Modelo automatizado para decisões de investimento usando machine learning e a técnica de portfólio selection de black-litterman

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.authorDuarte, Wendel Moreira
dc.contributor.authorLatteshttp://lattes.cnpq.br/1652242935840090
dc.contributor.refereePaiva, Felipe Dias
dc.contributor.refereePereira, Adriano César Machado
dc.contributor.refereePinheiro, Juliano Lima
dc.contributor.refereeGomes, Rogério Martins
dc.date.accessioned2025-09-09T11:44:26Z
dc.date.available2025-09-09T11:44:26Z
dc.date.issued2018-07-02
dc.description.abstractO presente trabalho tem como objetivo propor modelos baseados em técnicas de machine learning, especificamente usando redes neurais artificiais (RNA) e support vector machine (SVM), para realizar a classificação de ativos financeiros com potencial de atingimento de target específico e então compor carteiras utilizando o modelo de Black-Litterman (BL). Quanto aos objetivos específicos, a proposta é construir um modelo baseado em RNA e outro modelo baseado em SVM para realizar a classificação de ativos financeiros com potencial de atingimento de target específico; em seguida, otimizar carteiras utilizando o modelo BL, tendo como parâmetro de views as previsões da RNA e SVM; e, por fim, comparar os resultados das carteiras obtidas com os valores de referência (índice Ibovespa e uma carteira elaborada pelo método proposto por Markowitz). A amostra de dados foi composta de ativos do índice Ibovespa, entre janeiro/2006 e julho/2017, com periodicidade diária. Os modelos de RNA e SVM trabalharam como classificadores, nos quais foram gerados diariamente indicativos de atingimento de determinado target. Essas previsões foram acopladas ao modelo BL, sendo os targets em questão considerados como views e a medida de precision usada para representar a confiança relativa àquela previsão. Para efeito comparativo, foram geradas estratégias alternativas que serviram como base de comparação para as avaliações de performance. Foram compostas: (i) uma carteira com geração de sinais aleatórios e posterior combinação com o modelo BL; (ii) carteiras que utilizaram os sinais gerados pelos classificadores, mas em posterior otimização; (iii) carteiras que utilizaram os sinais gerados pelos classificadores, mas com posterior acoplamento ao modelo MV; (iv) uma aplicação simples do modelo MV; e, por fim, (v) uma carteira com estratégia buy-and-hold considerando o índice Ibovespa (IBOV). Os resultados indicam melhor performance do classificador baseado em SVM quando comparado a uma estratégia ingênua, superioridade em termos de cardinalidade, volume de operações e retorno da operação para a estratégia SVM+BL, tanto em termos totais quanto em análises por biênio. Esses resultados atestam o potencial do uso de técnicas de soft computing no processo de formação de portfólios, o que possibilita que o decision maker tenha indicativos para montar uma operação mais enxuta, entrando em menos operações com mais assertividade e obtendo melhores resultados como um todo. As contribuições do trabalho incluem a proposição de um modelo para suportar o decision maker no processo de tomada de decisão de investimento, o desenvolvimento de um classificador com assertividade estatisticamente superior a uma solução ingênua, o uso da carteira de mínima variância para obtenção da distribuição de equilíbrio do mercado e o acoplamento das informações obtidas via técnicas de machine learning ao modelo BL, fazendo uso da medida de precision como parâmetro Ω.
dc.description.abstractotherThis work aims to propose models using machine learning techniques, specifically artificial neural networks (ANN) and support vector machines (SVM), to predict financial assets with potential to achieve specific targets and then compose portfolios using the Black-Litterman model (BL). Regarding the specific aims, the proposal is to build one model using ANN and another using SVM to classify financial assets with potential to achieve specific targets; subsequently, optimize portfolios using the BL model, taking the ANN and SVM predictions as view parameters; and finally, compare the resulting portfolios with benchmarks (the Ibovespa index and a portfolio built using Markowitz’s model). The sample consisted of assets in the Ibovespa index, from January 2006 to July 2017, with daily data. The ANN and SVM models operated as classifiers, generating daily indicators of target achievement. These predictions were incorporated into the BL model, with the targets considered as views and the precision measure used to represent confidence in those predictions. To evaluate performance, five alternative strategies were configured: (i) a model using signals from a random process coupled with the BL model; (ii) a model using signals from the classifiers without optimization; (iii) a model using signals from the classifiers coupled with the MV model; (iv) a simple application of the MV model; and (v) a portfolio using a buy-and-hold strategy based on the Ibovespa index. The results indicated superior performance of the SVM-based classifier compared with a naïve approach, with advantages in terms of cardinality, trading volume, and returns for the SVM+BL strategy, both in total and biennial analyses. These findings reinforce the potential of using soft computing techniques in the portfolio selection process, providing insights for decision makers to design more assertive strategies, engage in fewer but more accurate operations, and achieve better overall results. The contributions of this work include the proposition of a model to support investment decision-making, the development of a classifier with statistically superior accuracy compared to a naïve solution, the use of the minimum variance portfolio to estimate the market equilibrium distribution, and the integration of predictions from machine learning techniques into the BL model, using the precision measure as the Ω parameter.
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2258
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Geraispt
dc.publisher.countryBrasilpt
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Administração
dc.subjectAções (Finanças)
dc.subjectInvestimentos
dc.subjectAprendizado do computador
dc.titleModelo automatizado para decisões de investimento usando machine learning e a técnica de portfólio selection de black-litterman
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Modelo automatizado para decisões de investimento usando machine learning e a técnica de portfólio selection de black-litterman.pdf
Tamanho:
69.56 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 Administração