Análise de desempenho de portfólios que combinam modelos de machine learning e otimização multiobjetivo no mercado de ações brasileiro

Arquivos

Dissertacao_Final_NATAN FELIPE SILVA.pdf (2.01 MB)

Data

2023-12-20
Autor(es)

Orientado(es)
Doutor Lélis Pedro de Andrade

Título da Revista

ISSN da Revista

Título de Volume

Editor

Abstract

Building an investment portfolio through careful stock selection is a crucial activity for investors. In this context, artificial intelligence methods emerge as fundamental tools to support investors' decisions. The main aim of this research is to compare different machine learning methods to perform asset pre-selection and to analyze the combination of these methods in evaluating the performance of optimized portfolios. These portfolios are integrated into a multi-objective optimization model that seeks to maximize return and minimize risk. To achieve this goal, the dissertation was divided into the following specific objectives, each structured as an article:i) Investment portfolio optimization: a bibliometric review (Bibliographic Product 1); ii) Asset selection and optimization of investment portfolios with artificial intelligence methods: a systematic and bibliometric review of the literature (Bibliographic Product 2); iii) Performance analysis of portfolios that combine machine learning models and multi-objective optimization in the Brazilian stock market (Bibliographic Product 3). The empirical article proposed in this dissertation was based on the two bibliometric review articles. Using machine learning models, namely: a) Random Forest, b) Multilayer Perceptron (MLP), and c) Extreme Gradient Boosting (XGBoost), each model was trained and validated to pre-select stocks based on financial indicators. Subsequently, after the selection of shares made by each model, portfolio optimization was conducted to determine the allocation percentage in each asset. It is important to highlight that the portfolios selected by the artificial intelligence models were tested through backtesting, in which the following performance indicators were calculated: i) Sharpe index, ii) Treynor index, iii) Jensen's Alpha and iv) VAR . The empirical article showed that the combination of machine learning models and a multi-objective model can generate results significantly superior to the market benchmark. Finally, as a technical product, the dissertation providesthe script and database used in the empirical article (Technological Product 1).


Resumo

A construção de um portfólio de investimento através da seleção criteriosa de ações é uma atividade crucial para os investidores. Nesse contexto, os métodos de inteligência artificial despontam como ferramentas fundamentais para apoiar as decisões dos investidores. O objetivo principal desta pesquisa é comparar diferentes métodos de machine learning para realizar a pré-seleção de ativos e analisar a combinação desses métodos na avaliação do desempenho de carteiras otimizadas. Essas carteiras serão integradas a um modelo de otimização multiobjetivo que busca maximizar o retorno e minimizar o risco. Para atingir essa meta, a dissertação desdobrou-se nos seguintes objetivos específicos, cada um estruturado como um artigo:i) Otimização de portfólio de investimento: uma revisão bibliométrica (Produto Bibliográfico 1); ii) Seleção de ativos e otimização de portfólios de investimentos com métodos de inteligência artificial: uma revisão sistemática e bibliométrica da literatura (Produto Bibliográfico 2); iii) Análise de desempenho de portfólios que combinam modelos de machine learning e otimização multiobjetivo no mercado de ações brasileiro (Produto Bibliográfico 3). O artigo empírico proposto nesta dissertação foi fundamentado nos dois artigos de revisão bibliométrica. Utilizando os modelos de machine learning, nomeadamente: a) Random Forest, b) Multilayer Perceptron (MLP), e c) Extreme Gradient Boosting (XGBoost), cada modelo foi treinado e validado para realizar a pré-seleção de ações com base em indicadores financeiros. Posteriormente, após a seleção de ações feita por cada modelo, foi conduzida a otimização do portfólio para determinar o percentual de alocação em cada ativo. É importante destacar que as carteiras selecionadas pelos modelos de inteligência artificial foram testadas por meio de backtesting, no qual foram calculados os seguintes indicadores de desempenho: i) índice de Sharpe, ii) índice de Treynor, iii) Alfa de Jensen e iv) VAR. O artigo empírico evidenciou que a combinação de modelos de machine learning e um modelo multiobjetivo gerou indicadores de desempenho superiores em comparação com os portfólios testados sem o uso combinado da técnica de machine learning e otimização multiobjetivo. Finalmente, como produto técnico, apresenta-se um algoritmo utilizado no artigo empírico (Produto Técnico/Tecnológico 1).

Palavras-chave

Citação

URI

https://hdl.handle.net/20.500.14387/2169

Coleções

Dissertação

Avaliação

Revisão

Suplementado Por

Referenciado Por