Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
2 resultados
Resultados da Pesquisa
Dissertação Prêmio de risco em fundos de investimento imobiliário e sua aplicação em uma estratégia quantitativa de valor(2021) Sanches, Lucas LancellottiOs fundos de investimento imobiliário são um mercado de mais de um trilhão de dólares apenas nos Estados Unidos, porém a literatura não possui grande foco nesses ativos. Este trabalhobusca realizar a análise deles, estudando sua relação com as outras classes de ativos e os fatores de risco que determinam seus retornos, estendendo uma pequena literatura especializada no tema. O que se observa é que, enquanto o beta de mercado para os fundos imobiliários é próximo de 1 para os Estados Unidos, no Brasil esse coeficiente é próximo de 0,3, indicando menor risco sistemático. Em relação aos fatores de risco determinantes dos seus retornos, além do fator de mercado, observa-se que principalmente os fatores de tamanho e de valor são significantes. A principal aplicação dos resultados deste trabalho se faz por meio de uma estratégia sistemática que arbitra momentos em que os fundos imobiliários estão relativamente mais caros ou mais baratos. Essa estratégia fornece um índice de Sharpe de 0,4233 nos Estados Unidos; valor superior aos índices encontrados em estratégias unicamente com posições compradas nos mercados analisados. Mesmo depois de testes de robustez, os resultados continuam interessantes; o que pode, por fim, ser explorado pela indústria e pela academiaDissertação 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.