Trabalho de Conclusão de Curso | Graduação
URI permanente desta comunidadehttps://repositorio.insper.edu.br/handle/11224/3244
Navegar
2 resultados
Resultados da Pesquisa
Trabalho de Conclusão de Curso Otimização de portfólio usando sinais de trading gerados via Machine Learning(2024) Gurgel, Mariana MartinsEsse trabalho tem como objetivo analisar o desempenho de portfólios otimizados a partir da metodologia desenvolvida em Brandt, Santa-Clara e Valnakov (2009) associada a sinais de trading gerados via modelos de Machine Learning. A metodologia em questão permite que os pesos de cada ativo no portfólio sejam definidos como uma função de suas características, enquanto os sinais servem para associar essa informação a uma predição de quais ativos vão performar melhor ou pior que a mediana do mercado, melhorando a seleção dos ativos que estarão no portfólio otimizado. A análise foi conduzida por meio de ações do mercado brasileiro, enquanto as características escolhidas foram seus múltiplos financeiros e os modelos utilizados na geração dos sinais foram o Elastic Net, Random Forest, XGBoost, Support Vector Classifier (SVC), k-NN e Naive Bayes.Trabalho de Conclusão de Curso Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3(2024) Jou, Jia Shan SuzinA análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.