[pt] A presente dissertação tem por objetivo desenvolver um modelo inteligente que permita, por uma análise quantitativa e probabilística, gerar uma carteira otimizada composta de um ativo financeiro e opções sobre este ativo. Procurou-se estudar inicialmente as características da distribuição de retornos e da volatilidade das ações mais líquidas da Bolsa de Valores de São Paulo, no período de Jan/2005 a Jul/2010, através de regressões polinomiais univariadas e bivariadas. Observouse características como a de reversão a média da volatilidade, correlação da volatilidade futura com um período histórico mais longo e outro mais curto e uma relação possivelmente quadrática entre a volatilidade histórica e a volatilidade futura. Desenvolveu-se então, satisfatoriamente, uma rede neural para prever a volatilidade futura das ações, por este ser o fator mais crítico para se determinar o preço de uma opção. Utilizando-se da precificação das opções, avaliou-se o desempenho de algoritmos genéticos na otimização de carteiras estruturadas com esses derivativos, com três funções de avaliação diferentes, a fim de aumentar o potencial retorno de um investimento, minimizando seus riscos. O sistema evolucionário implementado demonstrou ser satisfatório quando comparado a carteira otimizada com diversas outras estratégias comuns de mercado, demonstrando ser uma alternativa de apoio a decisão para investidores e gestores de carteiras. / [en] This dissertation develops an intelligent, quantitative and probabilistic model to determine an optimal composition of a portfolio consisting of a financial asset and options over this asset. Initially we studied the characteristics of the historical distribution of returns and volatility of the most liquid stocks from the BOVESPA Stock Exchange, from January 2005 to July 2010, through a univariate and a bivariate polynomial regression. Characteristics such as mean reversion of volatility, strong correlation of historical and future volatility and a quadratic polynomial relationship between them were observed. A neural network was then developed to predict the future volatility of these stocks, since that is the most critical variable in determining an option´s price. Using the option pricing, we evaluated the performance of genetic algorithms in optimizing portfolios, structured with these derivatives, with three different evaluation functions in order to increase the potential return of investments while minimizing downside risks. The developed evolutionary system showed satisfactory results when the optimal portfolio was compared with several other market option strategies, demonstrating to be a relevant decision support system for investors and portfolio managers.

[pt] Black e Litterman propuseram um modelo de otimização de portfólio que combina visões do investidor sobre retornos esperados de ativos com o equilíbrio neutro de mercado. No entanto, especificar visões sobre uma carteira de investimentos é uma tarefa difícil, especialmente quando os investidores têm opiniões conflitantes sobre o mesmo ativo. Neste trabalho, é proposto uma nova formulação para otimização de carteiras, que é robusta diferentes à visões do investidor. A nossa abordagem foi testada em dados sintéticos e dados reais disponíveis em uma plataforma do Banco Central do Brasil. Esta plataforma consolida projeções macroeconômicas de mais de uma centena de analistas profissionais e disponibiliza para o mercado numa base semanal. Por fim, é comparado o desempenho desta formulação robusta com o modelo Black-Litterman tradicional frequentemente utilizado na indústria financeira. Os resultados mostram que a metodologia robusta pode providenciar melhor desempenho ajustado ao risco em comparação com o modelo orignial e são menos sensíveis às visões do investor. / [en] Black and Litterman proposed a portfolio optimization model that combines investor s views on future asset s returns with neutral market equilibrium. However, specifying portfolio views is a challenging task, specially when investors have conflicting opinions on the same asset. In this thesis, we suggest a new portfolio optimization formulation that is robust for investor s views. Our approach was tested on synthetic and real data available on a framework developed by Central Bank of Brazil. This online framework collects projections on main macroeconomics variables from more than a hundred professional forecasters and provides public online access on a weekly basis. The performance of this new robust formulation is compared with the traditional Black-Litterman model. The result show that our robust methodology can provide better risk adjusted performance compared to the orignial model and are less sensitive to incorrect inverstor views.

[pt] Otimização de portfólio é uma técnica largamente utilizada para seleção de investimentos na área econômico-financeira. A primeira proposição neste sentido foi o modelo média- variância de Harry Markowitz, que utiliza, respectivamente, a média e a variância dos retornos do portfólio como medidas de retorno e de risco. Desde Markowitz muitas outras abordagens, que adotam medidas de risco alternativas, têm sido propostas, como por exemplo o modelo MiniMax, o modelo de desvio absoluto médio, a programação objetiva, o Value-at-Risk (VaR), o Conditional Value-at- Risk (CVaR) etc. Neste trabalho a idéia de otimização de portfólio é aplicada à área de comercialização de energia. O objetivo é apresentar abordagens para otimização de portfólio de contratos de energia, de modo a se definir a estratégia de comercialização de energia que maximize o valor esperado dos valores presentes das remunerações líquidas de uma empresa geradora, sujeito ao controle de sua exposição ao risco. São propostas três abordagens: a primeira adota a variância dos valores presentes das remunerações líquidas como medida de risco, a segunda adota o mínimo da distribuição como medida de risco e a terceira adota o CVaR como medida de risco. Em duas das três abordagens propostas, assume-se que os contratos candidatos a compor o portfólio são divididos em dois grupos: contratos de decisão imediata e possibilidades futuras de contratação. Com isto, a formulação do problema resulta em um modelo de otimização estocástica de dois estágios, que é resolvido via programação dinâmica dual estocástica. Resultados numéricos para o sistema elétrico brasileiro são apresentados e discutidos. / [en] Portfolio optimization has been widely used to select investments in the financial area. The first proposal in this topic was the Markowitz mean-variance approach, which uses, respectively, the mean and the variance as measures of portfolio return and risk. Since Markowitz many other approaches, which adopt alternative risk measures, have been proposed, e.g. the MiniMax model, the Mean Absolute Deviation model, the Goal Programming, the Value-at-Risk (VaR) and the Conditional Value-at-Risk (CVaR) etc. In this work the idea of portfolio optimization is applied to the energy commercialization area. The objective is to present approaches to portfolio optimization of energy contracts in order to determine the energy commercialization strategy that maximizes the expected present value of the cash flow of a generating company subject to the control of its risk exposure. Three approaches are proposed: the first adopts the variance of the present values as risk measure, the second adopts the minimum present value as risk measure and the third adopts the CVaR as risk measure. In the second and in the third approaches are assumed that the candidate contracts are divided into two sets: those of immediate decision and those that can be contracted in the future. This modeling leads to a large-scale two-stage stochastic programming problem that is solved by stochastic dual dynamic programming. Numerical results for the Brazilian power system are presented and discussed.

