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).