TODOS OS DOCUMENTOS DESTA COLEÇÃO PODEM SER ACESSADOS, MANTENDO-SE OS DIREITOS DOS AUTORES PELA CITAÇÃO DA ORIGEMDIOGO ABRY GUILLENFernandes, Carlos Vinícius Cotrim2023-08-232023-08-232022https://repositorio.insper.edu.br/handle/11224/6030Este 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 CDI33 p.DigitalPortuguêsRisk-onRisk-offK-médiasCluster HierárquicoRandom ForestMachine learningportfólio 60/40master thesisRisk-onRisk-offK-meansHierarchical ClusterRandom ForestMachine learning60/40 portfolio