Made available in DSpace on 2018-08-02T00:01:56Z (GMT). No. of bitstreams: 1 tese_2858_TeseDoutoradoFabioDarosdeFreitas.pdf: 3108018 bytes, checksum: 316bdee64e004c2aabfd9a24c931227d (MD5) Previous issue date: 2008-12-18 / Este trabalho apresenta um novo modelo de seleção de carteiras baseado em erros de predição que captura oportunidades de investimento no curto prazo. Nós utilizamos preditores neurais auto-regressivos com referências móveis para predizer os retornos futuros das ações, e uma medida de risco baseada nos seus erros de predição foi derivada de forma a manter a mesma fundamentação estatística do modelo média-variância. O efeito da diversificação eficiente se aplica através da seleção de preditores com perfis de erros de predição baixos e complementares. Um grande conjunto de experimentos com dados reais do mercado de ações brasileiro foi conduzido para avaliar o modelo de seleção de carteiras baseado em erros de predição, o qual contou com o exame da Normalidade dos erros de predição. Nossos resultados principais mostraram que é possível obter erros de predição Normais a partir de séries de retornos não Normais, e que o modelo de seleção de carteiras baseado em erros de predição capturou corretamente oportunidades de curto prazo, desempenhando melhor que o modelo média-variância e superando o índice de mercado.

Submitted by Cristiane Oliveira (cristiane.oliveira@fgv.br) on 2013-05-03T17:52:22Z No. of bitstreams: 1 1198601167.pdf: 8027134 bytes, checksum: 5d31f714648dbe976a9049ed591e4fbe (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2013-05-03T18:02:37Z (GMT) No. of bitstreams: 1 1198601167.pdf: 8027134 bytes, checksum: 5d31f714648dbe976a9049ed591e4fbe (MD5) / Made available in DSpace on 2013-05-03T18:10:32Z (GMT). No. of bitstreams: 1 1198601167.pdf: 8027134 bytes, checksum: 5d31f714648dbe976a9049ed591e4fbe (MD5) Previous issue date: 1984 / Levantamento bibliográfico abrangendo os principais trabalhos relativos ao 'CAPM - Capital Asset Pricing Model' que se acham esparsos em vasta literatura. Aborda desde a teoria de seleção de carteira, o desenvolvimento e testes do modelo, suas implicações para a teoria financeira. Inclui também considerações sobre o relaxamento dos pressupostos básicos e 'sobre a influência do fator inflacionário na forma e validade do modelo.

O objetivo desta tese é construir um modelo de composição de carteiras de recursos energéticos dentro do Planejamento Integrado de Recursos Energéticos (PIR), aplicável em uma determinada região ou país. Este modelo inclui as etapas de definição do espaço geográfico de estudo, o mapeamento de recursos, a caracterização dos recursos energéticos existentes e sua valoração. Após estas etapas, é feita a composição de carteiras energéticas, seguida pela construção de cenários e análise de riscos e incertezas para a definição da carteira preferencial dos recursos energéticos da região. Como ferramentas de apoio, são adaptados modelos matemáticos aplicados em sistemas financeiros para a seleção e análise de carteiras de investimentos, modelos para a avaliação de riscos e incertezas, o software de Planejamento de Alternativas Energéticas de Longo Alcance (LEAP) para a criação de cenários e previsão da demanda energética e o software Decision Lens (DL) para o ranqueamento e a alocação de recursos financeiros dos recursos energéticos dentro da carteira definida, considerando as dimensões técnico-econômico, ambiental, social e política. A caracterização dos recursos energéticos envolve o levantamento das características socioeconômicas, ambientais, o perfil dos envolvidos e interessados do setor energético, a listagem de recursos energéticos locais (hídricos, eólicos, solares, nucleares, biomassa, geotérmicas, células a combustíveis dentre outros). Também são levantadas características construtivas das tecnologias existentes e que podem ser incorporadas na matriz energética da região em estudo. O processo de avaliação dos potenciais energéticos envolve o cálculo dos potenciais energéticos teóricos de cada recurso energético existente na região. Após a avaliação dos potenciais, faz-se a priorização ou ranqueamento destes recursos através de critérios pré-definidos, em duas avaliações diferentes: Avaliação Determinística dos Custos Completos (ADCC) e Avaliação