Tomada de decisão em problemas de otimização de portfólios financeiros

Página do item simplificado
dc.contributor.advisorMartins, Flávio Vinícius Cruzeiro
dc.contributor.advisor-coCardoso, Rodrigo Tomás Nogueira
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/5174842920583671
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3199420233273400
dc.contributor.authorMendonça, Gustavo Henrique Massula
dc.contributor.authorLatteshttp://lattes.cnpq.br/1601775261467908
dc.contributor.refereeMartins, Flávio Vinícius Cruzeiro
dc.contributor.refereeCardoso, Rodrigo Tomás Nogueira
dc.contributor.refereePaiva, Felipe Dias
dc.contributor.refereePedro, Luciana Rocha
dc.contributor.refereeWanner, Elizabeth Fialho
dc.date.accessioned2025-04-25T19:41:15Z
dc.date.available2025-04-25T19:41:15Z
dc.date.issued2019-02-01
dc.description.abstractQuando 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.
dc.description.abstractotherWhen it is desired to make a financial investment, it is advisable to look for solutions that present a compromise between return and risk. These two objectives are conflicting in an investment, as higher expected returns are accompanied by greater risk of losses. Even when all compromise solutions between risk and return are available, there is still a need to choose one of them to realize the investment. In general, this choice is best structured when guided by some method of decision making that reflects the preferences of the decision maker. In this work, the optimization of solutions to the financial portfolio problem is carried out by means of an evolutionary algorithm and methods are applied to aid decision making in multiobjective environments. Three methods available in the literature are applied, namely, Rank Order Centroid Weights - ROCW, ASF method and Neural Network Decision-Maker method - NNDM. In addition, two more methods are proposed, DMQ and NNDM 2, which are tested and compared. Simulations are also carried out with real historical series in order to verify in practice the behavior and performance of the methods, considering different profiles of investors. Regarding the number of queries required by the decision maker, the DMQ method demanded the smallest number. The NNDM method with RBF neural network was the one that presented the highest rate of correctness of the best possible solution (QA metric), simulating the different profiles of investors. However, it obtained worse results than the NNDM 2 method with MLP, which hit the best solution 80% of the time during the tests, and obtained better results for the KTD and DMS metrics. Statistical tests performed with the methods using reference points showed no significant difference when compared to the results of the method applied a priori and a posteriori. All methods applied with portfolio optimization have achieved a high cumulative return value in the out of sample tests and are even above the accumulated return of the Ibovespa and Selic for the simulated period. In these tests were simulated different profiles of investors, being conservative, moderate and aggressive. The methods were able to model the profiles, guiding to solutions according to the expected preferences of each profile. However, tests comparing Drawdown values on the investments of different investors did not present significant statistical differences.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1283
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacional
dc.subjectComputação evolutiva
dc.subjectAlgoritmos
dc.subjectRedes neurais
dc.subjectTomada de decisão
dc.titleTomada de decisão em problemas de otimização de portfólios financeiros
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Tomada de decisão em problemas de otimização de portfólios.pdf
Tamanho:
3.9 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado em Modelagem Matemática e Computacional