Sistema de tomada de decisão autônomo de compra e venda de ações baseado em máquinas de vetores suporte e otimização de portfólios

Página do item simplificado
dc.contributor.advisorCardoso, Rodrigo Tomás Nogueira
dc.contributor.advisor-coPaiva, Felipe Dias
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/1422795875369677
dc.contributor.advisorLatteshttp://lattes.cnpq.br/5174842920583671
dc.contributor.authorHanaoka, Gustavo Peixoto
dc.contributor.authorLatteshttp://lattes.cnpq.br/4941896019083181
dc.contributor.refereeCardoso, Rodrigo Tomás Nogueira
dc.contributor.refereePaiva, Felipe Dias
dc.contributor.refereeCastro, Paulo André Lima de
dc.contributor.refereeDalip, Daniel Hasan
dc.contributor.refereeSá, Elisângela Martins de
dc.contributor.refereePereira, Adriano César Machado
dc.date.accessioned2025-05-13T16:40:52Z
dc.date.available2025-05-13T16:40:52Z
dc.date.issued2019-05-23
dc.description.abstractO presente trabalho propõe um sistema de tomada de decisão autônomo de compra e venda diária de ações que utiliza o método de máquinas de vetores suporte (SVM - Support Vector Machines), otimização de portfólios e uma estratégia de venda. Por meio da votação majoritária de um comitê de classificadores SVM, é feita a identificação dos ativos capazes de atingirem rendimentos específicos ao longo do dia, considerando os retornos alvos de ganho de 1%, 2% e 3%. Os classificadores que compõem o comitê são definidos a partir de diferentes funções kernel, bem como diferentes valores dos hiperparâmetros da SVM. De posse dos ativos capazes de atingirem o retorno alvo estipulado, um modelo de otimização linear inteira mista, que busca minimizar o risco, representado pelo valor em risco condicional (CVaR - Conditional Value-at-Risk), ao mesmo tempo que estipula um limite mínimo para o retorno esperado, realiza a alocação ótima de recursos levando em consideração apenas os ativos indicados pela classificação. O modelo de otimização realiza a alocação de recursos a partir de um portfólio inicial, permitindo assim o rebalanceamento, além de estipular um valor mínimo e máximo de proporção de investimento em cada ativo presente no portfólio, levando em consideração os custos de transação incorridos nas operações de compra e venda. Os ativos utilizados nesta pesquisa consistem nos ativos presentes no portfólio teórico do índice Bovespa (Ibovespa) do ano de 2005 a 2016. Para testar a eficácia do sistema proposto como um todo, é realizada uma etapa in-sample, compreendendo o período de 2005 a 2006, com o intuito de decidir qual o retorno alvo de ganho mais ideal, de acordo com a precisão da classificação, definir o número de dados a ser utilizado no conjunto de treinamento dos classificadores, definir o número de dados a ser utilizado como entrada do modelo de alocação de recursos e verificar a otimalidade das soluções encontradas. Em sequência, é realizada uma etapa out-of-sample, compreendendo o período de 2007 a 2016, em que o sistema integrado proposto é comparado com sistemas baseados nos métodos individuais que o compõem, em que se compara os rendimentos financeiros obtidos por cada sistema. Os resultados alcançados mostram a superioridade do sistema integrado proposto, quando comparado com a utilização dos sistemas baseados nos métodos individuais e do rendimento do Ibovespa.
dc.description.abstractotherThe present work proposes an autonomous decision making system of daily buying and selling of shares using the Support Vector Machines (SVM) method, portfolio optimization and a selling strategy. The majority vote of an SVM classifier committee identifies assets capable of achieving specific yields throughout the day, taking into account the target return of 1%, 2% and 3%. The classifiers that make up the committee are defined from different kernel functions, as well as different values of SVM hyperparameters. With assets capable of achieving the stipulated target return, a mixed integer linear optimization model that seeks to minimize the risk represented by the conditional value-at-risk (CVaR) at the same time which sets a minimum threshold for expected return, performs optimal resource allocation taking into consideration only the assets indicated by the classification. The optimization model allocates resources from an initial portfolio, thus allowing for rebalancing, as well as stipulating a minimum and maximum investment ratio for each asset in the portfolio, taking into account transaction costs incurred in buying and selling operations. The assets used in this research consist of the assets present in the theoretical portfolio of the Bovespa Index (Ibovespa) from 2005 to 2016. To test the effectiveness of the proposed system as a whole, a in-sample step is performed, covering the period 2005 to 2006, in order to decide which is the most optimal gain target return, according to the precision of classification, define the number of data to be used in the training set of the classifiers, define the number of data to be used as input of the resource allocation model and verify the optimality of the solutions found. Then, an out-of-sample stage is performed, covering the period 2007 to 2016, in which the proposed integrated system is compared with systems based on the individual methods that compose it, comparing the financial yields obtained by each system. The results show the superiority of the proposed integrated system when compared to the use of systems based on individual methods and the Ibovespa yield.
dc.description.sponsorshipCAPES, CNPq, FAPEMIG
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/1442
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.subjectAdministração de risco
dc.subjectAprendizado computacional
dc.subjectGerenciamento
dc.subjectMercado de capitais
dc.titleSistema de tomada de decisão autônomo de compra e venda de ações baseado em máquinas de vetores suporte e otimização de portfólios
dc.typeTese

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Sistema de tomada de decisão autônomo de compra e venda de ações.pdf
Tamanho:
1.74 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