[pt] Com o intuito de obter parte do lucro futuro de uma empresa, o investidor adquire uma ação - título que representa a menor parcela do capital de uma empresa. Tal investidor, interessado em investir em ações, se depara com uma primeira decisão a tomar: em quais ações investir. Existem diversos métodos para a seleção de ações, podendo ser classificados em métodos puramente objetivos, puramente subjetivos e métodos compostos. O presente trabalho visa propor um método composto, baseado no modelo multicritério Analytic Hierarchy Process (AHP), para ordenar as ações nas quais o investidor deve investir dado um determinado grupo de ações pré-selecionado. Com base no presente estudo, o modelo proposto demonstrou ser uma ferramenta de simples aplicação e viável para que qualquer investidor – dos mais qualificados aos menos qualificados – possa tomar a decisão de escolha de ações utilizando esta ferramenta. Dentre a amostra de 10 ações pré selecionadas, as empresas que obtiveram maior pontuação, e por isso, fariam parte do portfólio de ações, foram: Itaú Unibanco, BMF Bovespa e Vale. / [en] In order to obtain a part of the future profit of a company, an investor buys a stock - the smaller share of a company s capital. The investor, interested in putting money into stocks, faces his/her first decision: in which stock to invest. There are several methods to select the stocks which can be classified as purely objective method, purely subjective and combined method. This paper intends to propose a combined method based on the multicriteria model Analytic Hierarchy Process (AHP) in order to rank stocks for investors to choose his/her investments from the given group of stocks. Based on this study, the proposed model proved to be a simple application tool and viable for any investor - from the most qualified to least qualified - be able to make decision of choosing stocks using this tool. Among the sample of 10 pre selected stocks, the ones which achieved a higher score, and therefore would be part of the portfolio of shares, were: Itaú Unibanco and Vale BMF Bovespa.

[pt] Black e Litterman propuseram um modelo de seleção de portfólio que combina a visão dos investidores acerca de ativos com conceitos de equilíbrio de mercado para construir portfólios ótimos. Entretanto, a eficiência do modelo depende da qualidade da visão futura acerca do retorno dos ativos, o que é desafiador na prática. Com o objetivo de melhorar a aplicação prática do modelo Black-Litterman, o foco desse trabalho é viabilizar novas alocações com base em visões de fatores macroeconômicos que estão fora do universo de alocação. A principal vantagem é que a previsão desses fatores é amplamente fornecida por agentes de mercado. Um estudo de caso baseado nas informações disponibilizadas pelo Banco Central do Brasil é apresentado para validar a estrutura proposta. Os retornos obtidos fora da amostra e ajustados ao risco incorporando a visão de fatores macroeconômicos com a estrutura proposta superaram o modelo de média-variância tradicional e o benchmark local. / [en] Black and Litterman proposed a portfolio selection model that blends investor s views on asset returns with market equilibrium concepts to construct optimal portfolios. However, the model efficiency relies on the performance of investors views regarding tradable assets, which is challenging in practice. Focusing on improving Black-Litterman practical application, this work consists in providing new allocations based upon views on macroeconomic factors, which are largely available but not directly tradable. The main advantage is that predictions on these factors are usually provided by market players. A case study based on the information disclosed by the Brazilian Central Bank is presented to test the proposed framework. The out-of-sample risk-adjusted returns obtained incorporating the players macroeconomic expectations through the use of the proposed framework outperformed the traditional mean-variance model as well as the local benchmark.

