性能。 -SVR），基因表达编程（GEP）和极限学习机（ELM）上的金融系列，包括马来西亚交易所隆指和月度值，道琼斯工业平均指数（DJIA）和纽约证券交易所的月度值。我们的方法在支持向量回归中提供了最佳的多核和最佳参数，从而提高了预测的准确性。提议的方法分为两个层次。宏级别使用繁殖者遗传算法选择最佳多核和SVR最佳参数。使用SVR算法在微观层次上计算每个染色体的适应度函数。然后验证基于最优多核和最优参数的回归模型，并将其用于预测。实验结果证明，OMK–SVR在预测研究系列的未来行为方面比GEP，RBF-SVR和ELM更好。进行了关于OMK–SVR使用的多个内核中的内核数量以及训练和测试数据集之间的比率的敏感性研究。RBF-SVR和ELM用于预测研究系列的未来行为。进行了关于OMK–SVR使用的多个内核中的内核数量以及训练和测试数据集之间的比率的敏感性研究。RBF-SVR和ELM用于预测研究系列的未来行为。进行了关于OMK–SVR使用的多个内核中的内核数量以及训练和测试数据集之间的比率的敏感性研究。