Controle preditivo baseado em modelo via otimização dinâmica multiobjetivo de portfólios de investimentos

Página do item simplificado
dc.contributor.advisorCardoso, Rodrigo Tomás Nogueira
dc.contributor.advisor-coJesus, Tales Argolo
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/6617001066819762
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5174842920583671
dc.contributor.authorCardoso, Rodrigo Tomás Nogueira
dc.contributor.authorLatteshttp://lattes.cnpq.br/5174842920583671
dc.contributor.refereeCardoso, Rodrigo Tomás Nogueira
dc.contributor.refereeJesus, Tales Argolo
dc.contributor.refereeValle, Cristiano Arbex
dc.contributor.refereeRaffo, Guilherme Vianna
dc.contributor.refereeSouza, Sérgio Ricardo de
dc.contributor.refereeMartins, Flávio Vinícius Cruzeiro
dc.date.accessioned2025-04-16T16:10:03Z
dc.date.available2025-04-16T16:10:03Z
dc.date.issued2021-11-19
dc.description.abstractCom o advento da tecnologia é possível aliar os modelos matemáticos complexos que representam o problema de otimização de portfólios de investimentos com técnicas computacionais extremamente eficientes e práticas. Busca-se construir neste trabalho um arcabouço matemático e computacional capaz de lidar com as peculiaridades reais do mundo financeiro ao mesmo tempo que se utiliza o conhecimento teórico disponível, utilizando-se um algoritmo genético para fazer a otimização e manipular as restrições. Portanto, propõese neste trabalho um arcabouço matemático e computacional composto por diferentes modelos que usam a metodologia de Controle Preditivo baseado em Modelo (do inglês, Model Predictive Control-MPC) na otimização de portfólios de investimentos. É proposta uma estratégia inovadora obtida pela combinação do MPC e da otimização multiobjetivo sujeita a restrições realísticas do mercado financeiro, como limites de investimento, autofinanciamento, cardinalidade e custos de transação. Os critérios de desempenho (funções objetivo) são os valores esperados da riqueza, da variância e do Conditional Value at Risk. Com os experimentos realizados foi possível obter uma variedade de constatações que envolvem o horizonte de predição, a cardinalidade, o risco e o retorno do portfólio. Por meio da análise in-sample, destacam-se: o horizonte de predição de fato beneficia o problema de otimização de portfólios, uma vez que proporciona valores de riqueza não obtidos pela estratégia miópica; portfólios com cardinalidades menores apresentam menor risco por estabelecerem maior alocação de capital no ativo livre de risco. As carteiras com cardinalidade cinco apresentam os maiores valores de riqueza. Na análise out-of-sample, a riqueza acumulada da estratégia proposta superou o Ibovespa e fundos de investimento de prestígio em 2020.
dc.description.abstractotherCombining complex mathematical models that optimize investment portfolios with efficient and practical computational techniques is possible with the advent of technology. The aim is to build a computational framework capable of dealing with the actual peculiarities of the financial world while using available theoretical knowledge. A genetic algorithm is proposed to optimize the objective functions and manipulate the constraints. Therefore, this work proposes a computational framework composed of different models that use Model Predictive Control (MPC) to optimize investment portfolios. An innovative strategy that combines MPC, multi-objective optimization and realistic financial market constraints, such as investment limits, self-finance, cardinality, and transaction cost, is proposed. Performance criteria (objective functions) are the expected values of wealth, variance, and Conditional Value at Risk. We proposed multiperiod formulations for the objective functions and the genetic algorithm that performs the optimization since the multiperiod perspective is essential for the MPC strategy. With the experiments performed, it was possible to obtain various findings involving the prediction horizon, cardinality, risk, and return of the portfolio. Using an in-sample analysis can be highlighted, the prediction horizon benefits the portfolio optimization problem. It offers wealth value not obtained by the myopic strategy; portfolios with smaller cardinalities have greater risk because they have capital allocation in the riskfree asset. The portfolios with cardinality five have shown the highest wealth values. In the out-of-sample analysis, the accumulated wealth of the proposed strategy surpassed Ibovespa and prestigious investment funds in 2020.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1235
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.subjectFinanças
dc.subjectModelos matemáticos
dc.subjectProcessamento de dados
dc.subjectMétodos numéricos de otimização
dc.titleControle preditivo baseado em modelo via otimização dinâmica multiobjetivo de portfólios de investimentos
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Controle preditivo baseado em modelo via otimização dinâmica.pdf
Tamanho:
3.46 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

Doutorado em Modelagem Matemática e Computacional