Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro

• Autor(a) principal: Coelho, Filipe Ferreira
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/30275
• topic: Machine learning; LSTM; Redes neurais; Otimização de portfolio; Renda variavel; Neural network; Portfolio optimization; Equit; Aprendizado do computador; Redes neurais (Computação); Mercado de capitais - Brasil; Investimentos; Python (Linguagem de programação de computador)

Em um cenário de crescimento global da quantidade de fundos quantitativos verifica-se uma necessidade de ampliar os estudos voltados a esta temática de fundos no Brasil. A ideia para o desenvolvimento do modelo deste trabalho iniciou-se com a percepção do aumento da competitividade da indústria de distribuição de investimentos, cada dia provendo soluções melhores e mais acessíveis em termos de custos e diversificação a diversos seguimentos de clientes. Com o adendo de tecnologias acessíveis para previsão a partir de séries de dados, um novo leque de possiblidades para o mundo de finanças foi aberto. Com o objetivo de construir portfólios de ativos de renda variável, foi utilizado um algoritmo de machine learning, chamado Long-Short Term Memory (LSTM), e indicadores de análise técnica, através da linguagem Python. Deste modo, o estudo propõe a obtenção de carteiras com uma melhor relação risco retorno em relação ao seu benchmark. Para o estudo foi utilizado uma amostra composta de 50 ações do Ibovespa, com informações de preços entre 2009 e 2018, construiu-se indicadores de análise técnica a partir destes dados e, com essas informações geradas, utilizou-se o algoritmo LSTM para prever o retorno esperado, a partir destes retornos a volatilidade, ambas para o período de 2019. Destes resultados foi utilizada a metodologia de alocação proposta por Markowitz para a obtenção do portfólio de melhor índice de Sharpe e o de menor volatilidade. Após a utilização da metodologia descrita, obteve-se seis portfólios, três desses com o melhor índice de Sharpe e três com a menor volatilidade. Adicionalmente, dado o grande estresse vivenciado no mundo causado pela pandemia do COVID-19, com destaque para o mercado financeiro, os mesmos portfólios foram avaliados em simulações que contemplam apenas o período de janeiro de 2020 a setembro de 2020, com o intuito de testar o modelo em condições severas de estresse de mercado.