Mestrado em Administração

URI Permanente para esta coleção

https://repositorio.cefetmg.br//handle/123456789/622

Navegar

Navegando Mestrado em Administração por Assunto "Ações (Finanças)"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Modelo automatizado para decisões de investimento usando machine learning e a técnica de portfólio selection de black-litterman
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2018-07-02) Duarte, Wendel Moreira; Cardoso, Rodrigo Tomás Nogueira; Paiva, Felipe Dias; http://lattes.cnpq.br/1422795875369677; http://lattes.cnpq.br/5174842920583671; http://lattes.cnpq.br/1652242935840090; Paiva, Felipe Dias; Pereira, Adriano César Machado; Pinheiro, Juliano Lima; Gomes, Rogério Martins
    O presente trabalho tem como objetivo propor modelos baseados em técnicas de machine learning, especificamente usando redes neurais artificiais (RNA) e support vector machine (SVM), para realizar a classificação de ativos financeiros com potencial de atingimento de target específico e então compor carteiras utilizando o modelo de Black-Litterman (BL). Quanto aos objetivos específicos, a proposta é construir um modelo baseado em RNA e outro modelo baseado em SVM para realizar a classificação de ativos financeiros com potencial de atingimento de target específico; em seguida, otimizar carteiras utilizando o modelo BL, tendo como parâmetro de views as previsões da RNA e SVM; e, por fim, comparar os resultados das carteiras obtidas com os valores de referência (índice Ibovespa e uma carteira elaborada pelo método proposto por Markowitz). A amostra de dados foi composta de ativos do índice Ibovespa, entre janeiro/2006 e julho/2017, com periodicidade diária. Os modelos de RNA e SVM trabalharam como classificadores, nos quais foram gerados diariamente indicativos de atingimento de determinado target. Essas previsões foram acopladas ao modelo BL, sendo os targets em questão considerados como views e a medida de precision usada para representar a confiança relativa àquela previsão. Para efeito comparativo, foram geradas estratégias alternativas que serviram como base de comparação para as avaliações de performance. Foram compostas: (i) uma carteira com geração de sinais aleatórios e posterior combinação com o modelo BL; (ii) carteiras que utilizaram os sinais gerados pelos classificadores, mas em posterior otimização; (iii) carteiras que utilizaram os sinais gerados pelos classificadores, mas com posterior acoplamento ao modelo MV; (iv) uma aplicação simples do modelo MV; e, por fim, (v) uma carteira com estratégia buy-and-hold considerando o índice Ibovespa (IBOV). Os resultados indicam melhor performance do classificador baseado em SVM quando comparado a uma estratégia ingênua, superioridade em termos de cardinalidade, volume de operações e retorno da operação para a estratégia SVM+BL, tanto em termos totais quanto em análises por biênio. Esses resultados atestam o potencial do uso de técnicas de soft computing no processo de formação de portfólios, o que possibilita que o decision maker tenha indicativos para montar uma operação mais enxuta, entrando em menos operações com mais assertividade e obtendo melhores resultados como um todo. As contribuições do trabalho incluem a proposição de um modelo para suportar o decision maker no processo de tomada de decisão de investimento, o desenvolvimento de um classificador com assertividade estatisticamente superior a uma solução ingênua, o uso da carteira de mínima variância para obtenção da distribuição de equilíbrio do mercado e o acoplamento das informações obtidas via técnicas de machine learning ao modelo BL, fazendo uso da medida de precision como parâmetro Ω.