Utilização de machine learning e otimização combinatória para o desenvolvimento de políticas de gestão de portfólios de ações.

Abstract

O presente trabalho comparou quatro políticas de investimento utilizando técnicas de inferência computacional por aprendizagem de máquina, programação matemática e simulação. Foram usados dados históricos de 20 ativos da bolsa de valores do mercado brasileiro durante 5 anos. Os dados foram divididos, sendo destinados os dados dos 4 últimos meses para teste e o restante como treino. Dois algoritmos de aprendizagem de máquina (essemble stacking e rede neural) foram treinados para inferir os valores diários dos ativos. Com essas inferências, foram geradas carteiras de investimento otimizadas por uma adaptação do Modelo de Markowitz. Em seguida, foram simulados valores diários pelo algoritimo Movimento Geométrico Browniano e sua variação com saltos. O trabalho analisou os retornos das políticas de investimento de carteiras estáticas e dinâmicas no período de teste. Com a realização de testes estatísticos, foi possível observar que o modelo essemble stacking teve uma melhor adaptação ao conjunto de dados. Além disso, as políticas que utilizavam carteiras dinâmicas obtiveram um maior valor de retorno.