Machine learning applications in portfolio management theory

Detalhes bibliográficos
Autor(a) principal: Neri, Marco
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.5/29020
Resumo: Mestrado Bolonha em Finanças
id RCAP_6de8ddef70efbe9ace3988fc61af26d8
oai_identifier_str oai:www.repository.utl.pt:10400.5/29020
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Machine learning applications in portfolio management theoryMPTdiversificationMachine LearningMonte-CarloARIMAdiversificaçãoMestrado Bolonha em FinançasPortfolio management, being the practice of managing and selecting an investment strategy and allocation for a defined investor, has always aimed at maximizing return while minimizing the risk of a combination of financial securities, hence a portfolio. The financial world has been evolving since Markovitz introduced the modern portfolio theory (MPT) in 1952, although nowadays it is still widely addressed as the benchmark and foundation for optimization methods. Traditional techniques of portfolio allocation such as MPT were considered without flaws for many decades, however its implications and notions were utilized to create enhanced several newer theories over the years, such as capital asset pricing theory (CAPM), arbitrage pricing theory (APT) and many others. The technologic advancement introduced computing power and Artificial Intelligence (AI) techniques into the industry, creating the possibility of handling large and complex datasets through instructed algorithms. The scope of this analysis was to employ the oldest and most popular approach such as MPT in combination with the Monte-Carlo method, a stochastic model to simulate random portfolio, and create an investment strategy based on these assumptions. Machine Learning (ML) models were then applied to analyse their impact on the previous strategy. Specifically, a clustering algorithm was implemented to reach a high level of diversification, while an auto-regression model, such as ARIMA, aimed at predicting future stock prices. The project utilized historical data to compute the analysis and each strategy was back-tested over four years to evaluate their accuracy and performance and compared with a benchmark index, Standards and Poor (S&P 500) in this case. The results of the machine learning-based techniques showed a higher performance compared to the index benchmark, indicating a well-diversified portfolio due to the clustering algorithm and an acceptable level of accuracy for the ARIMA model. The portfolio randomly constructed displayed the lowest performance out of all the strategies and the benchmark index, since the stocks selection did not provide a high degree of diversification.A gestão de carteiras, sendo a prática de gerir e selecionar uma estratégia de investimento e alocação para um investidor definido, sempre teve como objetivo maximizar o retorno, minimizando o risco de uma combinação de títulos financeiros, portanto de uma carteira de investimento. Embora o mundo financeiro tenha evoluindo desde que Markovitz introduziu a Moderna Teoria da Carteira (MPT) em 1952, ainda hoje este modelo é a referência para os métodos de otimização das carteiras. As técnicas tradicionais de alocação de ativos, como o MPT, foram consideradas durante várias décadas. Não obstante, a partir da MPT, surgiram outras teorias, tal como o Capital Asset Pricing Model (CAPM) e a Arbitrage Pricing Theory (APT), entre várias outras. Por outro lado, o avanço tecnológico trouxe poder computacional e técnicas de Inteligência Artificial (IA) para a indústria, criando a possibilidade de tratar grandes e complexos conjuntos de dados através de algoritmos de IA. No âmbito desta análise, empregou-se a abordagem mais clássica da MPT em combinação com Monte-Carlo, um modelo estocástico para simular o comportamento do valor dos títulos e da própria carteira, de modo a criar uma estratégia de investimento com pressupostos próprios. Modelos de Machine Learning (ML) foram igualmente aplicados para analisar o seu impacto na estratégia anterior. Especificamente, foi implementado um algoritmo de agrupamento para atingir um nível de diversificação elevado. Em simultâneo, recorreu-se a um modelo de auto-regressão, ARIMA, para prever os preços futuros das ações. Foram utilizados dados históricos na implementação de cada estratégia, cada uma testada ao longo de quatro anos para avaliar sua precisão e desempenho, tendo sido comparada com um índice de referência, Standards and Poor (S&P 500) neste caso. Os resultados das técnicas baseadas em machine learning mostraram um desempenho superior em relação ao benchmark, indicando um portfólio bem diversificado, devido ao algoritmo de agrupamento, e um nível de precisão aceitável para o modelo ARIMA. A carteira construída aleatoriamente apresentou o menor desempenho entre todas as estratégias e o índice de referência, pois a seleção de ações não proporcionou alto grau de diversificação.Instituto Superior de Economia e GestãoVieira, Pedro RinoRepositório da Universidade de LisboaNeri, Marco2023-072023-07-01T00:00:00Z2024-04-13T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.5/29020engNeri, Marco (2023). “Machine learning applications in portfolio management theory”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestãoinfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-10-15T01:33:56Zoai:www.repository.utl.pt:10400.5/29020Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:35:46.606787Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Machine learning applications in portfolio management theory
title Machine learning applications in portfolio management theory
spellingShingle Machine learning applications in portfolio management theory
Neri, Marco
MPT
diversification
Machine Learning
Monte-Carlo
ARIMA
diversificação
title_short Machine learning applications in portfolio management theory
title_full Machine learning applications in portfolio management theory
title_fullStr Machine learning applications in portfolio management theory
title_full_unstemmed Machine learning applications in portfolio management theory
title_sort Machine learning applications in portfolio management theory
author Neri, Marco
author_facet Neri, Marco
author_role author
dc.contributor.none.fl_str_mv Vieira, Pedro Rino
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Neri, Marco
dc.subject.por.fl_str_mv MPT
diversification
Machine Learning
Monte-Carlo
ARIMA
diversificação
topic MPT
diversification
Machine Learning
Monte-Carlo
ARIMA
diversificação
description Mestrado Bolonha em Finanças
publishDate 2023
dc.date.none.fl_str_mv 2023-07
2023-07-01T00:00:00Z
2024-04-13T00:00:00Z
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 http://hdl.handle.net/10400.5/29020
url http://hdl.handle.net/10400.5/29020
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv Neri, Marco (2023). “Machine learning applications in portfolio management theory”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133620627046400

Registros relacionados