Previsão através de técnicas de machine learning de períodos risk-off no Brasil

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Fernandes, Carlos Vinícius Cotrim
Orientador(a): Não Informado pela instituição
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:
Risk-on
Risk-off
K-médias
Cluster Hierárquico
Random Forest
Machine learning
portfólio 60/40
K-means
Hierarchical Cluster
60/40 portfolio
Link de acesso: https://repositorio.insper.edu.br/handle/11224/6030
Resumo: Este artigo utiliza técnicas de machine learning como K-médias e clusters hierárquicos e o comovimento dos principais ativos financeiros brasileiros ligados aos mercados de juros, câmbio e renda variável para identificar períodos popularmente conhecidos como risk-on e risk-off no Brasil. Após identificar os períodos, busco prevê-los com o uso de diversas variáveis macroeconômicas em defasagens de três, seis e doze meses com relação aos períodos encontrados e Random Forests. Aqui temos a contribuição relevante de variáveis não frequentemente utilizadas para previsões como dados de emprego e índices de preços. Por fim, realizo simulações de carteiras com os ativos brasileiros e as previsões obtidas, buscando mostrar uma aplicação possível para os períodos risk-off encontrados e as previsões das Random Forests, nessas simulações temos ganho de rentabilidade independente da defasagem em relação ao portfólio 60/40 e ganho de rentabilidade das defasagens 6 e 12 meses em relação ao CDI
id INSP_02b6673f82fc5b41bfae99a0cedffa5f
oai_identifier_str oai:repositorio.insper.edu.br:11224/6030
network_acronym_str INSP
network_name_str Repositório Institucional da INSPER
repository_id_str
spelling Previsão através de técnicas de machine learning de períodos risk-off no BrasilRisk-onRisk-offK-médiasCluster HierárquicoRandom ForestMachine learningportfólio 60/40Risk-onRisk-offK-meansHierarchical ClusterRandom ForestMachine learning60/40 portfolioEste artigo utiliza técnicas de machine learning como K-médias e clusters hierárquicos e o comovimento dos principais ativos financeiros brasileiros ligados aos mercados de juros, câmbio e renda variável para identificar períodos popularmente conhecidos como risk-on e risk-off no Brasil. Após identificar os períodos, busco prevê-los com o uso de diversas variáveis macroeconômicas em defasagens de três, seis e doze meses com relação aos períodos encontrados e Random Forests. Aqui temos a contribuição relevante de variáveis não frequentemente utilizadas para previsões como dados de emprego e índices de preços. Por fim, realizo simulações de carteiras com os ativos brasileiros e as previsões obtidas, buscando mostrar uma aplicação possível para os períodos risk-off encontrados e as previsões das Random Forests, nessas simulações temos ganho de rentabilidade independente da defasagem em relação ao portfólio 60/40 e ganho de rentabilidade das defasagens 6 e 12 meses em relação ao CDIThis article uses machine learning techniques such as K-means and hierarchical clusters and the movement of the main Brazilian financial assets to identify periods popularly known as risk-on and risk-off in Brazil. After identifying the periods, I seek to predict them using several macroeconomic variables in lags of three, six and twelve months in relation to the periods found above and Random Forests. Here we have the relevant contribution of variables not frequently used for forecasts such as employment data and price indices. Finally, I carry out portfolio simulations with Brazilian assets and the forecasts obtained, seeking to show one possible application for the risk-off periods found and the predictions of Random Forests, in these simulations we have a gain in profitability regardless of the lag in relation to the portfolio 60/ 40 and profitability gain from lags of six and twelve months in relation to the CDI.MestradoDIOGO ABRY GUILLENFernandes, Carlos Vinícius CotrimFernandes, Carlos Vinícius Cotrim2023-08-23T17:44:29Z2023-08-23T17:44:29Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis33 p.Digitalapplication/pdfhttps://repositorio.insper.edu.br/handle/11224/6030BrasilSão PauloTODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEMinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da INSPERinstname:Instituição de Ensino Superior e de Pesquisa (INSPER)instacron:INSPER2025-06-12T13:36:36Zoai:repositorio.insper.edu.br:11224/6030Biblioteca Digital de Teses e Dissertaçõeshttps://www.insper.edu.br/biblioteca-telles/PRIhttps://repositorio.insper.edu.br/oai/requestbiblioteca@insper.edu.br || conteudobiblioteca@insper.edu.bropendoar:2025-06-12T13:36:36Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)false
