[pt] A otimização online de portfólios é um problema de engenharia financeira que consiste na escolha sequencial de alocação de capital entre um conjunto de ativos, com o objetivo de maximizar o retorno acumulado no longo prazo. Com o avanço dos estudos de modelos de machine learning, diversos algorítmos estão sendo utilizados para resolver esse problema. Uma série de algoritmos seguem a metodologia Follow-the-winner (FTW) , onde o peso de ações com boa performance é aumentado baseado na hipótese de que a tendência de alta será mantida; outros seguem a metodologia inversa Follow-the-loser (FTL), em que ações com má performance tem seu peso aumentado apostando em uma reversão dos preços. Algoritmos estado-da-arte do tipo FTW possuem garantia teórica de se aproximar da performance da melhor ação escolhida de antemão, entretanto, algoritmos do tipo FTL tem performance superior observada empiricamente. Nosso trabalho busca explorar a ideia de aprender quando utilizar cada uma das duas categorias. Os mecanismos utilizados são algoritmos de online learning com flexibilidade para assumir ambos comportamentos. Foi realizado um estudo da literatura sobre indicadores de memória em séries financeiras e sua possível utilização de forma explícita para escolha entre FTL e FTW. Posteriormente, propomos um método de se realizar o aprendizado entre essas duas categorias de forma online e de forma dinâmica para utilização em algoritmos de online learning. Em nossos experimentos, o método proposto supera o benchmark estabelecido UCRP com excesso de retorno de 36.76 por cento. / [en] Online portfolio selection is a financial engineering problem which aims to sequentially allocate capital among a set of assets in order to maximize long-term return. With the recent advances in the field of machine learning, several models have been proposed to address this problem. Some algorithms approach the problem with a Follow-the-winner (FTW) methodology, which increases the weights of more successful stocks based on their historical performance. Contrarily, a second approach, Follow-theloser (FTW), increases the weights of less successful stocks, betting on the reversal of their prices. Some state-of-the-art FTW type algorithms have the guarantee to asymptotically approach the same performance as the best stock chosen in hindsight, while FTL algorithms have empirical evidence of overperforming the previous. Our goal is to explore the idea of learning when to use each of those two algorithm categories. We do this by using online learning algorithms that are capable of switching between the described regimes. We review the literature for existing measures of time series memory and predictability, and explicitly use this information for chosing between FTW and FTL. Later, we propose a method for choosing between this two types of algorithms in an online and dynamic manner for usage together with online learning algorithms. The method outperforms the chosen benchmark UCRP in our experiments with 36.76 percent excess returns.

[pt] Os grandes agentes do mercado de energia dedicam muitos esforços na avaliação e decisão da alocação ótima de capital para a implementação de projetos, em decorrência do grande número de projetos candidatos em seus portfólios de investimentos. Essas decisões visam escolher o subconjunto de projetos a ser implementado, pois os recursos orçamentários são geralmente menores que o necessário para a implementação de todos eles. Muitos são os riscos apresentados, e quanto mais riscos e incertezas, maiores se tornam as dificuldades de avaliação e decisões de investimento de maneira otimizada. As metodologias clássicas para avaliação de portfólios de projetos de investimento são baseadas em maximizar os retornos (VPL, TIR, etc) e minimizar o risco (desvio-padrão do VPL, variância, etc). Muitas vezes, estes métodos tradicionais de avaliação podem não conseguir tratar adequadamente as flexibilidades gerenciais (Opções Reais) características dos projetos, assim como os riscos e incertezas, devido às possíveis dificuldades de solução e modelagem matemática (multi-variáveis) dos problemas. O desenvolvimento e aplicação de modelos alternativos, tais como os baseados na Teoria de Opções Reais, inclusive com a utilização de métodos de Inteligência Computacional, podem se mostrar mais adequados para estes problemas. Nesta tese é desenvolvida uma metodologia híbrida, apresentando um modelo de Opções Reais Fuzzy para a avaliação de projetos de Revamp por um agente do mercado de Geração Termelétrica de Energia, a partir de um Portfólio de Opções Reais em ambiente de incertezas. Para a seleção do subconjunto de projetos por faixa orçamentária, é aplicado um Algoritmo Genético para otimização multi-critério, através da utilização de um índice de ponderação retorno x risco (lâmbda). / [en] Large players in energy market dedicate many efforts in valuation and optimal capital allocation decision for their project implementation, due the large candidate projects number in their investment portfolios. These decisions aim to choose the projects subset to be implemented, because the monetary resources are generally smaller than necessary for all projects implementation. There are many risks, and with risks and uncertainties, greater become the difficulties in analysis and optimally investment decisions. The classical methods to investment portfolios are based on to maximize returns (NPV, IRR, among others) and to minimize risks (NPV standard deviation, variance, among others). Often, these traditional methods may not be able to handle properly the projects managerial flexibilities (Real Options), as well the risks and uncertainties, due to possible solution difficulties and mathematical modeling problems (multi variables). Alternative models development and implementation, such as those based on Real Options Theory, including the use of Computational Intelligence methods, may be more suitable for these problems. In this thesis, a hybrid methodology is developed, presenting a Fuzzy Real Options model for Revamp projects valuation by a Thermoelectric Power Generation market player, from a Real Options Portfolio in uncertainties environment. For selecting the projects subset by budget range, a multi-criteria Genetic Algorithm optimization is applied, using a weighting return x risk index (lambda).