Detalhes bibliográficos
| Ano de defesa: |
2007 |
| Autor(a) principal: |
Parreiras, Luiz Paulo Rodrigues de Freitas |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/92/92131/tde-13072023-113828/
|
Resumo: |
O objetivo desta dissertação é o desenvolvimento de um modelo de arbitragem estatística, para identificar oportunidades no mercado de ações brasileiro, através do uso de técnicas econométricas e de inteligência artificial. O conceito de arbitragem estatística envolve a busca por anomalias momentâneas nas relações de preços entre diversos ativos, de modo que, quando tais distorções sejam corrigidas, seja possível obter lucros, com consistência é baixo risco. O uso de técnicas do campo da econometria abre a possibilidade de determinar quando a relação entre dois (ou mais) ativos se desvia de um certo equilíbrio. O conceito de cointegração, aqui representado pela metodologia de Engle-Granger, permite testar a existência desse equilíbrio (mais precisamente, estacionariedade no resíduo), e determinar um modelo para aproveitar as oportunidades criadas pelos desvios. Na dissertação é apresentada uma variação da técnica de Engle-Granger que permite construir cestas de ações, cujos resíduos (ou mispricings) são cointegrados. Contudo, tomar decisões de compra e venda apenas com base em idéias de reversão à média não necessariamente é lucrativo, como será mostrado através da simulação de estratégias de arbitragem estatística implícita. As redes neurais aparecem então como uma ferramenta não-paramétrica de previsão, dada sua capacidade de se adaptar a dados com grande dose de ruído. A teoria relevante para o projeto e uso de uma rede neural é apresentada, e são discutidas aplicações dessa classe de modelos a problemas de previsão em finanças. Mais ainda, cada uma das características de uma boa rede é explorada, visando um modelo de alto desempenho. Este modelo é então combinado com o modelo de cointegração, e vai prever o comportamento futuro dos mispricings, de maneira a identificar os pontos de compra e venda destas cestas de ações. Ao fim, algumas técnicas de trading são implementadas em conjunto com os modelos, de maneira a melhorar os retornos sem aumentar os riscos, na presença de custos de transação. O modelo final é simulado fora da amostra ao longo de todo o ano de 2006, operando 29 estratégias de arbitragem simultaneamente, com retorno bastante satisfatório acima de 80%, índice de Sharpe de 3,5 e baixa correlação com o resto do mercado. |
