[pt] Esta dissertação apresenta o desenvolvimento de um sistema
híbrido, baseado em Algoritmos Genéticos (AG) e Redes
Neurais (RN), no processo de seleção de ações, na
determinação do percentual a investir em cada ativo também
denominado peso do ativo na carteira e gerenciamento de
carteiras de investimento. O objetivo do trabalho é
avaliar o desempenho de Algoritmos Genéticos e Redes
neurais para a montagem e gerenciamento de carteiras de
investimento. A construção e gerenciamento de carteiras de
investimento é um problema de múltiplos objetivos (retorno
e risco) onde deseja-se escolher um conjunto de ações de
empresas com perspectivas de lucro para formar a carteira
de investimento. Esta escolha é difícil devido ao grande
número de possibilidades e parâmetros a serem
considerados, como: retorno, risco, correlação,
volatilidade, entre outros; razão pela que é considerado
como problema do tipo NP-completo.
O trabalho de pesquisa foi desenvolvido em 5 etapas
principais: um estudo sobre a área de carteiras de
investimento; um estudo sobre os modelos com técnicas de
inteligência computacional empregados nesta área; a
definição de um modelo híbrido Genético-Neural para a
seleção e gerenciamento da carteira para o caso
estacionário; a definição de um modelo híbrido Genético-
Neural para a seleção e gerencia de carteira para o caso
variante no tempo; e o estudo de casos.
O estudo sobre a área de carteiras de investimento
envolveu toda a teoria necessária para a construção e
gerenciamento de carteiras de investimento.
O estudo sobre as técnicas de inteligência computacional,
define-se os conceitos principais de Algoritmos Genéticos
e Redes Neurais empregados nesta dissertação.
A modelagem híbrida Genético-Neural para o caso clássico
ou estacionário, constituiu fundamentalmente mo emprego de
um Algoritmo Genético para selecionar os ativos da
carteira a partir de um subconjunto de ativos noticiados
na Bolsa de Valores de São Paulo - Brasil (BOVESPA). Uma
Rede Neural auxilia na gerência da carteira, fazendo
previsões dos retornos dos ativos para o próximo período
de avaliação da carteira.
Na seleção de ativos, dois algoritmos genéticos são
modelados: o primeiro procura escolher 12 dentre 137
ativos negociados na BOVESPA, que apresentem maior
expectativa de retorno, com menor risco e que apresentem
baixa correlação com os demais ativos; e o segundo procura
escolher os ativos empregando o modelo de Makowitz e o
critério de Fronteira eficiente.
A previsão de retornos da as ações é uma estratégia que
visa melhorar o desempenho de carteiras de investimento
que, tipicamente, consideram apenas o retorno médio do
ativo. Diferentes modelos de redes neurais foram testados,
como: Backpropagation, Redes Neurais Bayesianas, Sistema
Neuro-Fuzzy Hierárquico e Redes Neurais com Filtros de
Kalman; os melhores resultados de previsão foram obtidos
com redes neurais com Filtros de Kalman. Para o caso
estacionário foram usadas como entradas da rede neural os
retornos semanais, tanto do ativo como do índice do
mercado, empregando-se o método de janela deslizante para
a previsão um passo a frente.
A modelagem híbrida Genético-Neural para o caso variante
no tempo, constituiu no emprego de 3 modelos: um AG para
fazer a escolha dos ativos da carteira; o modelo GARCH
para fazer as previsões da volatilidade dos ativos e o
cálculo do risco de cada um deles dado pelo VAR (medida de
risco que tenta quantificar a perda máxima que uma
carteira (ou ativo) pode ter em um horizonte de tempo e
com um intervalo de confiança); e uma RN para fazer as
previsões dos retornos dos ativos para o próximo período
de avaliação de carteira.
Na montagem da carteira, empregou-se o Critério de
Fronteira eficiente para a seleção dos ativos, também
dentre os 137 negociados na BOVESPA.
A previsão da volatilidade das ações é uma forma de
indicar quanto pode variar o preço da ação, medida útil
para determinar o risco de um ativo representado pelo VAR. / [en] This dissertation presents the development of a hybrid
system, based in Algorithms Genetics (AG) and Neural
Networks (RN), for the selection of stocks, for the
determination of the percentage to invest in each asset
called weight of the stocks on the portfolio and investmet
portfolio management. The objective multiples (return and
risk) where desired to choose a set of actions of
compaines with profit perspectives to form the investment
portfolio. This choice difficult must to the great number
of possiblities and parameters be considered, as: return,
risk, correlation volatility, among others; reason by
which it is considered as problem NP-Complete.
The research work was developed in 5 main stages: a study
on the investment portfolio area; a study on the models
that use techniques of computacinal intelligence in this
area; the dffinition of a hybrid model Genetic-Neural for
the selection and manages of portfolio for the variant
case in the time; and the study of cases.
The study of the investment portfolio area it involved all
the necessary theory for the construction and investment
portfolio management.
The study the techniques of computacional intelligence it
defines the main concepts of Genetic Algorithms and Neural
Networks used in this dissertation.
The hybrid modeling Genetic-Neural for the classic or
stationary case, consisted basically in the use of a
Genetic Algorithm to select the stocks of the portfolio
from a subgroup of assets negotiated in the Stock exchange
of São Paulo - Brazil (BOVESPA). A Neural Network assists
in the management of the portfolio, making forecasts of
the returns of the assets for the next period to
evaluation of the portfolio.
In the asset seletion, two genetic algorithm are shaped:
the first selects 12 amongst 137 assets negotiated in the
São Paulo Stock Exchange, that present greater return
expectation, with lesser risk and that they present low
correlation with the others assets; and the second selects
the assets using the model of Markowitz and the Criterion
of Efficient Frontier.
The forecast of returns of the stocks is a strategy that
it aims at to improve the investment portfolio
performance, typically, they consider only the average
return of the asset. Diferent models of neural networks
had been tested as: Neural Back Propagation, Networks
Bayesianas, Hierarchic Neuro-Fuzzy System and Neural
Networks with Filters of Kalman. The best ones resulted of
forecast had been gotten with the neural network the
weekly returns, as Filters of Kalman. For the stationary
case they had been used as entred of the neural network
the weekly returns, as much of the asset as of the index
of the market, using itself the method of sliding window
to make the forecast a step the front.
The hybrid modeling Genetic-Neural for the variant case in
the time, consisted of the use of 3 models: a AG to make
the choice of the assets of the portfolio; model GARCH to
make the forecasts of the volatility of the assets and the
calculation of the risk of each asset is given by the VAR
(measured of risk that tries to quantify the maximum loss
that portfolio (or asset) can have in a horizon of time
and with a confidence interval); e a RN to make the
forecasts of the returns of the assets for the next period
to evaluation of the portfolio.
In the construction of the portfolio, the Criterion of
Efficient Frontier for the selection of the assets was
used, also amongst the 137 negotiated in the São Paulo
Stock Exchange.
The forecast of the volatility of the assets is a form to
indicate how much it can vary the price of the assets,
measured useful to determine the risk of an asset
represented for the VAR. For this case job model GARCH to
make this forecast.
For the forecast of the returns os the assets they had
been used as inputs of the Neural Networks Back
Propagation the 10 last weekly returns of the assets and
the volatily of the asset, using itself also the method of
sliding win
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7541 |
| Date | 28 November 2005 |
| Creators | JUAN GUILLERMO LAZO LAZO |
| Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO, MARCO AURELIO CAVALCANTI PACHECO, MARCO AURELIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0035 seconds