Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/48518
Tipo: | Dissertação |
Título: | Redes Neurais LSTM e otimização de portfólio para auxílio a tomada de decisão na Bolsa de valores |
Título(s) alternativo(s): | Redes Neurais LSTM e otimização de portfólio para auxílio a tomada de decisão em aplicações financeiras |
Autor(es): | Vinícius Teodoro de Castro Pires |
Primeiro Orientador: | Adriano César Machado Pereira |
Primeiro membro da banca : | Cristiano Arbex Valle |
Segundo membro da banca: | Heitor Soares Ramos Filho |
Resumo: | Em um cenário econômico onde a rentabilidade de investimentos tradicionais é, geralmente, menor que a inflação do mesmo período, investir na bolsa de valores tem se tornado uma opção atraente. O foco deste projeto de pesquisa realizado foi construir estratégias de investimento que se apoiam em algoritmos já conhecidos de otimização de portfólio, redes neurais e de trata- mento de dados, combinando-os em busca de uma estratégia arrojada. A rede neural recorrente Long Short-Term Memory foi utilizada para construir modelagens capazes de realizar a pre- dição do retorno esperado e de avaliar ações para operações diárias. Os resultados e análises construídos trouxeram combinações de diferentes objetivos de otimização, como maximização do Sharpe, maximização da utilidade quadrática, e minimização da variância com diferentes formas de construir o parâmetro de retorno esperado dos otimizadores. Além disso, foram avaliadas as performances de operações de compra e venda diárias baseadas no valor predito pela modelagem para os ativos dentro dos portfólios otimizados de cada uma das estratégias. Para avaliação comparativa da performance das modelagens montadas foram escolhidos o IBO- VESPA e o IPCA, que no período de avaliação entre janeiro de 2021 a abril de 2022 tiveram como resultado -9% e 14.78%, respectivamente. As estratégias com os melhores resultados do projeto foram em portfólios otimizados que utilizaram o retorno esperado predito pela LSTM como entrada, onde a otimização usando Sharpe Ratio teve um retorno 35.79% e Utilidade qua- drática, 66.93%. Apesar do melhor resultado, o portfólio que otimiza a utilidade quadrática tem baixa diversidade e o portfólio que maximiza Sharpe tem maior diversidade e pode ser mais indicado para investidores que não desejam alto grau de risco. Pensando em diversidade de ações na composição do portfólio, a minimização da variância é uma proposta interessante, pois teve um retorno de 11.33%, mas apresentou resultados menos voláteis e maior número de diferentes ativos em carteira por mês. As operações em portfólios ótimos não obtiveram bons resultados devido à mudança de composição do portfólio em cada operação, o que não garante um portfólio otimizado. |
Abstract: | In an economic scenario where the profitability of traditional investments is often lower than the inflation of the same period, investing in the stock market has become an attractive option. The focus of the research carried out was to build investment strategies that rely on already known algorithms for portfolio optimization, neural networks and data processing, combining them in search of a bold strategy. The Long Short-Term Memory recurrent neural network was used to build models capable of predicting the expected return and evaluating actions for daily operations. The strategies built brought combinations of different optimization objectives, such as Sharpe maximization, quadratic utility maximization and variance minimization with different ways of building the expected return parameter of the optimizers. In addition, the performance of daily purchase and sale operations was evaluated based on the value predicted by the model for the assets within the optimized portfolios of each strategie. As a benchmark of models created, the IBOVESPA and the IPCA were chosen, which in the evaluation period between January 2021 and April 2022 resulted in -9% and 14.78%, respectively. The strategies with the best results of the project were in optimized portfolios that used the expected return predicted by LSTM as an input, where Sharpe had a return of 35.79% and Quadratic Utility 66.93%. Despite the best result, the portfolio that optimizes Quadratic Utility has low diversity and the portfolio that maximizes Sharpe has greater diversity and may be more suitable for investors who do not want a high degree of risk. Considering the diversity of stocks in the portfolio composition, the minimization of variance is an interesting proposal as it had a return of 11.33% but presented less volatile results and a greater number of different assets monthly. Operations in optimal portfolios did not obtain good results due to the change in the composition of the portfolio in each operation, which does not guarantee an optimized portfolio during the period of operation. |
Assunto: | Computação – Teses Redes neurais (Computação) – Teses Teoria do portfólio – Teses Modelo de Markowitz – Teses Bolsa de valores - Modelos econométricos – Teses |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ICEX - INSTITUTO DE CIÊNCIAS EXATAS |
Curso: | Programa de Pós-Graduação em Ciência da Computação |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/48518 |
Data do documento: | 16-Ago-2022 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
dissertacao_mestrado_vinicius_teodoro.pdf | 4.23 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.