Holística dos Custos Completos (AHCC). Para gerar ambos os rankings utiliza-se o software Decision Lens (DL) baseado no método do Processo de Análise Hierárquico (PAH). O cruzamento das avaliações resulta em ranking geral dos recursos energéticos, utilizado posteriormente para a construção de carteiras dos recursos energéticos. Na valoração dos recursos energéticos, consideram-se atributos ambientais, sociais, técnico-econômicos e políticos, que podem afetar a formação de carteiras eficientes dentro do PIR a longo prazo. O resultado do processo de valoração é o potencial energético realizável da região em estudo. Para este potencial, aplica-se o modelo analítico de formação de carteiras de recursos energéticos. Neste são considerados o ranking, o volume de investimentos, os atributos ambientais (emissões), sociais (IDH, número de empregos, ocupação de solo), políticos (incentivos governamentais, impostos) e todos os parâmetros técnicoeconômicos relacionados às tecnologias selecionadas para o aproveitamento de cada recurso energético. Com a incorporação destas variáveis no modelo, faz-se simulações para a obtenção de carteiras ótimas para a construção do Plano Preferencial dentro do Planejamento Integrado dos Recursos Energéticos. / The main objective of this thesis is to establish a model to guide the composition of energy resources portfolios in the process of the Integrated Resources Planning (IRP) in a region or a country. This includes steps such as the definition of the geographical space of study, mapping of resources, characterization of existing energy resources, and valuation of energy resources. After these steps, the portfolios are formed, followed by the construction of scenarios, and the analysis of risks and uncertainties for the definition of the preferential portfolio of energy resources in the region. Supporting tools based on mathematical models used in financial systems are adapted to the selection and analysis of investment portfolios, models for the evaluation of risks and uncertainties, the Long Range Energy Alternatives Planning Software (LEAP) to create energy demand scenarios and the Decision Lens Software (DL) to rank and allocate financial resources of energy resources within a defined portfolio, considering the technical-economic, environmental, social and political dimensions. The energy resources characterization involves the removal of socioeconomic characteristics, environmental, the profile of those involved and interested in the energy sector, the listing of local energy resources (water, wind, solar, nuclear, geothermal, biomass, fuel cells among other). Constructive features have also been raised of existing technologies and that can be incorporated into the energy matrix of the region under study. The process of energy potential evaluation involves the calculation of theoretical potential energy of each existing energy resource in the region. After the assessment of potential, it was ranking resources through pre-established criteria in two different assessments: Full costs Deterministic Evaluation (ADCC) and Holistic Assessment of Full Costs (AHCC). To generate both rankings, it was used the software Decision Lens (DL) based on the method of Tiered Analysis process (PAH). With both assessment results, it is build the overall ranking of energy resources, used to build an energy resources portfolio. In the valuation of energy resources, environmental, social, technical economic and political attributes are considered to the resources valuation that may affect the portfolio selection within the IRP in the long term. The result of the valuation process is the disposable energy potential of the region in the study. Using the information above, finally, it was applied an analytical portfolio selection model of energy resources. It considered the ranking, the volume of investments, the environmental attributes (emission), social (IDH, number of jobs, occupation of land), political (Government incentives, taxes) and all the parameters related to the technical-economical selected technologies for the enjoyment of each energy resource. With the incorporation of these variables in the model, simulations for obtaining optimal portfolios for the construction of the Preferred Plan within the IERP.

