[pt] ENSAIOS EM PROBLEMAS DE OTIMIZAÇÃO DE CARTEIRAS SOB INCERTEZA

• Ano de defesa: 2019
• Autor(a) principal: BETINA DODSWORTH MARTINS FROMENT FERNANDES
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] OTIMIZACAO ROBUSTA; [pt] INCERTEZA DE DISTRIBUICAO; [pt] ALGORITMOS DE APRENDIZADO; [pt] ALOCACAO DINAMICA DE CARTEIRAS; [en] ROBUST OPTIMIZATION; [en] DISTRIBUTION UNCERTAINTY; [en] LEARNING ALGORITHMS; [en] DYNAMIC ASSET ALLOCATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=37857&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=37857&idi=2; http://doi.org/10.17771/PUCRio.acad.37857

[pt] Nesta tese buscamos fornecer duas diferentes abordagens para a otimização de carteiras de ativos sob incerteza. Demonstramos como a incerteza acerca da distribuição dos retornos esperados pode ser incorporada nas decisões de alocação de ativos, utilizando as seguintes ferramentas: (1) uma extensão da metodologia Bayesiana proposta por Black e Litterman através de uma estratégia de negociação dinâmica construída sobre um modelo de aprendizagem com base na análise fundamentalista, (2 ) uma abordagem adaptativa baseada em técnicas de otimização robusta. Esta última abordagem é apresentada em duas diferentes especificações: uma modelagem robusta com base em uma análise puramente empírica e uma extensão da modelagem robusta proposta por Bertsimas e Sim em 2004. Para avaliar a importância dos modelos propostos no tratamento da incerteza na distribuição dos retornos examinamos a extensão das mudanças nas carteiras ótimas geradas. As principais conclusões são: (a ) é possível obter carteiras ótimas menos influenciadas por erros de estimação, ( b ) tais carteiras são capazes de gerar retornos estatisticamente superiores com perdas bem controladas, quando comparadas com carteiras ótimas de Markowitz e índices de referência selecionados.