Análise de integração da classificação de tendências financeiras e otimização de portfólios

Página do item simplificado
dc.contributor.advisorCardoso, Rodrigo Tomás Nogueira
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5174842920583671
dc.contributor.authorFerreira, Fernando Garcia Diniz Campos
dc.contributor.authorLatteshttp://lattes.cnpq.br/4126688051850017
dc.contributor.refereeCardoso, Rodrigo Tomás Nogueira
dc.contributor.refereeGuimarães, Frederico Gadelha
dc.contributor.refereePaiva, Felipe Dias
dc.contributor.refereeMagalhães, Arthur Rodrigo Bosco de
dc.contributor.refereePereira, Adriano César Machado
dc.date.accessioned2025-04-08T22:17:24Z
dc.date.available2025-04-08T22:17:24Z
dc.date.issued2022-11-24
dc.description.abstractA área de Finanças Computacionais é marcada por profundas mudanças nas últimas décadas provenientes do surgimento de um rápido desenvolvimento tecnológico que permitiu a incorporação de técnicas computacionais complexas para modelagem e predição dos movimentos dos preços no Mercado Financeiro. Neste cenário, este trabalho propõe um arcabouço computacional composto por diferentes modelos e técnicas de otimização de portfólios financeiros e de classificação de tendências de ativos financeiros, além de proporcionar diferentes formas de integração das duas abordagens. Assim, o arcabouço é composto por quatro modelos propostos para otimização de portfólio e um método para a solução de cada um desses modelos, além de doze algoritmos de classificação utilizando conjuntos de atributos também propostos no trabalho e, por fim, três formas de integração dos métodos de otimização e classificação são considerados. Para os métodos de otimização de portfólio, métodos exatos apresentam melhores soluções, apesar de apresentarem tempos de execução muito maiores que meta-heurísticas. Para a classificação de tendências, os resultados indicam que o Convolutional Neural Network (CNN) foi é o algoritmo que apresenta o melhor desempenho, no geral, considerando os classificadores utilizados. Simulações de investimentos mostram que negociações a uma frequência maior geram custos de transação maiores, podendo inviabilizar a utilização da metodologia proposta. Combinações de otimização de portfólios e classificações financeiras podem aproveitar as vantagens de ambas as abordagens, como mostrado pelos resultados que apresentam maiores retornos acumulados para métodos combinados. Finalmente, pode-se observar que os melhores métodos de otimização e classificação dependem muito da estratégia de operação adotada e das preferências do investidor, justificando o desenvolvimento deste arcabouço computacional proposto, composto por vários métodos.
dc.description.abstractotherThe area of Computational Finance has been marked by profound changes in recent decades as a result of a rapid technological development that has allowed the incorporation of complex computational techniques for modeling and predicting price movements in the Financial Market. In this scenario, this work proposes a computational framework composed of different models and techniques of financial portfolio optimization and trend classification of financial assets, in addition to providing different ways of combining the two approaches. Thus, the framework consists of four models proposed for portfolio optimization, with one method for solving each of these models, as well as nine classification algorithms using sets of attributes also proposed in the work and, finally, three ways of combining portfolio optimization and classification methods are considered. Regarding portfolio optimization methods, exact methods presents better solutions, although they have much longer execution times than meta-heuristics. For financial trends classification, results indicate that the Convolutional Neural Network (CNN) was the algorithm that presents the best performance, in general, considering the classifiers used. Investment simulations show that negotiations at a higher frequency generate higher transaction costs, which may make the proposed methodology unfeasible. Combinations of portfolio optimization and financial classification can take advantage of both approaches, as shown by results, since they reveal higher cumulative returns for combined methods. In conclusion, it can be observed that the best optimization and classification methods depend very much on the adopted trading strategy and investor preferences, which justifies the development of this proposed computational framework composed by several methods.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1150
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.subjectTítulos (Finanças)
dc.subjectMétodos de simulação
dc.subjectOtimização matemática
dc.subjectAprendizado do computador
dc.titleAnálise de integração da classificação de tendências financeiras e otimização de portfólios
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Análise de integração da classificação de tendências financeiras e otimização de.pdf
Tamanho:
3.61 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