dissertação
Previsão de séries temporais com máquinas de suporte vetorial
Carregando...
Notas
Data
Autores
Orientadores
Editores
Coorientadores
Membros de banca
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Faculdade, Instituto ou Escola
Departamento
Departamento de Estatística
Programa de Pós-Graduação
Programa de Pós-graduação em Estatística e Experimentação Agropecuária
Agência de fomento
Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
A presente dissertação utiliza a técnica de Máquina de Suporte Vetorial (SVM)
combinando análise de Componentes Principais e Componentes
Independentes na avaliação de séries temporais financeiras. Este assunto é de
grande interesse de pesquisadores, investidores e instituições financeiras que
buscam compreender o comportamento/influência na tomada de decisão no
mercado de preços. Sabe-se que a combinação de análise Componentes
Principais e Independentes, conjuntamente com as máquinas de suporte
vetorial pode garantir melhores resultados para o contexto. Como resultados,
verifica-se que os modelos PCA - SVR, ICA - SV apresentaram melhores
acertabilidade quando comparado com modelos comuns, tal como o SVR
simplesmente. Os resultados das métricas MAE, MSE, RMSE, R 2 corroboram
com os modelos aplicados em questão.
Abstract
This dissertation uses the Support Vector Machine (SVM) technique combining
Principal Components and Independent Components analysis in the evaluation
of financial time series. This subject is of great interest to researchers, investors
and financial institutions that seek to understand the behavior/influence on
decision-making in the price market. It is known that the combination of
Principal and Independent Components analysis, together with vector support
machines can guarantee better results for the context. As a result, it appears
that the PCA - SVR, ICA - SV models showed better accuracy when compared
to common models, such as the SVR simply. The results of the MAE, MSE,
RMSE, R 2 metrics corroborate the applied models in question.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
MARTINS, R. A. Previsão de séries temporais com máquinas de suporte vetorial. 2023. 62 p. Dissertação (Mestrado em Estatística e Experimentação Agropecuária)–Universidade Federal de Lavras, Lavras, 2023.
Link externo
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Attribution 4.0 International