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

Abstract

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.