Otimização de portfólio usando sinais de trading gerados via Machine Learning

Abstract

Esse 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.

This study aims to analyze the performance of optimized portfolios based on the methodology developed by Brandt, Santa-Clara, and Valkanov (2009), combined with trading signals generated via Machine Learning models. The mentioned methodology allows the weights of each asset in the portfolio to be defined as a function of their characteristics, while the signals are used to associate this information with a prediction of which assets will perform better or worse than the market median, improving the selection of assets that will be in the optimized portfolio. The analysis will be conducted through stocks in the Brazilian market, while the chosen characteristics will be their financial ratios, and the models used in generating the signals will initially include Logit, Random Forest, XGBoost, Support Vector Classifier (SVC), k-NN, and Naive Bayes.