Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/72181
Type: | Tese |
Title: | Scenario generation for financial data: a machine learning dynamic copula approach based on realized volatility and correlation |
Authors: | Caio Mário Henriques Silva da Rocha Mesquita |
First Advisor: | Adriano César Machado Pereira |
First Co-advisor: | Cristiano Arbex Valle |
First Referee: | Paulo André Lima de Castro |
Second Referee: | Heitor Soares Ramos Filho |
Third Referee: | Gisele Lobo Pappa |
metadata.dc.contributor.referee4: | Elizabeth Fialho Wanner |
Abstract: | A otimização de portfólio é uma questão fundamental em finanças quantitativas, e as técnicas de geração de cenários desempenham um papel vital na simulação do comportamento futuro de ativos para uso em estratégias de alocação. Na literatura, diversas abordagens existem para gerar cenários, que variam de observações históricas a modelos que preveem a volatilidade dos ativos. Nesta tese, propomos uma metodologia inovadora para gerar cenários discretos um dia à frente, os quais são então utilizados como entrada para alocação de portfólio. Nossa abordagem emprega algoritmos supervisionados de aprendizado de máquina como modelos de previsão para estimar a variância realizada e a correlação intradiária de Kendall dos ativos. Com base nessas previsões, aplicamos uma abordagem de cópula com distribuições de valores extremos para simular a distribuição de probabilidade multivariada dos ativos. Nossos experimentos computacionais indicam que nossa abordagem pode proporcionar previsões de volatilidade e correlação mais precisas, bem como portfólios com melhor relação risco-recompensa em comparação com baselines tradicionais da literatura. |
Abstract: | Portfolio optimization is a fundamental issue in quantitative finance, and scenario generation techniques play a vital role in simulating the future behavior of assets for use in allocation strategies. In the literature, various approaches exist for generating scenarios, ranging from historical observations to models predicting asset volatility. In this dissertation, we propose a novel methodology for generating discrete scenarios one day ahead, which are then used as input for portfolio allocation. Our approach employs machine learning upervised algorithms as forecasting models to predict the realized variance and intraday Kendall correlation of assets. Using these predictions, we apply a copula approach with extreme value distributions to simulate the multivariate probability distribution of the assets. Our computational experiments indicate that our approach may yield more accurate volatility and correlation forecasts, as well as better risk-reward portfolios compared to traditional literature baselines. |
Subject: | Computação – Teses Aprendizado do computador – Teses Gestão de riscos – Teses Mercado financeiro - Portifólios - Teses |
language: | eng |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Ciência da Computação |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/72181 |
Issue Date: | 22-Feb-2024 |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Scenario generation for financial data: a machine learning dynamic copula approach based on realized volatility and correlation.pdf | 2.97 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.