Um framework para alocação de portifólios baseada em agrupamento particional
Carregando...
Tipo
Dissertação
Data de publicação
2019-08-15
Periódico
Citações (Scopus)
Autores
Duarte, Flávio Gabriel
Orientador
Castro, Leandro Nunes de
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Silveira, Ismar Frango
França, Fabrício Olivetti de
França, Fabrício Olivetti de
Programa
Engenharia Elétrica
Resumo
Essa dissertação propõe um framework baseado em agrupamento particional para a alocação
de recursos em um conjunto de ativos a partir da correlação entre eles. O objetivo do
framework é fornecer uma técnica de alocação para ajudar investidores a melhorarem seu
processo de investimento, sugerindo a alocação usando as informações sobre os grupos
gerados a partir de um algoritmo de agrupamento. Este trabalho é diferente das abordagens
já propostas na literatura, que utilizam essencialmente algoritmos de agrupamento
hierárquico, pois ele está embasado em algoritmos particionais com diferentes propostas
para alocação intragrupo e intergrupo. Para determinar o percentual de alocação dos
ativos em cada grupo (intragrupo) foram propostas duas técnicas: o método da roleta
e o método nebuloso. Para a alocação intergrupo foram utilizados um método baseado
na roleta e um método equilibrado. Experimentos foram realizados utilizando dados da
Bolsa de Valores Brasileira e os ativos elegíveis para entrarem na alocação foram os que
faziam parte do índice Ibovespa no momento do rebalanceamento do portfólio. Os resultados
foram comparados com outros métodos de alocação e com o próprio índice Ibovespa.
O framework proposto ilustra o potencial das técnicas de aprendizagem de máquina na
otimização do portfólio de ações.
Descrição
Palavras-chave
alocação de ativos , ações , seleção de portfóolios , aprendizado de máquina , finanças quantitativas , framework
Assuntos Scopus
Citação
DUARTE, Flávio Gabriel. Um framework para alocação de portifólios baseada em agrupamento particional. 2019. 76 f. Dissertação (Mestrado em Engenharia Elétrica e Computação) - Universidade Presbiteriana Mackenzie, São Paulo, 2019.