Seleção de fundos multimercado : uma aplicação de modelos de machine learning

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Tsurumaki, Ludmilla Ayumi Tadano
Orientador(a): Marques, Alessandro Martim, Matsumoto, Élia Yathie
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Fundos de investimento
Fundos multimercado
Aprendizado de máquina
Seleção de fundos
Regressão logística
Palavras-chave em Inglês:
Random forest
Bagging
Boosting
K-NN
Investment funds
Multimarket funds
Machine learning
Fund selection
Logistic regression
Link de acesso: https://hdl.handle.net/10438/37311
Resumo: Este trabalho propõe uma abordagem sistemática para seleção de carteiras de fundos multimercado com potencial de desempenho superior ao mercado, representado pelo Índice de Hedge Funds ANBIMA (IHFA). Utilizando dados públicos da Comissão de Valores Mobiliários (CVM), foram analisadas informações históricas e características operacionais de fundos brasileiros entre 2009 e 2024. Diferentes modelos de aprendizado supervisionado foram avaliados — incluindo Regressão Logística, Random Forest com bagging ou com boosting, e K-Vizinhos mais Próximos (K-NN) — com o objetivo de prever, com base em variáveis ex-ante, os fundos que se destacarão em termos de índice de Sharpe no ano seguinte. As previsões alimentaram a construção anual de carteiras equiponderadas, posteriormente avaliadas por backtests. Os resultados apontam que os modelos baseados em árvores, especialmente o Random Forest tradicional, apresentaram melhor desempenho, com retornos ajustados ao risco superiores ao CDI e ao IHFA, mesmo após a inclusão de custos tributários. A análise reforça o potencial do uso de técnicas de machine learning na alocação de capital em fundos de investimento no Brasil.
id FGV_b5e7fc7484fb7bf7a43b5753eccd881e
oai_identifier_str oai:repositorio.fgv.br:10438/37311
network_acronym_str FGV
network_name_str Repositório Institucional do FGV (FGV Repositório Digital)
repository_id_str
spelling Tsurumaki, Ludmilla Ayumi TadanoEscolas::EESPLoures, Renato Falci VillelaMarques, Alessandro MartimMatsumoto, Élia Yathie2025-08-05T20:36:30Z2025-08-05T20:36:30Z2025-08-04https://hdl.handle.net/10438/37311Este trabalho propõe uma abordagem sistemática para seleção de carteiras de fundos multimercado com potencial de desempenho superior ao mercado, representado pelo Índice de Hedge Funds ANBIMA (IHFA). Utilizando dados públicos da Comissão de Valores Mobiliários (CVM), foram analisadas informações históricas e características operacionais de fundos brasileiros entre 2009 e 2024. Diferentes modelos de aprendizado supervisionado foram avaliados — incluindo Regressão Logística, Random Forest com bagging ou com boosting, e K-Vizinhos mais Próximos (K-NN) — com o objetivo de prever, com base em variáveis ex-ante, os fundos que se destacarão em termos de índice de Sharpe no ano seguinte. As previsões alimentaram a construção anual de carteiras equiponderadas, posteriormente avaliadas por backtests. Os resultados apontam que os modelos baseados em árvores, especialmente o Random Forest tradicional, apresentaram melhor desempenho, com retornos ajustados ao risco superiores ao CDI e ao IHFA, mesmo após a inclusão de custos tributários. A análise reforça o potencial do uso de técnicas de machine learning na alocação de capital em fundos de investimento no Brasil.This study proposes a systematic approach for selecting multimarket fund portfolios with the potential to outperform the market, represented by the ANBIMA Hedge Fund Index (IHFA). Using public data from the Brazilian Securities and Exchange Commission (CVM), historical and operational characteristics of Brazilian funds between 2009 and 2024 were analyzed. Several supervised learning models were evaluated — including Logistic Regression, Random Forest with bagging or boosting, and K-Nearest Neighbors (K-NN) — with the objective of predicting, based on ex-ante variables, which funds would stand out in terms of Sharpe ratio in the following year. The forecasts were used to construct equally weighted portfolios on an annual basis, which were then evaluated through backtests. The results indicate that tree-based models, especially the traditional Random Forest, delivered superior performance, with risk-adjusted returns above both the CDI and IHFA, even after accounting for tax costs. The analysis reinforces the potential of machine learning techniques to enhance capital allocation decisions in the Brazilian investment fund market.porFundos de investimentoFundos multimercadoAprendizado de máquinaSeleção de fundosRegressão logísticaRandom forestBaggingBoostingK-NNInvestment fundsMultimarket fundsMachine learningFund selectionLogistic regressionEconomiaFundos de investimentosInvestimentos - AnáliseAprendizado do computadorÁrvores de decisãoSeleção de fundos multimercado : uma aplicação de modelos de machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALDissertacao_Ludmilla_ficha.pdfDissertacao_Ludmilla_ficha.pdfPDFapplication/pdf1602413https://repositorio.fgv.br/bitstreams/ff6e4e85-0768-439b-a7a5-168d216b277c/download340102400f04addb13c3ee58ecee3c09MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/8c625c62-fc42-461e-941d-85cb4b6ebf6f/download2a4b67231f701c416a809246e7a10077MD52falseAnonymousREADTEXTDissertacao_Ludmilla_ficha.pdf.txtDissertacao_Ludmilla_ficha.pdf.txtExtracted texttext/plain103300https://repositorio.fgv.br/bitstreams/8b7b8a4b-970a-46b7-a19d-d4ad7b5208c4/download1272970c3251af046452db65167163daMD53falseAnonymousREADTHUMBNAILDissertacao_Ludmilla_ficha.pdf.jpgDissertacao_Ludmilla_ficha.pdf.jpgGenerated Thumbnailimage/jpeg2985https://repositorio.fgv.br/bitstreams/5e7e559a-b62c-41f3-9710-51eed2c30f1e/download3089debe27a18af745424bb971756ed7MD54falseAnonymousREAD10438/373112025-09-30 14:34:38.031open.accessoai:repositorio.fgv.br:10438/37311https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestbiblioteca.digital@fgv.bropendoar:39742025-09-30T14:34:38Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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