O objetivo desta tese é construir um modelo de composição de carteiras de recursos energéticos dentro do Planejamento Integrado de Recursos Energéticos (PIR), aplicável em uma determinada região ou país. Este modelo inclui as etapas de definição do espaço geográfico de estudo, o mapeamento de recursos, a caracterização dos recursos energéticos existentes e sua valoração. Após estas etapas, é feita a composição de carteiras energéticas, seguida pela construção de cenários e análise de riscos e incertezas para a definição da carteira preferencial dos recursos energéticos da região. Como ferramentas de apoio, são adaptados modelos matemáticos aplicados em sistemas financeiros para a seleção e análise de carteiras de investimentos, modelos para a avaliação de riscos e incertezas, o software de Planejamento de Alternativas Energéticas de Longo Alcance (LEAP) para a criação de cenários e previsão da demanda energética e o software Decision Lens (DL) para o ranqueamento e a alocação de recursos financeiros dos recursos energéticos dentro da carteira definida, considerando as dimensões técnico-econômico, ambiental, social e política. A caracterização dos recursos energéticos envolve o levantamento das características socioeconômicas, ambientais, o perfil dos envolvidos e interessados do setor energético, a listagem de recursos energéticos locais (hídricos, eólicos, solares, nucleares, biomassa, geotérmicas, células a combustíveis dentre outros). Também são levantadas características construtivas das tecnologias existentes e que podem ser incorporadas na matriz energética da região em estudo. O processo de avaliação dos potenciais energéticos envolve o cálculo dos potenciais energéticos teóricos de cada recurso energético existente na região. Após a avaliação dos potenciais, faz-se a priorização ou ranqueamento destes recursos através de critérios pré-definidos, em duas avaliações diferentes: Avaliação Determinística dos Custos Completos (ADCC) e Avaliação Holística dos Custos Completos (AHCC). Para gerar ambos os rankings utiliza-se o software Decision Lens (DL) baseado no método do Processo de Análise Hierárquico (PAH). O cruzamento das avaliações resulta em ranking geral dos recursos energéticos, utilizado posteriormente para a construção de carteiras dos recursos energéticos. Na valoração dos recursos energéticos, consideram-se atributos ambientais, sociais, técnico-econômicos e políticos, que podem afetar a formação de carteiras eficientes dentro do PIR a longo prazo. O resultado do processo de valoração é o potencial energético realizável da região em estudo. Para este potencial, aplica-se o modelo analítico de formação de carteiras de recursos energéticos. Neste são considerados o ranking, o volume de investimentos, os atributos ambientais (emissões), sociais (IDH, número de empregos, ocupação de solo), políticos (incentivos governamentais, impostos) e todos os parâmetros técnicoeconômicos relacionados às tecnologias selecionadas para o aproveitamento de cada recurso energético. Com a incorporação destas variáveis no modelo, faz-se simulações para a obtenção de carteiras ótimas para a construção do Plano Preferencial dentro do Planejamento Integrado dos Recursos Energéticos. / The main objective of this thesis is to establish a model to guide the composition of energy resources portfolios in the process of the Integrated Resources Planning (IRP) in a region or a country. This includes steps such as the definition of the geographical space of study, mapping of resources, characterization of existing energy resources, and valuation of energy resources. After these steps, the portfolios are formed, followed by the construction of scenarios, and the analysis of risks and uncertainties for the definition of the preferential portfolio of energy resources in the region. Supporting tools based on mathematical models used in financial systems are adapted to the selection and analysis of investment portfolios, models for the evaluation of risks and uncertainties, the Long Range Energy Alternatives Planning Software (LEAP) to create energy demand scenarios and the Decision Lens Software (DL) to rank and allocate financial resources of energy resources within a defined portfolio, considering the technical-economic, environmental, social and political dimensions. The energy resources characterization involves the removal of socioeconomic characteristics, environmental, the profile of those involved and interested in the energy sector, the listing of local energy resources (water, wind, solar, nuclear, geothermal, biomass, fuel cells among other). Constructive features have also been raised of existing technologies and that can be incorporated into the energy matrix of the region under study. The process of energy potential evaluation involves the calculation of theoretical potential energy of each existing energy resource in the region. After the assessment of potential, it was ranking resources through pre-established criteria in two different assessments: Full costs Deterministic Evaluation (ADCC) and Holistic Assessment of Full Costs (AHCC). To generate both rankings, it was used the software Decision Lens (DL) based on the method of Tiered Analysis process (PAH). With both assessment results, it is build the overall ranking of energy resources, used to build an energy resources portfolio. In the valuation of energy resources, environmental, social, technical economic and political attributes are considered to the resources valuation that may affect the portfolio selection within the IRP in the long term. The result of the valuation process is the disposable energy potential of the region in the study. Using the information above, finally, it was applied an analytical portfolio selection model of energy resources. It considered the ranking, the volume of investments, the environmental attributes (emission), social (IDH, number of jobs, occupation of land), political (Government incentives, taxes) and all the parameters related to the technical-economical selected technologies for the enjoyment of each energy resource. With the incorporation of these variables in the model, simulations for obtaining optimal portfolios for the construction of the Preferred Plan within the IERP.

