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

Dissertação (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