Previsão através de técnicas de machine learning de períodos risk-off no Brasil

Página do item simplificado
dc.contributor.advisorDIOGO ABRY GUILLEN
dc.contributor.authorFernandes, Carlos Vinícius Cotrim
dc.coverage.cidadeSão Paulopt_BR
dc.coverage.paisBrasilpt_BR
dc.creatorFernandes, Carlos Vinícius Cotrim
dc.date.accessioned2023-08-23T17:44:29Z
dc.date.available2023-08-23T17:44:29Z
dc.date.issued2022
dc.description.abstractEste artigo utiliza técnicas de machine learning como K-médias e clusters hierárquicos e o comovimento dos principais ativos financeiros brasileiros ligados aos mercados de juros, câmbio e renda variável para identificar períodos popularmente conhecidos como risk-on e risk-off no Brasil. Após identificar os períodos, busco prevê-los com o uso de diversas variáveis macroeconômicas em defasagens de três, seis e doze meses com relação aos períodos encontrados e Random Forests. Aqui temos a contribuição relevante de variáveis não frequentemente utilizadas para previsões como dados de emprego e índices de preços. Por fim, realizo simulações de carteiras com os ativos brasileiros e as previsões obtidas, buscando mostrar uma aplicação possível para os períodos risk-off encontrados e as previsões das Random Forests, nessas simulações temos ganho de rentabilidade independente da defasagem em relação ao portfólio 60/40 e ganho de rentabilidade das defasagens 6 e 12 meses em relação ao CDIpt_BR
dc.description.otherThis article uses machine learning techniques such as K-means and hierarchical clusters and the movement of the main Brazilian financial assets to identify periods popularly known as risk-on and risk-off in Brazil. After identifying the periods, I seek to predict them using several macroeconomic variables in lags of three, six and twelve months in relation to the periods found above and Random Forests. Here we have the relevant contribution of variables not frequently used for forecasts such as employment data and price indices. Finally, I carry out portfolio simulations with Brazilian assets and the forecasts obtained, seeking to show one possible application for the risk-off periods found and the predictions of Random Forests, in these simulations we have a gain in profitability regardless of the lag in relation to the portfolio 60/ 40 and profitability gain from lags of six and twelve months in relation to the CDI.pt_BR
dc.description.qualificationlevelMestradopt_BR
dc.format.extent33 p.pt_BR
dc.format.mediumDigitalpt_BR
dc.identifier.urihttps://repositorio.insper.edu.br/handle/11224/6030
dc.language.isoPortuguêspt_BR
dc.rights.licenseTODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEMpt_BR
dc.subjectRisk-onpt_BR
dc.subjectRisk-offpt_BR
dc.subjectK-médiaspt_BR
dc.subjectCluster Hierárquicopt_BR
dc.subjectRandom Forestpt_BR
dc.subjectMachine learningpt_BR
dc.subjectportfólio 60/40pt_BR
dc.subject.keywordsRisk-onpt_BR
dc.subject.keywordsRisk-offpt_BR
dc.subject.keywordsK-meanspt_BR
dc.subject.keywordsHierarchical Clusterpt_BR
dc.subject.keywordsRandom Forestpt_BR
dc.subject.keywordsMachine learningpt_BR
dc.subject.keywords60/40 portfoliopt_BR
dc.titlePrevisão através de técnicas de machine learning de períodos risk-off no Brasilpt_BR
dc.typemaster thesis
dspace.entity.typePublication
local.contributor.boardmemberMIGUEL MARIA CHARTERS DE OLIVEIRA BANDEIRA DA SILVA
local.contributor.boardmemberTakada, Hellinton Hatsuopt_BR
local.subject.cnpqCiências Exatas e da Terrapt_BR
local.typeDissertaçãopt_BR
relation.isAdvisorOfPublication42467f12-8c1d-4822-b418-d3aebeda63b8
relation.isAdvisorOfPublication.latestForDiscovery42467f12-8c1d-4822-b418-d3aebeda63b8
relation.isBoardMemberOfPublicatione069f4e5-cea5-4576-a664-ba0de500c8fd
relation.isBoardMemberOfPublication.latestForDiscoverye069f4e5-cea5-4576-a664-ba0de500c8fd
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Carlos_Vinicius_Cotrim_Fernandes - Dissertação.pdf
Tamanho:
627.87 KB
Formato:
Adobe Portable Document Format
Descrição:
Carlos_Vinicius_Cotrim_Fernandes - Dissertação
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
N/D
Nome:
license.txt
Tamanho:
282 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Mestrado Profissional em Economia