Tomada de decisão em problemas de otimização de portfólios financeiros
Carregando...
Data
2019-02-01
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
Quando se deseja realizar um investimento financeiro, é aconselhável procurar as soluções de compromisso entre retorno e risco. Estes dois objetivos são conflitantes em um investimento, pois maiores retornos esperados são acompanhados de maiores riscos de perdas. Mesmo quando todas as soluções de compromisso entre risco e retorno estão disponíveis, ainda existe a necessidade de escolher uma delas para concretizar o investimento. Em geral, esta escolha é melhor estruturada quando guiada por algum método de tomada de decisão que reflita as preferências da pessoa responsável por esta decisão, que chamaremos aqui simplesmente de decisor. Neste trabalho, é realizada a otimização de soluções para o problema de portfólio financeiro por meio de um algoritmo evolutivo e são aplicados métodos de auxílio à tomada de decisão em ambientes multiobjetivo. Três métodos disponíveis na literatura são aplicados, sendo eles o Rank Order Centroid Weights (ROCW), método Achievement Scalarizing Function (ASF) e Neural Network Decision-Maker method (NNDM), além de serem propostos mais dois métodos (Decision Maker Queries (DMQ) e Neural Network Decision-Maker method (NNDM 2)), que são testados e comparados. Também são realizadas simulações com séries históricas reais de modo a verificar na prática o comportamento e desempenho dos métodos, considerando diferentes perfis de investidores. No que diz respeito ao número de consultas necessárias ao decisor, o método DMQ foi o que demandou o menor número. O método NNDM com rede neural do tipo RBF foi o que apresentou maior taxa de acerto da melhor solução possível (métrica QA), simulando os diferentes perfis de investidores. No entanto, obteve resultados piores que o método NNDM 2 com rede neural do tipo MLP, que acertou a melhor solução 80% das vezes durante os testes, e obteve melhores resultados para as métricas Kendall-tau distance (KTD) e Distância da Melhor Solução (DMS). Os testes estatísticos realizados com os métodos que utilizam pontos de referência mostraram não haver diferença significativa quando comparados os resultados do método aplicado a priori e a posteriori. Todos os métodos aplicados com a otimização do portfólio conseguiram um alto valor de retorno acumulado nos testes Out of Sample (que utilizam dados posteriores àqueles utilizados para alimentar o modelo de otimização), estando inclusive acima do retorno acumulado da Ibovespa e Selic para o período simulado. Nestes testes, foram simulados diferentes perfis de investidores, sendo eles conservador, moderado e agressivo. Os métodos foram capazes de modelar os perfis, direcionando soluções de acordo com as preferências esperadas de cada um. No entanto, os testes comparando o Drawdown (maior perda no período) nos investimentos dos diferentes investidores não apresentaram diferenças estatísticas significativas.
Descrição
Palavras-chave
Computação evolutiva, Algoritmos, Redes neurais, Tomada de decisão