Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
3 resultados
Resultados da Pesquisa
Dissertação Análise de clustering dos retornos de Real Estate Investments Funds e sua relação com fatores econômicos(2021) Trofino, André Felipe NunesEsse trabalho busca expandir o conhecimento na área de finanças quantitativas sobre os fundos de investimento imobiliário americanos (Real Estate Investment Funds - REITs), uma área que carece de estudos. Deseja-se realizar um mapeamento de quais fatores são mais responsáveis pelos retornos dos fundos imobiliários, utilizando para isso métodos de aprendizado de máquina não supervisionado e supervisionado. Foram utilizados 15 anos de dados de retornos de 183 REITs que compõem o índice BBREIT US. Os dados foram extraídos a cada mês do período analisado e utilizados em um algoritmo de clustering chamado Hierarchical Clustering, agrupando os fundos em três grupos. Esse resultado é utilizado como rótulo em conjunto com 25 fatores econômicos relativos ao mês no qual o retorno foi extraído para formar painel. O conjunto desses painéis mensais foi então utilizado em um treinamento supervisionado de Decision Tree, produzindo um modelo capaz de classificar um novo fundo em um dos três grupos encontrados, baseado apenas em seus fatores econômicos. O modelo treinado fornece a importância de cada fator na classificação, e, portanto, a importância de cada fator no retorno dos fundos. Foi possível identificar 10 fatores que correspondem a 83,12% da importância de classificação. Os cinco fatores mais importantes encontrados foram: momentum, volatilidade, capitalização de mercado, beta fixo e beta de mercado, correspondendo a 52,8% da importância. Essas informações podem ser utilizadas para realizar estratégias de investimentos, como diversificação de portfolios e spread trading.Dissertação Aplicação de árvores de regressão aditivas bayesianas no desenvolvimento de modelos de escore de crédito no Brasil(2016) Brito Filho, Daniel Alves DeA análise de crédito é uma atividade fundamental para as instituições financeiras. Os modelos de escore de crédito tornaram-se uma ferramenta importante, devido à necessidade de padronização e agilidade nas análises de crédito, existindo situações em que a aprovação ou recusa do crédito é totalmente automatizada. Segundo Thomas (2009), a técnica mais utilizada na construção de modelos de escore de crédito é a regressão logística. Por outro lado, outras técnicas, reunidas sob o termo aprendizado de máquina, têm sido aplicadas em modelos de classificação. Como podemos observar em Kruppa et al. (2013) e Lessmann et al. (2015), esses modelos têm apresentado resultados superiores aos modelos de regressão logística. Este trabalho propõe uma comparação entre o modelo de regressão logística e os modelos de aprendizado de máquina BART e Random Forests. Para o desenvolvimento dos modelos foi utilizada uma base de dados fornecida pela empresa Serasa Experian contendo informações do bureau de crédito referente a clientes de operações de crédito direto ao consumidor no varejo. Para a avaliação da performance dos modelos foram utilizadas a estatística de Kolmogorov-Smirnov e o coeficiente de Gini. Também foi gerado um intervalo de confiança para a métrica área sob a curva (AUC) para testar a hipótese dos modelos possuírem a mesma performance. Como principal resultado, a análise realizada confirma a superioridade do modelo BART sobre o modelo de regressão logística no banco de dados analisado. Além disso, os resultados sugerem que o modelo Random Forests é superior ao modelo de regressão logística somente quando ajustado na amostra balanceada analisada, dado que a performance da regressão logística melhorou quanto ajustado na base de desenvolvimento desbalanceada. Os melhores modelos BART ajustados, tanto na amostra balanceada quanto na amostra desbalanceada, foram superiores ao modelo Random Forests, nos dados analisados. Porém, o modelo BART padrão e Random Forests apresentaram performance similar e não podemos afirmar que um modelo foi superior ao outro.Dissertação Aplicação de algoritmos de aprendizado de máquina no desenvolvimento de modelos de escore de crédito(2015) Silverio, MuriloRESUMO Os modelos de escore de crédito tornaram-se uma ferramenta importante para as instituições financeiras devido à necessidade de padronização e agilidade nas análises de crédito. De acordo com Thomas (2009) a regressão logística tem sido a técnica mais utilizada na construção desses modelos. Entretanto, nos últimos quinze anos, modelos baseados em algoritmos de aprendizado de máquina têm surgido e apresentado resultados superiores aos de modelos de regressão logística, como podemos observar em Kruppa et al. (2013) e Lessmann et al. (2015). Este trabalho propõe uma comparação entre modelos de regressão logística e modelos criados utilizando as técnicas de aprendizado de máquina Random Forests e Logistic Model Trees. Para o desenvolvimento do modelo foi utilizada uma base de dados fornecida por uma instituição financeira, referente a uma operação de crédito direto ao consumidor. A estatística de Kolmogorov-Smirnov e o Coeficiente de Gini foram utilizados para determinar a performance de cada modelo. Como principal resultado, este trabalho confirma a superioridade do modelo de Random Forests sobre o modelo de regressão logística, o mesmo não acontecendo com o modelo de Logistic Model Trees.