Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Yamim, João Daniel Madureira
 |
| Orientador(a): |
Borges, Carlos Cristiano Hasenclever
|
| Banca de defesa: |
Xavier, Vinicius Layter
,
Todorov, Marcos Garcia
,
Cordeiro, Fernanda Finotti
,
Fonseca, Leonardo Goliatt da
|
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Juiz de Fora (UFJF)
|
| Programa de Pós-Graduação: |
Programa de Pós-graduação em Modelagem Computacional
|
| Departamento: |
ICE – Instituto de Ciências Exatas
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufjf.br/jspui/handle/ufjf/17570
|
Resumo: |
O objetivo deste trabalho é investigar o benefício da incorporação de métricas de risco econométricas na performance de algoritmos de aprendizado online para a solução do problema de alocação dinâmica de portfólio. O problema foi formulado como um processo de decisão online onde variantes do método Online Gradient Descent (OGD) são estudadas. Propõe-se três modificações no algoritmo OGD, cada uma utilizando uma forma distinta de projeção convexa. A primeira modificação inclui uma restrição baseada na estimação do beta variante no tempo durante a etapa de projeção, visando controlar o risco sistemático do portfólio. Reconhecendo que o beta por si só não captura todos os aspectos do risco, introduziu-se uma segunda modificação que incorpora o Value at Risk (VaR) como uma medida mais abrangente de risco. Essa abordagem permite um controle mais efetivo da exposição ao risco do portfólio, considerando tanto o risco sistemático quanto o não sistemático. A terceira modificação utiliza uma projeção convexa que minimiza o Conditional Value at Risk (CVaR). Esta abordagem apresentou resultados mais consistentes em termos de equilíbrio entre risco e retorno, proporcionando uma gestão de risco mais robusta e eficaz. Antes da implementação das modificações propostas, visando garantir a validade teórica e a eficiência computacional dos algoritmos desenvolvidos, demonstrou-se matematicamente a convexidade da projeção para cada uma dos métodos. O impacto da escolha da distribuição de probabilidade (normal e t de Student) na minimização do VaR durante a etapa de projeção e sua influência no desempenho e no perfil de risco das carteiras otimizadas também é investigado. As metodologias propostas são avaliadas empiricamente em diferentes conjuntos de dados brasileiros (IBOVESPA e Small Caps), considerando tanto ações de alta como de baixa capitalização em períodos de mercado distintos. Os resultados mostram que a incorporação de métricas de risco, especialmente o CVaR, no processo de otimização online permitiu um melhor controle do risco, ao mesmo tempo que mantém retornos competitivos em comparação com benchmarks de mercado e outras estratégias de otimização. A principal contribuição deste trabalho é o desenvolvimento e avaliação de metodologias que integram métricas de risco amplamente utilizadas na teoria de finanças com algoritmos de otimização online, proporcionando uma abordagem adaptativa para a gestão dinâmica de portfólios em mercados voláteis. Futuros trabalhos utilizando dados de outros mercados e novos tipos de distribuições para os retornos poderão gerar mais robustez para as metodologias desenvolvidas. |
