Uma extensão do Framework de Almgren-Chriss para execução ótima de transações usando aprendizado de máquina

• Ano de defesa: 2020
• Autor(a) principal: Cardoso, Sylvio Mauricio Oliveira
• Orientador(a): Chela, João Luiz, Marques, Alessandro Martim
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Aprendizado por reforço; Custos de transação; Liquidação ótima; Modelode Almgen-Chriss; Modelos híbridos
• Palavras-chave em Inglês: Reinforcement learning; Transaction cost analysis; Optimal liquidation; Almgren-Chriss models; Hybrid models
• Link de acesso: https://hdl.handle.net/10438/29884

Este trabalho busca explorar o uso do aprendizado por reforço como uma forma de melhorar uma solução analítica para o problema de liquidação ótima. Dado um determinado volume de liquidação a ser executado com um horizonte de tempo fixo e períodos de transação discretos, o objetivo será adaptar uma trajetória de liquidação gerada através de um modelo analítico de forma a torná-la dinâmica em relação a condições mais favoráveis/desfavoráveis à execução que não são levadas em conta pelo modelo base, reduzindo assim o custo operacional de transação. Replicando Hendricks e Wilcox (2014), o modelo base a ser utilizado será um modelo de Almgren-Chriss com impactos de preço lineares, um modelo já comumente utilizado para a otimização de execução em transações de mercado. Um agente é treinado para modificar a trajetória de execução gerada pelo modelo analítico, incorporando informações relativas ao volume disponível e aos spreads do mercado no momento da execução. O modelo é aplicado para ações transacionadas na B3, sendo capaz de uma redução de até 6,5% no déficit de implementação médio, comparado com o modelo base.