[pt] Mudanças recentes em mercados de energia com alta penetração de fontes renováveis destacaram a necessidade de estratégias complexas que, além de maximizar o lucro, proporcionam proteção contra a volatilidade de preços e incerteza na geração. Neste contexto, este trabalho propõe um modelo dinâmico para representar a tomada de decisão sequencial no cenário atual. Ao contrário de trabalhos relatados anteriormente, este método fornece uma estrutura para considerar as incertezas nos níveis estratégico (longo prazo) e operacional (curto prazo) simultaneamente. É utilizado um modelo de programação estocástica multiestágio em que as correlações entre previsões de vazão, geração renovável, preços spot e preços contratuais são consideradas por meio de uma árvore de decisão multi-escala. Além disso, a aversão ao risco do agente comercializador é considerada por meio de restrições intuitivas e consistentes no tempo. É apresentado um estudo de caso do setor elétrico brasileiro, no qual dados reais foram utilizados para definir a estratégia ótima de comercialização de um gerador de energia eólica, condicionada à evolução futura dos preços de mercado. O modelo fornece ao comercializador informações úteis, como o montante contratado ideal, além do momento ótimo de negociação e duração dos contratos. Além disso, o valor desta solução é demonstrado quando comparado a abordagens estáticas, através de uma medida de desempenho baseada no equivalente de certo do problema multiestágio. / [en] Recent market changes in power systems with high renewable energy penetration highlighted the need for complex profit maximization and protection against price volatility and generation uncertainty. This work proposes a dynamic model to represent sequential decision making in this current scenario. Unlike previously reported works, we contemplate uncertainties in both strategic (long-term) and operational (short-term) levels, all considered as pathdependent stochastic processes. The problem is represented as a multistage stochastic programming model in which the correlations between inflow forecasts, renewable generation, spot and contract prices are accounted for by means of interconnected long- and short-term decision trees. Additionally, risk aversion is considered through intuitive time-consistent constraints. A case study of the Brazilian power sector is presented, in which real data was used to define the optimal trading strategy of a wind power generator, conditioned to the future evolution of market prices. The model provides the trader with useful information such as the optimal contractual amount, settlement timing, and term. Furthermore, the value of this solution is demonstrated when compared to state-of-the-art static approaches using a multistage-based certainty equivalent performance measure.

[pt] O mercado financeiro é essencial na economia, trazendo estabilidade, acesso a novos tipos de investimentos, e aumentando a capacidade das empresas no acesso ao crédito. A constante busca por reduzir o papel de especialistas humanos na tomada de decisão, visa reduzir o risco inerente as emoções intrínsecas do ser humano, do qual a máquina não compartilha. Como consequência, reduzindo efeitos especulativos no mercado, e aumentando a precisão nas decisões tomadas. Neste trabalho é discutido o problema de seleção de portfólios online, onde um vetor de alocações de ativos é requerido em cada passo. O algoritmo proposto é o multilayer perceptron with side information - MLPi. Este algoritmo utiliza redes neurais para a solução do problema quando o investidor tem acesso a informações futuras sobre o preço dos ativos. Para avaliar o uso da informação lateral na seleção de portfolio, testamos empiricamente o MLPi em contraste com dois algoritmos, um baseline e o estado-da-arte. Como baseline é utilizado o buy-and-hold. O estado-da-arte é o algoritmo online moving average mean reversion proposto por Li e Hoi (2012). Para avaliar a utilização de informação lateral no algoritmo MLPi é definido um benchmark baseado numa solução ótima simples utilizando a informação lateral, mas sem considerar a acurácia da informação futura. Para os experimentos, utilizamos informações a nível de minuto do mercado de ações brasileiro, operados na bolsa de valores B3. É simulado um preditor de preço com 7 níveis de acurácia diferentes para 200 portfólios. Os resultados apontam que tanto o benchmark quanto o MLPi superam os dois algoritmos selecionados, para níveis de acurácia de um ativo maiores que 50 por cento, e na média, o MLPi supera o benchmark em todos os níveis de acurácia simulados. / [en] The financial market is essential in the economy, bringing stability, access to new types of investments, and increasing the ability of companies to access credit. The constant search for reducing the role of human specialists in decision making aims to reduce the risk inherent in the intrinsic emotions of the human being, which the machine does not share. As a consequence, reducing speculative effects in the market, and increasing the precision in the decisions taken. In this paper, we discuss the problem of selecting portfolios online, where a vector of asset allocations is required in each step. The proposed algorithm is the multilayer perceptron with side information - MLPi. This algorithm uses neural networks to solve the problem when the investor has access to future information on the price of the assets. To evaluate the use of side information in portfolio selection, we empirically tested MLPi in contrast to two algorithms, a baseline and the state-of-the-art. As a baseline, buy-andhold is used. The state-of-the-art is the online moving average mean reversion algorithm proposed by Li and Hoi (2012). To evaluate the use of side information in the algorithm MLPi a benchmark based on a simple optimal solution using the side information is defined, but without considering the accuracy of the future information. For the experiments, we use minute-level information from the Brazilian stock market, traded on the B3 stock exchange. A price predictor is simulated with 7 different accuracy levels for 200 portfolios. The results show that both the benchmark and MLPi outperform the two algorithms selected, for asset accuracy levels greater than 50 percent, and on average, MLPi outperforms the benchmark at all levels of simulated accuracy.