[pt] Todos os investidores, indivíduos e instituições, possuem obrigações e objetivos financeiros futuros. Por esse motivo, devem tomar decisões de investimento que sirvam a tais propósitos, considerando os riscos a que estão sujeitos. Com a finalidade de auxiliar o processo decisório, pode-se lançar mão de políticas de investimento ótimo, como a Gerência de Ativos e Passivos (Asset and Liability Management - ALM), objeto do presente estudo. O ALM é uma forma de combinar os ativos e passivos dos investidores, buscando alcançar as suas finalidades em termos financeiros. No que se refere aos investidores individuais, tema abordado neste trabalho, os supracitados objetivos podem corresponder, por exemplo, à aposentadoria almejada, bem como aos gastos com a educação dos filhos. Sendo assim, o presente estudo propõe apresentar uma metodologia de otimização sob incerteza, por meio da utilização de programação estocástica e técnicas de otimização de portfolio, aplicadas ao problema de gerenciamento de ativos e passivos de um investidor individual. O estudo tem como enfoque um modelo de programação linear multiperíodo, desenvolvido por Consiglio, Cocco e Zenios (2002), o qual maximiza a riqueza esperada do investidor no final do horizonte de planejamento, dado o nível de tolerância ao risco do indivíduo. Esse modelo será validado através da variação dos níveis de aversão ao risco do investidor, dos horizontes de planejamento e do retorno alvo desejado pelo investidor para ser alcançado no período final. / [en] All investors, individuals and institutions, have obligations and financial future goals. For this reason, they should make investment decisions that serve this purpose considering the risks they face. To assist in making decisions, it is possible to use the optimal investment policies, as the Asset and Liability Management, object of this work. The ALM, as is known, is a way to combine the assets and liabilities of investors seeking to achieve their goals in financial terms. In the case of individuals investors these goals can be seen as the individual s retirement and children s tuition. The present work proposes a methodology for optimization under uncertainty, employing both stochastic programming and portfolio optimization techniques, applied to the problem of managing assets and liabilities for an individual investor. The study is focused on a multi-period linear programming model developed by Consiglio, Cocco and Zenios (2002), which maximizes the expected wealth of the investor at the end of the planning horizon, given the individual s risk tolerance level. This model will be validated through the variation of the risk aversion level, the planning horizons and the target return that should be achieved on the final period.

[pt] Otimização de portfólio tradicionalmente assume ter conhecimento da distribuição de probabilidade dos retornos ou pelo menos algum dos seus momentos. No entanto, é sabido que a distribuição de probabilidade dos retornos muda com frequência ao longo do tempo, tornando difícil a utilização prática de modelos puramente estatísticos, que confiam indubitavelmente em uma distribuição estimada. Em contrapartida, otimização robusta considera um completo desconhecimento da distribuição dos retornos, e por isto, buscam uma solução ótima para todas as realizações possíveis dentro de um conjunto de incerteza dos retornos. Mais recentemente na literatura, técnicas de distributionally robust optimization permitem lidar com a ambiguidade com relação à distribuição dos retornos. No entanto essas técnicas dependem da construção do conjunto de ambiguidade, ou seja, distribuições de probabilidade a serem consideradas. Neste trabalho, propomos a construção de conjuntos de ambiguidade poliédricos baseado somente em uma amostra de retornos. Nestes conjuntos, as relações entre variáveis são determinadas pelos dados de maneira não paramétrica, sendo assim livre de possíveis erros de especificação de um modelo estocástico. Propomos um algoritmo para construção do conjunto e, dado o conjunto, uma reformulação computacionalmente tratável do problema de otimização de portfólio. Experimentos numéricos mostram que uma melhor performance do modelo em comparação com benchmarks selecionados. / [en] Portfolio optimization traditionally assumes knowledge of the probability distribution of returns or at least some of its moments. However is well known that the probability distribution of returns changes over time, making difficult the use of purely statistic models which undoubtedly rely on an estimated distribution. On the other hand robust optimization consider a total lack of knowledge about the distribution of returns and therefore it seeks an optimal solution for all the possible realizations wuthin a set of uncertainties of the returns. More recently the literature shows that distributionally robust optimization techniques allow us to deal with ambiguity regarding the distribution of returns. However these methods depend on the construction of the set of ambiguity, that is, all distribution of probability to be considered. This work proposes the construction of polyhedral ambiguity sets based only on a sample of returns. In those sets, the relations between variables are determined by the data in a non-parametric way, being thus free of possible specification errors of a stochastic model. We propose an algorithm for constructing the ambiguity set, and then a computationally treatable reformulation of the portfolio optimization problem. Numerical experiments show that a better performance of the model compared to selected benchmarks.