Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas

Detalhes bibliográficos
Autor(a) principal: Marcelino, Sarah Sabino de Freitas
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio.unb.br/handle/10482/23266
http://dx.doi.org/10.26512/2016.11.D.23266
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Administração, 2016.
id UNB_f113ab415bba15c84d9d576e16b36022
oai_identifier_str oai:repositorio2.unb.br:10482/23266
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Marcelino, Sarah Sabino de FreitasAlbuquerque, Pedro Henrique Melo2017-04-13T18:45:41Z2017-04-13T18:45:41Z2017-04-132016-11-17MARCELINO, Sarah Sabino de Freitas. Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas. 2016. 130 f. il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.http://repositorio.unb.br/handle/10482/23266http://dx.doi.org/10.26512/2016.11.D.23266Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Administração, 2016.Este estudo teve como objetivo verificar se o uso de Máquinas de Suporte Vetorial contribui para que o retorno do portfólio seja superior ao Mercado. A amostra desta pesquisa foram as ações do S&P 100. Na primeira aplicação, utilizou-se o Support Vector Regression com 15 tipos de Kernels diferentes. Na segunda aplicação, utilizou-se o SVM de classificação para formar portfólios e estes também foram comparados com o benchmark de mercado. Aqui utilizou-se apenas o Kernel Gaussiano e foram analisados o impacto das variáveis inseridas como inputs e o impacto do uso de custos de erro diferentes para cada classe. Na terceira aplicação desta dissertação, o SVR foi utilizado com 9 diferentes tipos de Kernel Arco- Cosseno Compostos que imitam o processo computacional em grandes redes neurais de múltiplas camadas e apresentam algumas das vantagens do Deep Learning. Na primeira e na segunda aplicação da pesquisa, o SVM apresentou resultados de acurácia satisfatórios aliados com valores de retorno e risco bastante promissores para os portfólios trimestrais. Porém, na terceira aplicação, os portfólios não mostraram-se superiores em termos de retorno e nem em termos de risco. Os resultados desta pesquisa corroboram a hipótese de superioridade do método inovador das Máquinas de Suporte Vetorial na formação de portfólios, caracterizado pela construção de um hiperplano pela implementação do Princípio da Minimização do Risco Estrutural, o qual procura minimizar o limite superior do erro de generalização, em vez de minimizar apenas o erro do processo de estimação.This study aimed to verify whether the use of Support Vector Machines makes the portfolio return exceeds the market. The sample of this research consisted on the S&P 100 stocks. In the first application, Support Vector Regression was used with 15 different Kernels to select the bests stocks to form a portfolio. In the second application, the traditional SVM was used with Gaussian Kernel to form portfolios. The impact of more variables as inputs and the impact of using different error costs for each class were analyzed. In the third application, the SVR was used with 9 different types of Arc-Cosine Kernels that mimic the computational process in large neural networks of multiple layers and have some of the advantages of Deep Learning. In the first and second application of the research, the SVM presented satisfactory and very promising results for the quarterly portfolios. However, in the third application, the portfolios were not superior in terms of return neither in terms of risk. The results of this study corroborate the hypothesis of the superior and innovative method of Support Vector Machine in the selection of portfolios, characterized by the construction of a hyperplane for implementing the principle of minimization of structural risk, which seeks to minimize the upper limit of the error generalization, rather than just minimizing the error estimation process.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.info:eu-repo/semantics/openAccessFormação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMáquinas de vetores de suporteporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINAL2016_SarahSabinodeFreitasMarcelino.pdf2016_SarahSabinodeFreitasMarcelino.pdfapplication/pdf5399626http://repositorio2.unb.br/jspui/bitstream/10482/23266/1/2016_SarahSabinodeFreitasMarcelino.pdfd02fde50fe4d59702e2bb72183833fa9MD51open accessLICENSElicense.txtlicense.txttext/plain756http://repositorio2.unb.br/jspui/bitstream/10482/23266/2/license.txta7f4c4ba48a8deec542568413b3460aeMD52open access10482/232662023-07-12 16:07:42.951open accessoai:repositorio2.unb.br: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 Digital de Teses e DissertaçõesPUBhttps://repositorio.unb.br/oai/requestopendoar:2023-07-12T19:07:42Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.en.fl_str_mv Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
title Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
spellingShingle Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
Marcelino, Sarah Sabino de Freitas
Máquinas de vetores de suporte
title_short Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
title_full Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
title_fullStr Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
title_full_unstemmed Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
title_sort Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas
author Marcelino, Sarah Sabino de Freitas
author_facet Marcelino, Sarah Sabino de Freitas
author_role author
dc.contributor.author.fl_str_mv Marcelino, Sarah Sabino de Freitas
dc.contributor.advisor1.fl_str_mv Albuquerque, Pedro Henrique Melo
contributor_str_mv Albuquerque, Pedro Henrique Melo
dc.subject.keyword.en.fl_str_mv Máquinas de vetores de suporte
topic Máquinas de vetores de suporte
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Departamento de Administração, 2016.
publishDate 2016
dc.date.submitted.none.fl_str_mv 2016-11-17
dc.date.accessioned.fl_str_mv 2017-04-13T18:45:41Z
dc.date.available.fl_str_mv 2017-04-13T18:45:41Z
dc.date.issued.fl_str_mv 2017-04-13
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MARCELINO, Sarah Sabino de Freitas. Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas. 2016. 130 f. il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.
dc.identifier.uri.fl_str_mv http://repositorio.unb.br/handle/10482/23266
dc.identifier.doi.none.fl_str_mv http://dx.doi.org/10.26512/2016.11.D.23266
identifier_str_mv MARCELINO, Sarah Sabino de Freitas. Formação de portfólio por meio de máquinas de suporte vetorial e redes de camadas profundas. 2016. 130 f. il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.
url http://repositorio.unb.br/handle/10482/23266
http://dx.doi.org/10.26512/2016.11.D.23266
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio2.unb.br/jspui/bitstream/10482/23266/1/2016_SarahSabinodeFreitasMarcelino.pdf
http://repositorio2.unb.br/jspui/bitstream/10482/23266/2/license.txt
bitstream.checksum.fl_str_mv d02fde50fe4d59702e2bb72183833fa9
a7f4c4ba48a8deec542568413b3460ae
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv
_version_ 1797405426437849088

Registros relacionados