Aplicando aprendizado por máquina na seleção de fundos de ações brasileiros

• Ano de defesa: 2023
• Autor(a) principal: Sterenfeld, David
• Orientador(a): Fernandes, Marcelo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado por máquina; Floresta aleatória; Fundos de ações
• Palavras-chave em Inglês: Machine learning; Random forest; Stock funds
• Link de acesso: https://hdl.handle.net/10438/34716

Este estudo visa determinar se algoritmos de aprendizado por máquina podem, com base em informações públicas acessíveis ao investidor, identificar fundos de ações brasileiros com desempenho superior. Esta linha de pesquisa é importante porque diversos estudos indicam dificuldade em utilizar características individuais ou métodos lineares no âmbito de seleção de fundos. Treinamos um modelo para prever, trimestralmente, três métricas úteis para a seleção de fundos: retorno, razão retorno-risco e retorno anormal. Utilizamos o algoritmo de floresta aleatória para prever o desempenho de fundos de ações brasileiros entre 2010 a 2022, construindo portfólios sintéticos a partir dessas previsões. A seleção de fundos baseada em previsões de retorno anormal supera as que utilizam previsões de retorno ou da relação retorno-risco. A análise revela que o modelo baseado em retorno anormal pode ser eficaz para filtrar os fundos de pior desempenho: um portfólio composto pelos fundos com o menor desempenho esperado apresenta um alfa mensal de -0,6%, estatisticamente significativo. O modelo é eficaz em selecionar fundos e montar uma estratégia que supera o IBrX-100 na avaliação empírica. No entanto, esse portfólio sintético não apresenta alfa positivo. Ademais, ao comparar com modelos alternativos, observamos um ganho ao empregar um modelo não linear em detrimento de um linear, mas a diferenças entre os resultados dos modelos não lineares testados é economicamente pequena.