TODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEM.GUSTAVO BARBOSA SOARESTrofino, André Felipe Nunes2023-06-222023-06-222021https://repositorio.insper.edu.br/handle/11224/5737Esse trabalho busca expandir o conhecimento na área de finanças quantitativas sobre os fundos de investimento imobiliário americanos (Real Estate Investment Funds - REITs), uma área que carece de estudos. Deseja-se realizar um mapeamento de quais fatores são mais responsáveis pelos retornos dos fundos imobiliários, utilizando para isso métodos de aprendizado de máquina não supervisionado e supervisionado. Foram utilizados 15 anos de dados de retornos de 183 REITs que compõem o índice BBREIT US. Os dados foram extraídos a cada mês do período analisado e utilizados em um algoritmo de clustering chamado Hierarchical Clustering, agrupando os fundos em três grupos. Esse resultado é utilizado como rótulo em conjunto com 25 fatores econômicos relativos ao mês no qual o retorno foi extraído para formar painel. O conjunto desses painéis mensais foi então utilizado em um treinamento supervisionado de Decision Tree, produzindo um modelo capaz de classificar um novo fundo em um dos três grupos encontrados, baseado apenas em seus fatores econômicos. O modelo treinado fornece a importância de cada fator na classificação, e, portanto, a importância de cada fator no retorno dos fundos. Foi possível identificar 10 fatores que correspondem a 83,12% da importância de classificação. Os cinco fatores mais importantes encontrados foram: momentum, volatilidade, capitalização de mercado, beta fixo e beta de mercado, correspondendo a 52,8% da importância. Essas informações podem ser utilizadas para realizar estratégias de investimentos, como diversificação de portfolios e spread trading.60 p.DigitalPortuguêsFundos imobiliáriosAprendizado de máquinaFinanças quantitativasmaster thesisReal estate investment trustsMachine learningQuantitative finance