Previsão de séries temporais com máquinas de suporte vetorial

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGuimarães, Paulo Henrique Sales-
Autor(es): dc.contributorSáfadi, Thelma-
Autor(es): dc.contributorPereira, Geraldo Magela da Cruz-
Autor(es): dc.contributorPereira, Tiago Martins-
Autor(es): dc.creatorMartins, Rogerson Alexandre-
Data de aceite: dc.date.accessioned2026-02-09T11:39:30Z-
Data de disponibilização: dc.date.available2026-02-09T11:39:30Z-
Data de envio: dc.date.issued2023-08-14-
Data de envio: dc.date.issued2023-08-14-
Data de envio: dc.date.issued2023-08-11-
Data de envio: dc.date.issued2023-03-16-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/58260-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1144544-
Descrição: dc.descriptionThis 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: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionA 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Estatística e Experimentação Agropecuária-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Estatística-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightsAttribution 4.0 International-
Direitos: dc.rightsacesso aberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectAnálise de componentes principais-
Palavras-chave: dc.subjectAnálise de componentes independentes-
Palavras-chave: dc.subjectAnálise técnica-
Palavras-chave: dc.subjectPrincipal component analysis-
Palavras-chave: dc.subjectIndependent components analysis-
Palavras-chave: dc.subjectTechnical analysis-
Palavras-chave: dc.subjectSupport vector machine-
Palavras-chave: dc.subjectEstatística-
Título: dc.titlePrevisão de séries temporais com máquinas de suporte vetorial-
Título: dc.titleTime series forecast with vector support machines-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.