Um framework para alocação de portifólios baseada em agrupamento particional

• Ano de defesa: 2019
• Autor(a) principal: Duarte, Flávio Gabriel
• Orientador(a): Castro, Leandro Nunes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: alocação de ativos; ações; seleção de portfóolios; aprendizado de máquina; finanças quantitativas; framework
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://dspace.mackenzie.br/handle/10899/24509

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.