A parametric portfolio optimization model using signals generated via machine learning

Abstract

Este trabalho consiste em um modelo de otimização de portfólio baseado em sinais de trading, gerados por indicadores financeiros para a identificação de ações mal precificadas. Os sinais partem de modelos de machine learning, ajustados para prever os retornos futuros das ações a partir dos indicadores mencionados. Esses modelos compreendem classificadores como Logit, Random Forest, Support Vector Classifier (SVC), k-NN e Naïve Bayes. Os sinais de trading produzidos especificam quais ações devem superar o desempenho mediano do mercado e quais devem apresentar um desempenho inferior. Para incorporar esses sinais ao modelo de otimização, foi escolhida a técnica de parametrização proposta por Brandt, Santa-Clara and Valkanov (2009), permitindo que os pesos das ações do portfólio sejam expressos em função das características de cada ação, ou seja, os respectivos sinais de trading. Uma análise empírica utilizando dados do mercado de ações brasileiro foi elaborada para verificar o desempenho do modelo de otimização proposto. Os resultados mostram que os modelos de machine learning selecionados atingem uma precisão média fora da amostra de 64% na previsão da direção do preço das ações. Além disso, o portfólio otimizado supera todos os benchmarks em termos de retorno ajustado ao risco. Por fim, os resultados também demonstram que a combinação de machine learning e a abordagem desenvolvida por Brandt, Santa-Clara and Valkanov (2009) é superior a um portfólio construído apenas usando indicadores fundamentalistas, sem convertê-los em sinais de trading através de modelos de machine learning.