Support Vector Regression (SVR) tem apresentado bons resultados na previsão de terremotos, manchas solares e outros tipos de fenômenos físicos que são considerados "imprevisíveis".
A análise de regressão é uma abordagem para modelar a relação entre um conjunto de variáveis $Y$ (variáveis dependentes) e variáveis explicativas $X$ (chamadas regressores ou ainda variáveis independentes).
Um modelo que tem ganhando atenção ultimamente é o modelo de regressão por meio do SVM (Support Vector Machine) e é denominado Support Vector Regression (SVR).
A ideia básica do SVR é mapear um conjunto de dados $X$ em um espaço multidimensional através de um mapeamento não-linear (usualmente utilizando kernels) e então realizar uma regressão linear neste espaço multidimensional transformado .
O SVR é extremamente robusto mesmo em espaços com muitas dimensões, isso é devido a optimização não depender da dimensão do espaço de input. O SVR depende apenas de um subconjunto dos dados de treinamento, porque a função custo para a construção do modelo ignora os dados de treinamento perto da previsão do modelo.
SVR sobre o modelo de regressão linear usual tem a vantagem de utilizar uma grande variedade de funções que se adequa a aos diferentes modelos, fornecendo assim um bom ajuste aos diversos tipos de ruídos que os dados possam apresentar.
Os modelos de regressão SVR são amplamente utilizados para inferir sobre um fenômeno através de diversas variáveis. Previsão financeira, previsão de demanda, química, são apenas exemplos de áreas onde essas técnicas são aplicadas.
Portanto, em finanças essa é uma área que pode ser ainda muito explorada.
Nenhum comentário:
Postar um comentário