Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/24579
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2017_YuriMedeirosdeAndrade.pdf1,18 MBAdobe PDFVisualizar/Abrir
Título: A máquina de suporte vetorial aplicada em análise de séries temporais
Autor(es): Andrade, Yuri Medeiros de
Orientador(es): Matsushita, Raul Yukihiro
Assunto: Máquinas de vetores de suporte
Aprendizagem de máquina
Modelos lineares (Estatística)
Séries temporais
Data de publicação: 19-Set-2017
Referência: ANDRADE, Yuri Medeiros de. A máquina de suporte vetorial aplicada em análise de séries temporais. 2017. 101 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2017.
Resumo: Os modelos de aprendizado de máquina vêm tomando espaço na literatura moderna. Diversos artigos os comparam a métodos de séries temporais, pois devido à sua maleabilidade e adaptabilidade, conseguem facilmente se ajustar a diversos tipos de dados, sejam provenientes de modelos lineares ou não (Tay & Cao, 2001; Zhao et al., 2012). Este trabalho visou comparar os modelos tradicionais ARMA e GARCH à máquina de suporte vetorial para previsões um passo à frente na análise da volatilidade de séries temporais financeiras. Aqui foi analisado o desempenho de um híbrido AR-GARCH, aplicando diversas distribuições de probabilidade ao seu termo de ruído et, em relação ao desempenho de um novo método proposto por Chen et al. (2010) chamado de SVR recorrente. Modificamos o critério de parada desse novo e pouco conhecido método, para que se ajustasse melhor aos critérios estatísticos considerados por Morettin & Toloi (2006), no que diz respeito à estrutura de autocorrelação serial. Por fim, o aplicamos a dados gerados pelo modelo ARGARCH e a dois bancos de dados reais, iguais aos utilizados por Chen et al. (2010), para compararmos o desempenho do SVR recorrente, com o novo critério de parada, aos modelos GARCH, ARMA e ARGARCH.
Abstract: Machine learning models have been taking space in modern literature. Several articles compare them to time series methods because, due to their malleability and adaptability, they can be easily adjusted to different types of data, whether linear or non-linear (Tay & Cao, 2001; Zhao et al., 2012). This work aimed to compare the traditional ARMA and GARCH models to the support vector machine for predictions one step ahead in the analysis of the volatility of financial time series. Here we analyzed the performance of an AR-GARCH hybrid applying several probability distributions to its noise term et, in relation to the performance of a new method proposed by Chen et al. (2010) called recurrent SVR. We modified the stopping criterion of this new and little-known method to better fit the statistical criteria considered by Morettin & Toloi (2006) regarding the serial autocorrelation structure. Finally, we applied it to data generated by the AR-GARCH model and to two real databases, the same as those used by Chen et al. (2010), to compare the performance of the recurrent SVR with the new criterion of GARCH, ARMA and AR-GARCH models.
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2017.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:EST - Mestrado em Estatística (Dissertações)

Mostrar registro completo do item Recomendar este item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.