Submitted by Leonardo Cavalcante (leo.ocavalcante@gmail.com) on 2018-06-11T11:34:10Z No. of bitstreams: 1 Arquivototal.pdf: 1995596 bytes, checksum: bfcc1e1f3a77514dcbf7a8e4f5e4701b (MD5) / Made available in DSpace on 2018-06-11T11:34:10Z (GMT). No. of bitstreams: 1 Arquivototal.pdf: 1995596 bytes, checksum: bfcc1e1f3a77514dcbf7a8e4f5e4701b (MD5) Previous issue date: 2017-02-16 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / The problem in investment portfolio selection consists in the allocation of resources to a finite number of assets, aiming, in its classic approach, to overcome a trade-off between the risk and expected return of the portfolio. This problem is one of the most important topics targeted at today’s financial and economic issues. Since the pioneering works of Markowitz, the issue is treated as an optimisation problem with the two aforementioned objectives. However, in recent years, various restrictions and additional risk measurements were identified in the literature, such as, for example, cardinality restrictions, minimum transaction lot and asset pre-selection. This practice aims to bring the issue closer to the reality encountered in financial markets. In that regard, this paper proposes a metaheuristic called Particle Swarm for the optimisation of several PSPs, in such a way that allows the resolution of the problem considering a set of restrictions chosen by the investor. / O problema de seleção de carteiras de investimentos (PSP) consiste na alocação de recursos a um número finito de ativos, objetivando, em sua abordagem clássica, superar um trade-off entre o retorno esperado e o risco da carteira. Tal problema ´e uma das temáticas mais importantes voltadas a questões financeiras e econômicas da atualidade. Desde os pioneiros trabalhos de Markowitz, o assunto é tratado como um problema de otimização com esses dois objetivos citados. Entretanto, nos últimos anos, diversas restrições e mensurações de riscos adicionais foram consideradas na literatura, como, por exemplo, restrições de cardinalidade, de lote mínimo de transação e de pré-seleção de ativos. Tal prática visa aproximar o problema da realidade encontrada nos mercados financeiros. Neste contexto, o presente trabalho propõe uma meta-heurística denominada Adaptive Non-dominated Sorting Multiobjective Particle Swarm Optimization para a otimização de vários problemas envolvendo PSP, de modo que permita a resolução do problema considerando um conjunto de restri¸c˜oes escolhidas pelo investidor.

