Apreçamento de debêntures sem liquidez usando aprendizado por máquina
Carregando...
Arquivos
Data
2025-07-25
Autores
Orientador(res)
Fernandes, Marcelo
Matsumoto, Élia Yathie
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
O objetivo desse trabalho é propor uma metodologia alternativa para apreçamento de debêntures sem liquidez, utilizando técnicas de aprendizado por máquina. O estudo compara o desempenho preditivo de modelos de regressão linear, redes neurais (RN) e árvores de decisão com gradient boosting (GBDT). Para a aplicação, utilizamos regressões cross-section, de forma a capturar os efeitos parciais dos regressores em cada ponto do tempo de forma mais precisa. Além disso, aplicamos o algoritmo de aprendizado por reforço Upper Confidence Bound (UCB), visando eficiência computacional. Como insumo para os cálculos, utilizamos debêntures indexadas ao IPCA e DI, cujas emissoras possuam balanço divulgado e com taxas indicativas divulgadas pela ANBIMA, no período amostral entre março de 2021 e setembro de 2024. Os resultados indicam que o modelo GBDT supera os demais modelos, com R² fora da amostra variando entre 68,9% e 99,2%, e média de 92,0%. Observamos que métodos de aprendizado por máquina podem complementar a tradicional marcação a mercado, oferecendo maior agilidade e assertividade na precificação de ativos ilíquidos. Além disso, a abordagem proposta permite aplicação em escala, reduzindo custos operacionais e subjetividade na análise.