dc.title.por.fl_str_mv Seleção de fundos multimercado : uma aplicação de modelos de machine learning
title Seleção de fundos multimercado : uma aplicação de modelos de machine learning
spellingShingle Seleção de fundos multimercado : uma aplicação de modelos de machine learning
Tsurumaki, Ludmilla Ayumi Tadano
Fundos de investimento
Fundos multimercado
Aprendizado de máquina
Seleção de fundos
Regressão logística
Random forest
Bagging
Boosting
K-NN
Investment funds
Multimarket funds
Machine learning
Fund selection
Logistic regression
Economia
Fundos de investimentos
Investimentos - Análise
Aprendizado do computador
Árvores de decisão
title_short Seleção de fundos multimercado : uma aplicação de modelos de machine learning
title_full Seleção de fundos multimercado : uma aplicação de modelos de machine learning
title_fullStr Seleção de fundos multimercado : uma aplicação de modelos de machine learning
title_full_unstemmed Seleção de fundos multimercado : uma aplicação de modelos de machine learning
title_sort Seleção de fundos multimercado : uma aplicação de modelos de machine learning
author Tsurumaki, Ludmilla Ayumi Tadano
author_facet Tsurumaki, Ludmilla Ayumi Tadano
author_role author
dc.contributor.unidadefgv.por.fl_str_mv Escolas::EESP
dc.contributor.member.none.fl_str_mv Loures, Renato Falci Villela
dc.contributor.author.fl_str_mv Tsurumaki, Ludmilla Ayumi Tadano
dc.contributor.advisor1.fl_str_mv Marques, Alessandro Martim
Matsumoto, Élia Yathie
contributor_str_mv Marques, Alessandro Martim
Matsumoto, Élia Yathie
dc.subject.por.fl_str_mv Fundos de investimento
Fundos multimercado
Aprendizado de máquina
Seleção de fundos
Regressão logística
topic Fundos de investimento
Fundos multimercado
Aprendizado de máquina
Seleção de fundos
Regressão logística
Random forest
Bagging
Boosting
K-NN
Investment funds
Multimarket funds
Machine learning
Fund selection
Logistic regression
Economia
Fundos de investimentos
Investimentos - Análise
Aprendizado do computador
Árvores de decisão
dc.subject.eng.fl_str_mv Random forest
Bagging
Boosting
K-NN
Investment funds
Multimarket funds
Machine learning
Fund selection
Logistic regression
dc.subject.area.por.fl_str_mv Economia
dc.subject.bibliodata.por.fl_str_mv Fundos de investimentos
Investimentos - Análise
Aprendizado do computador
Árvores de decisão
description Este trabalho propõe uma abordagem sistemática para seleção de carteiras de fundos multimercado com potencial de desempenho superior ao mercado, representado pelo Índice de Hedge Funds ANBIMA (IHFA). Utilizando dados públicos da Comissão de Valores Mobiliários (CVM), foram analisadas informações históricas e características operacionais de fundos brasileiros entre 2009 e 2024. Diferentes modelos de aprendizado supervisionado foram avaliados — incluindo Regressão Logística, Random Forest com bagging ou com boosting, e K-Vizinhos mais Próximos (K-NN) — com o objetivo de prever, com base em variáveis ex-ante, os fundos que se destacarão em termos de índice de Sharpe no ano seguinte. As previsões alimentaram a construção anual de carteiras equiponderadas, posteriormente avaliadas por backtests. Os resultados apontam que os modelos baseados em árvores, especialmente o Random Forest tradicional, apresentaram melhor desempenho, com retornos ajustados ao risco superiores ao CDI e ao IHFA, mesmo após a inclusão de custos tributários. A análise reforça o potencial do uso de técnicas de machine learning na alocação de capital em fundos de investimento no Brasil.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-08-05T20:36:30Z
dc.date.available.fl_str_mv 2025-08-05T20:36:30Z
dc.date.issued.fl_str_mv 2025-08-04
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10438/37311
url https://hdl.handle.net/10438/37311
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional do FGV (FGV Repositório Digital)
instname:Fundação Getulio Vargas (FGV)
instacron:FGV
instname_str Fundação Getulio Vargas (FGV)
instacron_str FGV
institution FGV
reponame_str Repositório Institucional do FGV (FGV Repositório Digital)
collection Repositório Institucional do FGV (FGV Repositório Digital)
bitstream.url.fl_str_mv https://repositorio.fgv.br/bitstreams/ff6e4e85-0768-439b-a7a5-168d216b277c/download
https://repositorio.fgv.br/bitstreams/8c625c62-fc42-461e-941d-85cb4b6ebf6f/download
https://repositorio.fgv.br/bitstreams/8b7b8a4b-970a-46b7-a19d-d4ad7b5208c4/download
https://repositorio.fgv.br/bitstreams/5e7e559a-b62c-41f3-9710-51eed2c30f1e/download
bitstream.checksum.fl_str_mv 340102400f04addb13c3ee58ecee3c09
2a4b67231f701c416a809246e7a10077
1272970c3251af046452db65167163da
3089debe27a18af745424bb971756ed7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)
repository.mail.fl_str_mv biblioteca.digital@fgv.br
_version_ 1866369119227478016

Registros relacionados