Nesta dissertação, o modelo de seleção de carteiras de Markowitz será estendido com uma análise em tempo discreto e hipóteses mais realísticas. Um produto tensorial finito de densidades Erlang será usado para aproximar a densidade de probabilidade multivariada dos retornos discretos uniperiódicos de ativos dependentes. A Erlang é um caso particular da distribuição Gama. Uma mistura finita pode gerar densidades multimodais não-simétricas e o produto tensorial generaliza este conceito para dimensões maiores. Assumindo que a densidade multivariada foi independente e identicamente distribuída (i.i.d.) no passado, a aproximação pode ser calibrada com dados históricos usando o critério da máxima verossimilhança. Este é um problema de otimização em larga escala, mas com uma estrutura especial. Assumindo que esta densidade multivariada será i.i.d. no futuro, então a densidade dos retornos discretos de uma carteira de ativos com pesos não-negativos será uma mistura finita de densidades Erlang. O risco será calculado com a medida Downside Risk, que é convexa para determinados parâmetros, não é baseada em quantis, não causa a subestimação do risco e torna os problemas de otimização uni e multiperiódico convexos. O retorno discreto é uma variável aleatória multiplicativa ao longo do tempo. A distribuição multiperiódica dos retornos discretos de uma seqüência de T carteiras será uma mistura finita de distribuições Meijer G. Após uma mudança na medida de probabilidade para a composta média, é possível calcular o risco e o retorno, que levará à fronteira eficiente multiperiódica, na qual cada ponto representa uma ou mais seqüências ordenadas de T carteiras. As carteiras de cada seqüência devem ser calculadas do futuro para o presente, mantendo o retorno esperado no nível desejado, o qual pode ser função do tempo. Uma estratégia de alocação dinâmica de ativos é refazer os cálculos a cada período, usando as novas informações disponíveis. Se o horizonte de tempo tender a infinito, então a fronteira eficiente, na medida de probabilidade composta média, tenderá a um único ponto, dado pela carteira de Kelly, qualquer que seja a medida de risco. Para selecionar um dentre vários modelos de otimização de carteira, é necessário comparar seus desempenhos relativos. A fronteira eficiente de cada modelo deve ser traçada em seu respectivo gráfico. Como os pesos dos ativos das carteiras sobre estas curvas são conhecidos, é possível traçar todas as curvas em um mesmo gráfico. Para um dado retorno esperado, as carteiras eficientes dos modelos podem ser calculadas, e os retornos realizados e suas diferenças ao longo de um backtest podem ser comparados. / In this thesis, Markowitz’s portfolio selection model will be extended by means of a discrete time analysis and more realistic hypotheses. A finite tensor product of Erlang densities will be used to approximate the multivariate probability density function of the single-period discrete returns of dependent assets. The Erlang is a particular case of the Gamma distribution. A finite mixture can generate multimodal asymmetric densities and the tensor product generalizes this concept to higher dimensions. Assuming that the multivariate density was independent and identically distributed (i.i.d.) in the past, the approximation can be calibrated with historical data using the maximum likelihood criterion. This is a large-scale optimization problem, but with a special structure. Assuming that this multivariate density will be i.i.d. in the future, then the density of the discrete returns of a portfolio of assets with nonnegative weights will be a finite mixture of Erlang densities. The risk will be calculated with the Downside Risk measure, which is convex for certain parameters, is not based on quantiles, does not cause risk underestimation and makes the single and multiperiod optimization problems convex. The discrete return is a multiplicative random variable along the time. The multiperiod distribution of the discrete returns of a sequence of T portfolios will be a finite mixture of Meijer G distributions. After a change of the distribution to the average compound, it is possible to calculate the risk and the return, which will lead to the multiperiod efficient frontier, where each point represents one or more ordered sequences of T portfolios. The portfolios of each sequence must be calculated from the future to the present, keeping the expected return at the desired level, which can be a function of time. A dynamic asset allocation strategy is to redo the calculations at each period, using new available information. If the time horizon tends to infinite, then the efficient frontier, in the average compound probability measure, will tend to only one point, given by the Kelly’s portfolio, whatever the risk measure is. To select one among several portfolio optimization models, it is necessary to compare their relative performances. The efficient frontier of each model must be plotted in its respective graph. As the weights of the assets of the portfolios on these curves are known, it is possible to plot all curves in the same graph. For a given expected return, the efficient portfolios of the models can be calculated, and the realized returns and their differences along a backtest can be compared.