dc.title.none.fl_str_mv Previsão através de técnicas de machine learning de períodos risk-off no Brasil
title Previsão através de técnicas de machine learning de períodos risk-off no Brasil
spellingShingle Previsão através de técnicas de machine learning de períodos risk-off no Brasil
Fernandes, Carlos Vinícius Cotrim
Risk-on
Risk-off
K-médias
Cluster Hierárquico
Random Forest
Machine learning
portfólio 60/40
Risk-on
Risk-off
K-means
Hierarchical Cluster
Random Forest
Machine learning
60/40 portfolio
title_short Previsão através de técnicas de machine learning de períodos risk-off no Brasil
title_full Previsão através de técnicas de machine learning de períodos risk-off no Brasil
title_fullStr Previsão através de técnicas de machine learning de períodos risk-off no Brasil
title_full_unstemmed Previsão através de técnicas de machine learning de períodos risk-off no Brasil
title_sort Previsão através de técnicas de machine learning de períodos risk-off no Brasil
author Fernandes, Carlos Vinícius Cotrim
author_facet Fernandes, Carlos Vinícius Cotrim
author_role author
dc.contributor.none.fl_str_mv DIOGO ABRY GUILLEN
dc.contributor.author.fl_str_mv Fernandes, Carlos Vinícius Cotrim
Fernandes, Carlos Vinícius Cotrim
dc.subject.por.fl_str_mv Risk-on
Risk-off
K-médias
Cluster Hierárquico
Random Forest
Machine learning
portfólio 60/40
Risk-on
Risk-off
K-means
Hierarchical Cluster
Random Forest
Machine learning
60/40 portfolio
topic Risk-on
Risk-off
K-médias
Cluster Hierárquico
Random Forest
Machine learning
portfólio 60/40
Risk-on
Risk-off
K-means
Hierarchical Cluster
Random Forest
Machine learning
60/40 portfolio
description Este artigo utiliza técnicas de machine learning como K-médias e clusters hierárquicos e o comovimento dos principais ativos financeiros brasileiros ligados aos mercados de juros, câmbio e renda variável para identificar períodos popularmente conhecidos como risk-on e risk-off no Brasil. Após identificar os períodos, busco prevê-los com o uso de diversas variáveis macroeconômicas em defasagens de três, seis e doze meses com relação aos períodos encontrados e Random Forests. Aqui temos a contribuição relevante de variáveis não frequentemente utilizadas para previsões como dados de emprego e índices de preços. Por fim, realizo simulações de carteiras com os ativos brasileiros e as previsões obtidas, buscando mostrar uma aplicação possível para os períodos risk-off encontrados e as previsões das Random Forests, nessas simulações temos ganho de rentabilidade independente da defasagem em relação ao portfólio 60/40 e ganho de rentabilidade das defasagens 6 e 12 meses em relação ao CDI
publishDate 2022
dc.date.none.fl_str_mv 2022
2023-08-23T17:44:29Z
2023-08-23T17:44:29Z
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://repositorio.insper.edu.br/handle/11224/6030
url https://repositorio.insper.edu.br/handle/11224/6030
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.format.none.fl_str_mv 33 p.
Digital
application/pdf
dc.coverage.none.fl_str_mv Brasil
São Paulo
dc.source.none.fl_str_mv reponame:Repositório Institucional da INSPER
instname:Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron:INSPER
instname_str Instituição de Ensino Superior e de Pesquisa (INSPER)
instacron_str INSPER
institution INSPER
reponame_str Repositório Institucional da INSPER
collection Repositório Institucional da INSPER
repository.name.fl_str_mv Repositório Institucional da INSPER - Instituição de Ensino Superior e de Pesquisa (INSPER)
repository.mail.fl_str_mv biblioteca@insper.edu.br || conteudobiblioteca@insper.edu.br
_version_ 1851941743756312576

Registros relacionados