Precificação de ativos via Machine Learning: uma extensão de métodos lineares esparsos

• Ano de defesa: 2020
• Autor(a) principal: Nascimento, Caio de Angelis
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Asset pricing; Estrutura a termo do retorno esperado; Gestão de portfólios; Machine learning; Portfolio management; Precificação de ativos; Term structure of the expected return
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/96/96131/tde-08052020-162550/

Neste trabalho utilizamos uma classe de modelos de não arbitragem e métodos de estimação baseados em ferramentas de Machine Learning para prever o prêmio de risco ao longo do tempo. A pesquisa inova em adicionar modelos de alta dimensão esparsos para precificação de ativos, como modelos de vetores autoregressivos esparsos, análise de componentes principais esparsos (SPCA), combinação de métodos de penalização como pré-seleção de variáveis e e outros modelos econométricos baseados em esparsidade. Também consideramos como extensão aos modelos existentes na literatura de alta de dimensão analisados na pesquisa correções nos estimadores de matrizes de covariância, adicionando estimadores considerando dependência de longo prazo. A base de dados utilizada consiste de 630 séries temporais relacionadas ao mercado Brasileiro, contendo variáveis macroeconômicas, setoriais e especificas dos ativos, divididas em quatro diferentes espaços de tempo (dia, mês, trimestre e ano). Como resultado principal foi desenvolvida uma estrutura a termo do prêmio de risco de um conjunto de ativos selecionados, chegando a encontrar um R2 para previsões de fora da amostra de aproximadamente 91% para o Índice IBOVESPA. Com objetivo de testar a capacidade de geração de alpha dos modelos desenvolvidos na pesquisa, foram desenvolvidas estratégias de Long-Short e Long-Only compostas pelos ativos analisados de 1 de janeiro de 2016 até 31 de dezembro de 2017, apresentando índice de Sharpe de 3,030 e um retorno acumulado de 157,07% no período.