Nesta dissertação, o modelo de seleção de carteiras de Markowitz será estendido com uma análise em tempo discreto e hipóteses mais realísticas. Um produto tensorial finito de densidades Erlang será usado para aproximar a densidade de probabilidade multivariada dos retornos discretos uniperiódicos de ativos dependentes. A Erlang é um caso particular da distribuição Gama. Uma mistura finita pode gerar densidades multimodais não-simétricas e o produto tensorial generaliza este conceito para dimensões maiores. Assumindo que a densidade multivariada foi independente e identicamente distribuída (i.i.d.) no passado, a aproximação pode ser calibrada com dados históricos usando o critério da máxima verossimilhança. Este é um problema de otimização em larga escala, mas com uma estrutura especial. Assumindo que esta densidade multivariada será i.i.d. no futuro, então a densidade dos retornos discretos de uma carteira de ativos com pesos não-negativos será uma mistura finita de densidades Erlang. O risco será calculado com a medida Downside Risk, que é convexa para determinados parâmetros, não é baseada em quantis, não causa a subestimação do risco e torna os problemas de otimização uni e multiperiódico convexos. O retorno discreto é uma variável aleatória multiplicativa ao longo do tempo. A distribuição multiperiódica dos retornos discretos de uma seqüência de T carteiras será uma mistura finita de distribuições Meijer G. Após uma mudança na medida de probabilidade para a composta média, é possível calcular o risco e o retorno, que levará à fronteira eficiente multiperiódica, na qual cada ponto representa uma ou mais seqüências ordenadas de T carteiras. As carteiras de cada seqüência devem ser calculadas do futuro para o presente, mantendo o retorno esperado no nível desejado, o qual pode ser função do tempo. Uma estratégia de alocação dinâmica de ativos é refazer os cálculos a cada período, usando as novas informações disponíveis. Se o horizonte de tempo tender a infinito, então a fronteira eficiente, na medida de probabilidade composta média, tenderá a um único ponto, dado pela carteira de Kelly, qualquer que seja a medida de risco. Para selecionar um dentre vários modelos de otimização de carteira, é necessário comparar seus desempenhos relativos. A fronteira eficiente de cada modelo deve ser traçada em seu respectivo gráfico. Como os pesos dos ativos das carteiras sobre estas curvas são conhecidos, é possível traçar todas as curvas em um mesmo gráfico. Para um dado retorno esperado, as carteiras eficientes dos modelos podem ser calculadas, e os retornos realizados e suas diferenças ao longo de um backtest podem ser comparados. / In this thesis, Markowitz’s portfolio selection model will be extended by means of a discrete time analysis and more realistic hypotheses. A finite tensor product of Erlang densities will be used to approximate the multivariate probability density function of the single-period discrete returns of dependent assets. The Erlang is a particular case of the Gamma distribution. A finite mixture can generate multimodal asymmetric densities and the tensor product generalizes this concept to higher dimensions. Assuming that the multivariate density was independent and identically distributed (i.i.d.) in the past, the approximation can be calibrated with historical data using the maximum likelihood criterion. This is a large-scale optimization problem, but with a special structure. Assuming that this multivariate density will be i.i.d. in the future, then the density of the discrete returns of a portfolio of assets with nonnegative weights will be a finite mixture of Erlang densities. The risk will be calculated with the Downside Risk measure, which is convex for certain parameters, is not based on quantiles, does not cause risk underestimation and makes the single and multiperiod optimization problems convex. The discrete return is a multiplicative random variable along the time. The multiperiod distribution of the discrete returns of a sequence of T portfolios will be a finite mixture of Meijer G distributions. After a change of the distribution to the average compound, it is possible to calculate the risk and the return, which will lead to the multiperiod efficient frontier, where each point represents one or more ordered sequences of T portfolios. The portfolios of each sequence must be calculated from the future to the present, keeping the expected return at the desired level, which can be a function of time. A dynamic asset allocation strategy is to redo the calculations at each period, using new available information. If the time horizon tends to infinite, then the efficient frontier, in the average compound probability measure, will tend to only one point, given by the Kelly’s portfolio, whatever the risk measure is. To select one among several portfolio optimization models, it is necessary to compare their relative performances. The efficient frontier of each model must be plotted in its respective graph. As the weights of the assets of the portfolios on these curves are known, it is possible to plot all curves in the same graph. For a given expected return, the efficient portfolios of the models can be calculated, and the realized returns and their differences along a backtest can be compared.