Los avances en tecnología de la información han llevado a la proliferación de datos en los campos de finanzas, energía y economía. Los elementos imprevistos pueden hacer que los datos se contaminen con ruido y valores atípicos. En este estudio, se desarrolla un algoritmo robusto de regresión de vectores de soporte en línea basado en una función de pérdida asimétrica no convexa para manejar la regresión de flujos de datos dinámicos ruidosos. Inspirado en la pérdida de pinball, se propone una pérdida de pinball trunca insensible (TIPL) para resolver los problemas causados por el ruido intenso y los valores atípicos. Se construye un algoritmo de regresión de vectores de soporte en línea basado en TIPL (TIPOSVR) bajo el marco de regularización, y se implementa el algoritmo de descenso de gradiente en línea para ejecutarlo. Se realizan experimentos utilizando conjuntos de datos sintéticos, conjuntos de datos de UCI y conjuntos de datos reales. Los resultados de la investigación muestran que en la mayoría de los casos, el algoritmo propuesto es comparable, o incluso superior, a los algoritmos de comparación en términos de precisión y robustez en conjuntos de datos con diferentes tipos de ruido.