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

• Ano de defesa: 2023
• Autor(a) principal: Silva, Marcus Oliveira da
• Orientador(a): Vartanian, Pedro Raffy
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: aprendizado de máquina; precificação de ativos; previsão de retornos; alocação de portfólios; ações brasileiras
• Link de acesso: https://dspace.mackenzie.br/handle/10899/32442

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.