Skip to content

Support Vector Machines e apprendimento statistico per l'analisi non parametrica della regressione: nuovi sviluppi teorici, software e applicazioni finanziarie

L’obiettivo della tesi ha riguardato lo studio di una nuova impostazione teorica riguardo al problema dell’apprendimento, nota come Teoria dell’Apprendimento Statistico e proposta originariamente da Vladimir Vapnik, ed i modelli Support Vector Machines (SVM) sviluppati in tale contesto, analizzando i fondamenti teorici e valutando successivamente l’applicabilità e l’efficacia nella pratica degli strumenti proposti.
La prima parte della tesi è prevalentemente teorica ed illustra i fondamenti della teoria dell'apprendimento statistico e lo studio della consistenza del principio della minimizzazione del rischio empirico. Questo studio ci ha permesso di derivare una teoria non asintotica dell'apprendimento.
La seconda parte è prevalentemente applicativa ed illustra i modelli SVM regressivi ed il problema di ottimo a cui essi riconducono. Viene introdotto l'algoritmo SMO che permette di risolvere il problema di ottimo. Sono quindi proposte alcune tecniche per la selezione dell'architettura delle SVM. Viene quindi documentato MOSES (Model Selection for Support Vector Machines), il software libero da noi sviluppato per le selezione e la stima di SVM regressive. Si illustra infine un'applicazione dei modelli SVM alla finanza, riguardante la previsione giornaliera dei prezzi future del rame. I risultati ottenuti sono confrontati con quelli prodotti da reti neurali artificiali.

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Mostra/Nascondi contenuto.
Capitolo 4 Support Vector Machines Le Support Vector Machines (SVM) sono degli algoritmi di apprendimento introdotti per la prima volta dal gruppo di ricerca coordinato da Vapnik [5], con l’intenzione di proporre una modellistica che facilitasse l’applicazione delle tecniche di controllo della generalizzazione proposte all’interno della Teoria dell’Apprendimento Statistico. Inizialmente lo sviluppo teorico si è concentrato unicamente verso problemi di classificazione, indagando le proprietà dell’iperpiano di separazione ottimale da cui nasce l’idea delle 1 SVM. Solo successivamente, grazie alla proposta della funzione di perdita ε-insensitive, tale tecnica è stata generalizzata per problemi di regressione. In questo capitolo verranno introdotti gli algoritmi di apprendimento SVM, illustrando le ipotesi di base dalle quali sono stati ricavati, la parti- colare struttura ”architetturale” che deriva dalla trasformazione non lineare a cui sono sottoposti i dati al loro interno, la funzione di perdita in essi implementata ed il problema di ottimo che occorre risolvere per stimare i modelli. Nell’esposizioneverràpresoinconsiderazioneesclusivamenteilpro- blema della regressione, richiamando solo quando necessario alcuni risultati proposti per i problemi di classificazione. 4.1 La struttura dei modelli SVM Per illustrare la struttura dei modelli SVM si possono seguire strade diffe- renti. Quellaseguitainquestoparagrafoconsiderainprimoluogoilmodoin cui il processo di apprendimento genera l’approssimazione attraverso i dati, data la funzione di perdita, ed il problema di ottimo che ne deriva. Il me- todo di trasformazione non lineare dei dati sarà affrontata in dettaglio solo successivamente. I concetti, le proprietà e le definizioni della teoria classica della programmazione non lineare qui utilizzati fanno riferimento al volume di Bertsekas [4]. 1 Vapnik [26] pag. 401-421. 37

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista
Il miglior software antiplagio

L'unico servizio antiplagio competitivo nel prezzo che garantisce l'aiuto della nostra redazione nel controllo dei risultati.
Analisi sicura e anonima al 100%!
Ottieni un Certificato Antiplagio dopo la valutazione.

Informazioni tesi

  Autore: Stefano Ricci
  Tipo: Tesi di Laurea
  Anno: 1999-00
  Università: Università degli Studi di Pavia
  Facoltà: Economia
  Corso: Economia e Commercio
  Relatore: Carlo Giannini
  Lingua: Italiano
  Num. pagine: 147

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l’utente che consulta la tesi volesse citarne alcune parti, dovrà inserire correttamente la fonte, come si cita un qualsiasi altro testo di riferimento bibliografico.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Per tradurre questa tesi clicca qui »
Scopri come funziona »

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

econometria
finanza
forecasting
futures
reti neurali
support vector machines
kernel regression
teoria dell'apprendimento statistico

Tesi correlate


Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi