A parametric portfolio optimization model using signals generated via machine learning

dc.contributor.advisorADRIANA BRUSCATO BORTOLUZZO
dc.contributor.authorColnaghi, Nelly Pires
dc.coverage.spatialSão Paulo, SPpt_BR
dc.creatorColnaghi, Nelly Pires
dc.date.accessioned2021-09-13T03:22:19Z
dc.date.accessioned2021-05-23T22:24:52Z
dc.date.available2021-09-13T03:22:19Z
dc.date.available2021
dc.date.available2021-05-23T22:24:52Z
dc.date.issued2021
dc.date.submitted2021
dc.description.abstractEste 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.pt_BR
dc.description.otherThis work consists on a portfolio optimization model based on trading signals generated from financial ratios for the identification of mispriced stocks. The signals stem from machine learning models, fitted to predict future stock returns using the aforementioned indicators. These models comprehend classifiers such as Logit, Random Forest, Support Vector Classifier (SVC), k-NN, and Naïve Bayes. The trading signals produced specify which stocks should outperform the market median, and which ones should underperform. To incorporate these signals into the optimization model, the parameterization technique proposed by Brandt, Santa-Clara and Valkanov (2009) was chosen, allowing the weights of the portfolio stocks to be expressed as a function of each stock characteristic, i.e. the corresponding trading signals. An empirical analysis using data from the Brazilian stock market was designed to verify the performance of the proposed optimization model. The results show that the selected machine learning models attain an average out-of-sample accuracy of 64% in predicting stock price direction. In addition, the optimal portfolio outperforms all the benchmarks in terms of risk-adjusted returns. Finally, the results also demonstrate that the combination of machine learning and the approach developed by Brandt, Santa-Clara and Valkanov (2009) is superior to a portfolio built solely using fundamental ratios without converting them into trading signals through machine learning models.pt_BR
dc.format.extent87 p.pt_BR
dc.identifier.urihttps://www.repositorio.insper.edu.br/handle/11224/2856
dc.language.isoInglêspt_BR
dc.rights.uriTODOS OS DOCUMENTOS DESSA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM.pt_BR
dc.subjectMachine Learning. Otimização de Portfólio. Análise Fundamentalistapt_BR
dc.subjectMachine Learning. Portfolio Optimization. Fundamental Analysispt_BR
dc.titleA parametric portfolio optimization model using signals generated via machine learningpt_BR
dc.typemaster thesis
dspace.entity.typePublication
local.contributor.boardmemberBortoluzzo, Mauricio Mesquita
local.contributor.boardmemberAraujo, Michael Viriato
local.typeDissertaçãopt_BR
relation.isAdvisorOfPublicationccfd47d5-bd80-4464-98ce-629abb672e3d
relation.isAdvisorOfPublication.latestForDiscoveryccfd47d5-bd80-4464-98ce-629abb672e3d
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Nelly Pires.pdf
Tamanho:
1021.73 KB
Formato:
Adobe Portable Document Format
Licença do Pacote
Agora exibindo 1 - 1 de 1
N/D
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Plain Text
Descrição: