Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/72181
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Adriano César Machado Pereira | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6813736989856243 | pt_BR |
dc.contributor.advisor-co1 | Cristiano Arbex Valle | pt_BR |
dc.contributor.referee1 | Paulo André Lima de Castro | pt_BR |
dc.contributor.referee2 | Heitor Soares Ramos Filho | pt_BR |
dc.contributor.referee3 | Gisele Lobo Pappa | pt_BR |
dc.contributor.referee4 | Elizabeth Fialho Wanner | pt_BR |
dc.creator | Caio Mário Henriques Silva da Rocha Mesquita | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9071526158656506 | pt_BR |
dc.date.accessioned | 2024-07-31T16:34:11Z | - |
dc.date.available | 2024-07-31T16:34:11Z | - |
dc.date.issued | 2024-02-22 | - |
dc.identifier.uri | http://hdl.handle.net/1843/72181 | - |
dc.description.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. | pt_BR |
dc.description.resumo | 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. | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.subject | Copula functions | pt_BR |
dc.subject | Realized volatility | pt_BR |
dc.subject | Portfolio optimization | pt_BR |
dc.subject.other | Computação – Teses | pt_BR |
dc.subject.other | Aprendizado do computador – Teses | pt_BR |
dc.subject.other | Gestão de riscos – Teses | pt_BR |
dc.subject.other | Mercado financeiro - Portifólios - Teses | pt_BR |
dc.title | Scenario generation for financial data: a machine learning dynamic copula approach based on realized volatility and correlation | pt_BR |
dc.type | Tese | pt_BR |
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.