Support Vector Regression aplicado à previsão de taxas de câmbio

Detalhes bibliográficos
Autor(a) principal: Yaohao, Peng
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio.unb.br/handle/10482/23270
http://dx.doi.org/10.26512/2016.11.D.23270
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão Pública, Programa de Pós-Graduação em Administração, 2016.
id UNB_7c178d7bd99ca8da3c66336774605497
oai_identifier_str oai:repositorio.unb.br:10482/23270
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Support Vector Regression aplicado à previsão de taxas de câmbioAprendizagem de máquinaFundamentos econômicosTaxa spotDissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão Pública, Programa de Pós-Graduação em Administração, 2016.O presente estudo realizou a previsão da taxa spot de 15 pares de câmbio mediante a aplicação de um algoritmo de aprendizado de máquinas – Support Vector Regression – com base em um modelo fundamentalista composto por 13 variáveis explicativas. Para a estimação das previsões, foram consideradas 9 funções Kernel extraídas da literatura científica, totalizando assim 135 modelos verificados. As previsões foram comparadas com o benchmark Random Walke avaliadas em relação à taxa de acerto direcional do câmbio e às métricas de erro RMSE (raiz quadrada do erro quadrático médio) e MAE (erro absoluto médio). A significância estatística do incremento de poder explicativo dos modelos SVR em relação ao Random Walk foi verificada mediante a aplicação do Reality Check Test de White (2000). Os resultados mostram que os modelos SVR obtiveram desempenho preditivo satisfatório em relação ao benchmark, com vários dos modelos propostos apresentando forte significância estatística de superioridade preditiva.Por outro lado, observou-se que várias funções Kernel comumente utilizadas na literatura científica não lograram êxito em superar o Random Walk, apontando para uma possível lacuna no estado da arte de aprendizado de máquinas aplicada à previsão de taxas de câmbio. Por fim, discutiu-se acerca das implicações dos resultados obtidos para o desenvolvimento futuro da agenda de pesquisa correlata.This paper aims to forecast the spot exchange rate of 15 currency pairs by applying a machinelearning algorithm – Support Vector Regression – based on a fundamentalist model composedof 13 explanatory variables. The predictions’ estimation were obtained by applying 9different Kernel functions extracted from the scientific literature, resulting in a total of 135 modelsverified. The predictions were compared to the Random Walk benchmark and evaluated for directionalaccuracy rate of exchange pradictions and error performance indices RMSE (root meansquare error) and MAE (mean absolute error). The statistical significance of the explanatorypower gain via SVR models with respect to the Random Walk was checked by applying White(2000)’s Reality Check Test. The results show that SVR models achieved satisfactory predictiveperformance relative to the benchmark, with several of the proposed models showing strong statisticalsignificance of predictive superiority. Furthermore, the results showed that mainstreamKernel functions commonly used in the scientific literature failed to outperform the RandomWalk,indicating a possible gap in the state of art of machine learning methods applications to exchangerates forecasting. Finally, the paper presents a discussion about the implications of the obtainedresults for the future development of related research agendas.Albuquerque, Pedro Henrique MeloYaohao, Peng2017-04-13T20:57:38Z2017-04-13T20:57:38Z2017-04-132016-11-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfYAOHAO, Peng. Support Vector Regression aplicado à previsão de taxas de câmbio. 2016. 144 f., il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.http://repositorio.unb.br/handle/10482/23270http://dx.doi.org/10.26512/2016.11.D.23270A 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/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2023-07-12T19:07:42Zoai:repositorio.unb.br:10482/23270Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2023-07-12T19:07:42Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Support Vector Regression aplicado à previsão de taxas de câmbio
title Support Vector Regression aplicado à previsão de taxas de câmbio
spellingShingle Support Vector Regression aplicado à previsão de taxas de câmbio
Yaohao, Peng
Aprendizagem de máquina
Fundamentos econômicos
Taxa spot
title_short Support Vector Regression aplicado à previsão de taxas de câmbio
title_full Support Vector Regression aplicado à previsão de taxas de câmbio
title_fullStr Support Vector Regression aplicado à previsão de taxas de câmbio
title_full_unstemmed Support Vector Regression aplicado à previsão de taxas de câmbio
title_sort Support Vector Regression aplicado à previsão de taxas de câmbio
author Yaohao, Peng
author_facet Yaohao, Peng
author_role author
dc.contributor.none.fl_str_mv Albuquerque, Pedro Henrique Melo
dc.contributor.author.fl_str_mv Yaohao, Peng
dc.subject.por.fl_str_mv Aprendizagem de máquina
Fundamentos econômicos
Taxa spot
topic Aprendizagem de máquina
Fundamentos econômicos
Taxa spot
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão Pública, Programa de Pós-Graduação em Administração, 2016.
publishDate 2016
dc.date.none.fl_str_mv 2016-11-17
2017-04-13T20:57:38Z
2017-04-13T20:57:38Z
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.uri.fl_str_mv YAOHAO, Peng. Support Vector Regression aplicado à previsão de taxas de câmbio. 2016. 144 f., il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.
http://repositorio.unb.br/handle/10482/23270
http://dx.doi.org/10.26512/2016.11.D.23270
identifier_str_mv YAOHAO, Peng. Support Vector Regression aplicado à previsão de taxas de câmbio. 2016. 144 f., il. Dissertação (Mestrado em Administração) — Universidade de Brasília, Brasília, 2016.
url http://repositorio.unb.br/handle/10482/23270
http://dx.doi.org/10.26512/2016.11.D.23270
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.format.none.fl_str_mv application/pdf
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
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580863738445824

Registros relacionados