Made available in DSpace on 2010-04-20T21:00:36Z (GMT). No. of bitstreams: 4 Arizoly Rodrigues Pinto.pdf.jpg: 2677 bytes, checksum: 60f12dddd69950d56d65a1ce1c3faf54 (MD5) Arizoly Rodrigues Pinto.pdf.txt: 69469 bytes, checksum: a8302e3d19a90a95b303cd8305380827 (MD5) license.txt: 4712 bytes, checksum: 4dea6f7333914d9740702a2deb2db217 (MD5) Arizoly Rodrigues Pinto.pdf: 309951 bytes, checksum: 8b33f96d547da30f572f2426b0d34a3d (MD5) Previous issue date: 2009-12-18T00:00:00Z / The objective of this work is to explore the use of Neural Networks in the Prediction of the Brazilian Net Inflow of Private Pension Fund Market, as a tool for decision-making and support to the management of companies. To build this model was used neural networks, a tool that is proving suitable for use in nonlinear models with better results than other techniques. The main data source for this work was the FENAPREVI - National Federation of Private Pension and Life. For comparison with the model of neural networks, we used a model of Multiple Linear Regression as a benchmark, in order to demonstrate the suitability of the tool in view of the objectives outlined in this job. The model was constructed from the monthly industry information, between May 2002 and August 2009, considering what has been called 'the live market”, which include products PGBL and VGBL, marketed without interruption during this period for the EAPP – Entities Open Private Pension Funds. The results demonstrated the suitability of the tool Neural Networks, which obtained better results than those obtained using Multiple Linear Regression / O objetivo deste trabalho é explorar a utilização de Redes Neurais no processo de previsão da Captação Líquida do Mercado de Previdência Privada Brasileiro como ferramenta à tomada de decisão e apoio na gestão das empresas do setor. Para a construção desse modelo foram utilizadas Redes Neurais, ferramenta que vem se mostrando adequada para utilização em modelos não lineares com resultados superiores a outras técnicas. A fonte de dados principal para a realização deste trabalho foi a FENAPREVI – Federação Nacional de Previdência Privada e Vida. Para comparação com o modelo de Redes Neurais, foi utilizado um modelo de Regressão Linear Múltipla como benchmark, com o objetivo de evidenciar a adequação da ferramenta em vista dos objetivos traçados no trabalho. O modelo foi construído a partir das informações mensais do setor, entre maio de 2002 e agosto de 2009, considerando o que se convencionou chamar de ‘mercado vivo’, que abrange os produtos PGBL e VGBL, comercializados ininterruptamente nesse período pelas chamadas EAPP – Entidades Abertas de Prividência Privada. Os resultados obtidos demonstraram a adequação da ferramenta Redes Neurais, que obtiveram resultados superiores aos obtidos utilizando Regressão Linear Múltipla.

Made available in DSpace on 2010-04-20T20:51:42Z (GMT). No. of bitstreams: 3 154941.pdf.jpg: 12079 bytes, checksum: 809428fce6feb0072e770a5b74f32903 (MD5) 154941.pdf: 545730 bytes, checksum: ff5c0f2f9eb9820b7a86ba64f3d0f907 (MD5) 154941.pdf.txt: 108893 bytes, checksum: 77009802f4e69002e5a5064d61049c82 (MD5) Previous issue date: 2006-02-13T00:00:00Z / O presente trabalho estuda o efeito Smart Money, inicialmente identificado por GRUBER (1996) e ZHENG (1999), na indústria de fundos brasileira no período de 2001 a 2005. Buscou-se identificar se os fundos que apresentaram maior captação líquida em seguida performam melhor do que os fundos de menor captação líquida. O efeito Smart Money foi identificado nos fundos de ações mesmo após ter sido controlado pelo efeito momentum. Nos fundos multimercados com renda variável e nos fundos de renda fixa não foi possível identificar tal fenômeno. / This work studies the Smart Money Effect, initially identified by GRUBER (1996) and ZHENG (1999), in the brazilian mutual fund industry in the period of 2001-2005. The objective was to verify if the funds with the highest net cash flows had a better performance in the following period than the funds with the lowest net cash flows. The Smart Money Effect was identified in stock funds, even after controlling by the stock return momentum phenomenon. In mixed funds and in fixed income funds it was not possible to identify such effect.