Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro

Carregando...
Imagem de Miniatura
Data
2020
Orientador(res)
Araújo, Gustavo Silva
Título da Revista
ISSN da Revista
Título de Volume
Resumo

Em um cenário de crescimento global da quantidade de fundos quantitativos verifica-se uma necessidade de ampliar os estudos voltados a esta temática de fundos no Brasil. A ideia para o desenvolvimento do modelo deste trabalho iniciou-se com a percepção do aumento da competitividade da indústria de distribuição de investimentos, cada dia provendo soluções melhores e mais acessíveis em termos de custos e diversificação a diversos seguimentos de clientes. Com o adendo de tecnologias acessíveis para previsão a partir de séries de dados, um novo leque de possiblidades para o mundo de finanças foi aberto. Com o objetivo de construir portfólios de ativos de renda variável, foi utilizado um algoritmo de machine learning, chamado Long-Short Term Memory (LSTM), e indicadores de análise técnica, através da linguagem Python. Deste modo, o estudo propõe a obtenção de carteiras com uma melhor relação risco retorno em relação ao seu benchmark. Para o estudo foi utilizado uma amostra composta de 50 ações do Ibovespa, com informações de preços entre 2009 e 2018, construiu-se indicadores de análise técnica a partir destes dados e, com essas informações geradas, utilizou-se o algoritmo LSTM para prever o retorno esperado, a partir destes retornos a volatilidade, ambas para o período de 2019. Destes resultados foi utilizada a metodologia de alocação proposta por Markowitz para a obtenção do portfólio de melhor índice de Sharpe e o de menor volatilidade. Após a utilização da metodologia descrita, obteve-se seis portfólios, três desses com o melhor índice de Sharpe e três com a menor volatilidade. Adicionalmente, dado o grande estresse vivenciado no mundo causado pela pandemia do COVID-19, com destaque para o mercado financeiro, os mesmos portfólios foram avaliados em simulações que contemplam apenas o período de janeiro de 2020 a setembro de 2020, com o intuito de testar o modelo em condições severas de estresse de mercado.


Descrição