Precificação empírica das ações brasileiras com o uso de machine learning e gradient boosted trees: aplicação no período 2007-2022

Página do item simplificado
dc.contributor.advisorVartanian, Pedro Raffy
dc.contributor.authorSilva, Marcus Oliveira da
dc.date.accessioned2023-04-27T15:01:40Z
dc.date.available2023-04-27T15:01:40Z
dc.date.issued2023-01-30
dc.description.abstractAborda-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.pt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/32442
dc.language.isopt_BRpt_BR
dc.language.isoenpt_BR
dc.publisherUniversidade Presbiteriana Mackenzie
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectaprendizado de máquinapt_BR
dc.subjectprecificação de ativospt_BR
dc.subjectprevisão de retornospt_BR
dc.subjectalocação de portfóliospt_BR
dc.subjectações brasileiraspt_BR
dc.titlePrecificação empírica das ações brasileiras com o uso de machine learning e gradient boosted trees: aplicação no período 2007-2022pt_BR
dc.typeDissertaçãopt_BR
local.contributor.advisorLatteshttp://lattes.cnpq.br/1346230422542369pt_BR
local.contributor.advisorOrcidhttps://orcid.org/0000-0002-1492-7128pt_BR
local.contributor.authorLatteshttp://lattes.cnpq.br/4736050014936136pt_BR
local.contributor.board1Moura Junior, Álvaro Alves de
local.contributor.board1Latteshttp://lattes.cnpq.br/4390172524223604pt_BR
local.contributor.board1Orcidhttps://orcid.org/0000-0003-4272-9089pt_BR
local.contributor.board2Bortoluzzo, Adriana Bruscato
local.contributor.board2Latteshttp://lattes.cnpq.br/9322257626260192pt_BR
local.contributor.board2Orcidhttps://orcid.org/0000-0003-2872-031Xpt_BR
local.description.abstractenThis dissertation discusses the application of Machine Learning techniques, specifically the use of models based on decision trees with the Gradient Boosted Trees method, for pricing Brazilian stocks traded on the B3, considering the period from January 2007 to June 2022. Therefore, a cross-sectional prediction study of the return of Brazilian stocks during this period is proposed. This topic differs from traditional approaches by using more complex and modern modeling techniques that consider the nonlinearity of the relationships between variables. In this context, this work proposes to compare the performance of Machine Learning models with traditional linear models, as well as to analyze the use of these models in investment allocation strategies. As a result, economic gains were observed in the tree-based models. They outperformed linear methods, and the long-short portfolio strategy, created with the combination of the two winning models, generated an Annual Sharp Ratio of 0.24, a 66% improvement compared to the IBOVESPA.pt_BR
local.keywordsasset pricingpt_BR
local.keywordsreturn predictionpt_BR
local.keywordsassets allocation strategiespt_BR
local.keywordsbrazilian stockspt_BR
local.keywordsgradient boosted treespt_BR
local.keywordsmachine learningpt_BR
local.publisher.countryBrasil
local.publisher.departmentCentro de Ciências Sociais e Aplicadas (CCSA)pt_BR
local.publisher.initialsUPM
local.publisher.programAdministração de Empresaspt_BR
local.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADASpt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Marcus Oliveira da Silva.pdf
Tamanho:
1.08 MB
Formato:
Adobe Portable Document Format
Descrição:
MARCUS OLIVEIRA DA SILVA
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Economia e Mercados (M. Profissional) - Dissertações - CCSA Higienópolis