Precificação empírica das ações brasileiras com o uso de machine learning e gradient boosted trees: aplicação no período 2007-2022
Carregando...
Tipo
Dissertação
Data de publicação
2023-01-30
Periódico
Citações (Scopus)
Autores
Silva, Marcus Oliveira da
Orientador
Vartanian, Pedro Raffy
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Moura Junior, Álvaro Alves de
Bortoluzzo, Adriana Bruscato
Bortoluzzo, Adriana Bruscato
Programa
Administração de Empresas
Resumo
Aborda-se, nesta disserta¸c˜ao, a aplica¸c˜ao de t´ecnicas de Machine Learning (Aprendizado
de M´aquina), mais especificamente em rela¸c˜ao ao uso de modelos baseados em
´arvores de decis˜ao com o m´etodo de Gradient Boosted Trees, para a precifica¸c˜ao das a¸c˜oes
brasileiras negociadas na B3, considerando-se o per´ıodo de janeiro de 2007 at´e junho de
2022. Nesse sentido, prop˜oe-se um estudo de previs˜ao cross-sectional do retorno das a¸c˜oes
brasileiras nesse per´ıodo. Esse tema se diferencia das abordagens tradicionais em virtude
de utilizar t´ecnicas de modelagem mais complexas e modernas que consideram a n˜ao linearidade
das rela¸c˜oes entre as vari´aveis. Nesse contexto, no presente trabalho, prop˜oe-se:
a compara¸c˜ao do desempenho dos modelos de Machine Learning com modelos lineares
tradicionais e tamb´em a an´alise do uso desses modelos em estrat´egias de aloca¸c˜ao de
investimento. Como resultado, observaram-se ganhos econˆomicos nos modelos baseados
em ´arvores. Estes superaram os m´etodos lineares, e a estrat´egia de portf´olio long-short,
montada com a combina¸c˜ao dos dois modelos campe˜oes, gerou um Sharp Ratio Anual de
0.24, um resultado 66% superior ao do IBOVESPA.
Descrição
Palavras-chave
aprendizado de máquina , precificação de ativos , previsão de retornos , alocação de portfólios , ações brasileiras