Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Nielsen, Filipe Ferreira |
| Orientador(a): |
Fernandes, Marcelo,
Matsumoto, Élia Yathie |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Link de acesso: |
https://hdl.handle.net/10438/33128
|
Resumo: |
Portfólios otimizados com elevada quantidade de ativos dependem de matrizes de covariância de grandes dimensões. Tais casos exigem cuidado extra quanto à consistência do estimador da matriz quando o número de covariâncias estimadas supera o de observações da amostra. Visando melhorar a qualidade de portfólios com grandes dimensões, apresentamos um método de otimização em duas etapas, baseado na capacidade da setorização de ativos em melhorar o estimador amostral da matriz. O método consiste em agrupar os ativos em seus respectivos setores e otimizar cada um dos setores separadamente. Em seguida, otimiza-se os retornos dos portfólios resultantes entre si para determinar o portfólio final. No presente estudo mostramos que, para portfólios de variância mínima e de paridade de risco otimizados entre janeiro de 2015 e janeiro de 2022 com ações do mercado americano, o método traz ganhos de concentração e de rotatividade dos portfólios sem alterar seus retornos ajustados ao risco – ou mesmo melhorando-os em períodos de crise. Atingimos resultados melhores em portfólios com maior influência das covariâncias, como os de variância mínima. Dessa forma, desenvolvemos uma solução para melhorar a otimização de portfólios com grandes dimensões, sendo uma alternativa aos métodos de encolhimento da matriz de covariância e de agrupamento da matriz em blocos. |
