Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
FGV_983315606c406e76cf024a2ed75e93b0 |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/30275 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Coelho, Filipe FerreiraEscolas::EPGEGaglianone, Wagner PiazzaSouza, Rafael Martins deAraújo, Gustavo Silva2021-03-21T20:31:29Z2021-03-21T20:31:29Z2020https://hdl.handle.net/10438/30275Em 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.As the number of quantitative funds increase worldwide, pari passu, there is a necessity to expand the research in this area in Brazil. The idea behind the model proposed in this project started with the perception of increase in competition in the industry of financial investments, with companies providing better and more affordable solutions in terms of cost and diversification through several client segments. As new accessible data prediction technologies are launched, a whole new range of possibilities for the financial industry becomes available. Aiming the construction of Brazilian equity portfolios, a machine learning algorithm called Long-Short Term Memory (LSTM) and technical analysis indicators, through Python coding language, were used in this research. Hence, this study proposes obtaining portfolios with the best risk/return ratio comparatively with its benchmark. For this study the information of price and volume, between 2009 to 2018, for a fifty equity stocks sample of Bovespa Index (Ibovespa) were used to build technical analysis indicators and with that information the LSTM algorithm was used to generate the forward predicted returns for the 2019 year. With these results the portfolio optimization proposed by Markowitz was used to obtain the higher Sharpe Ration and the lowest volatility portfolios. Upon the use of the described methodology six portfolios were created: three with the best Sharpe Ratio and three with the lowest volatility. Additionally, given the great stress experienced in the world caused by COVID-19 pandemic, especially in the financial markets, the same portfolios were tested in simulations that only cover the period from January 2020 to September 2020, in order to test the model in severe stressful conditions.porMachine learningLSTMRedes neuraisOtimização de portfolioRenda variavelNeural networkPortfolio optimizationEquitAprendizado do computadorRedes neurais (Computação)Mercado de capitais - BrasilInvestimentosPython (Linguagem de programação de computador)Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiroinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis2020-10-15reponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVinfo:eu-repo/semantics/openAccessORIGINALFicha Folha e Trabalho Final.pdfFicha Folha e Trabalho Final.pdfFicha Catalográfica, Folha de Assinatura e Trabalho Finalapplication/pdf1252938https://repositorio.fgv.br/bitstreams/3c70cf3d-d4b9-4302-9ad6-be418457f02c/downloadba2045f1af74dc3cd8d56f2e0ed61d46MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/402350c3-7bfc-4ba0-aab0-b04064e912ab/downloaddfb340242cced38a6cca06c627998fa1MD52TEXTFicha Folha e Trabalho Final.pdf.txtFicha Folha e Trabalho Final.pdf.txtExtracted texttext/plain105301https://repositorio.fgv.br/bitstreams/931c852a-d800-4aeb-bb63-61a05aeae128/downloadb64e74555726025c40382ded970031fdMD55THUMBNAILFicha Folha e Trabalho Final.pdf.jpgFicha Folha e Trabalho Final.pdf.jpgGenerated Thumbnailimage/jpeg3095https://repositorio.fgv.br/bitstreams/90cfdad8-f164-431d-829d-fb67e65ca51f/downloadda72a999bf6faf83c189f7d363bd0d3bMD5610438/302752023-11-25 15:40:28.759open.accessoai:repositorio.fgv.br:10438/30275https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T15:40:28Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.por.fl_str_mv |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
title |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
spellingShingle |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro Coelho, Filipe Ferreira 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) |
title_short |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
title_full |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
title_fullStr |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
title_full_unstemmed |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
title_sort |
Machine learning e análise técnica como ferramentas para construção de portfólios de renda variável no mercado brasileiro |
author |
Coelho, Filipe Ferreira |
author_facet |
Coelho, Filipe Ferreira |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EPGE |
dc.contributor.member.none.fl_str_mv |
Gaglianone, Wagner Piazza Souza, Rafael Martins de |
dc.contributor.author.fl_str_mv |
Coelho, Filipe Ferreira |
dc.contributor.advisor1.fl_str_mv |
Araújo, Gustavo Silva |
contributor_str_mv |
Araújo, Gustavo Silva |
dc.subject.por.fl_str_mv |
Machine learning LSTM Redes neurais Otimização de portfolio Renda variavel |
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) |
dc.subject.eng.fl_str_mv |
Neural network Portfolio optimization Equit |
dc.subject.bibliodata.por.fl_str_mv |
Aprendizado do computador Redes neurais (Computação) Mercado de capitais - Brasil Investimentos Python (Linguagem de programação de computador) |
description |
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. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020 |
dc.date.accessioned.fl_str_mv |
2021-03-21T20:31:29Z |
dc.date.available.fl_str_mv |
2021-03-21T20:31:29Z |
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://hdl.handle.net/10438/30275 |
url |
https://hdl.handle.net/10438/30275 |
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/3c70cf3d-d4b9-4302-9ad6-be418457f02c/download https://repositorio.fgv.br/bitstreams/402350c3-7bfc-4ba0-aab0-b04064e912ab/download https://repositorio.fgv.br/bitstreams/931c852a-d800-4aeb-bb63-61a05aeae128/download https://repositorio.fgv.br/bitstreams/90cfdad8-f164-431d-829d-fb67e65ca51f/download |
bitstream.checksum.fl_str_mv |
ba2045f1af74dc3cd8d56f2e0ed61d46 dfb340242cced38a6cca06c627998fa1 b64e74555726025c40382ded970031fd da72a999bf6faf83c189f7d363bd0d3b |
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 |
|
_version_ |
1802749701617876992 |