[pt] Há diferentes tipos de investidores que compõem o mercado financeiro e
produzem oportunidades de mercado em diferentes escalas de tempo. Isto
evidencia uma estrutura heterogênea de mercado. Nesta tese conjecturamos
que podem haver oportunidades mais preditivas do que outras, o que
motiva a investigação e a construção de estratégias multirresolução. Para
estratégias multirresolução há abordagens que utilizam a decomposição
de séries temporais para a operação em resoluções distintas ou propostas
para a construção de conjuntos de dados de acordo com decisões de
negociação multirresolução. As demais estratégias, em sua maioria, são
de resolução única. Nesta tese, abordamos dois problemas, maximização
de retorno acumulado e maximização de retorno acumulado com o risco
controlado, e propomos uma abordagem computacionalmente eficiente para
a construção de estratégias multirresolução, a partir da resolução do
problema de Agendamento de Intervalos Ponderados. Nossa metodologia
consiste em dividir o dia de mercado em intervalos, especializar traders
por intervalo e associar um prêmio a cada trader. Para o problema de
maximização de retorno acumulado, o prêmio de cada trader corresponde ao
retorno acumulado entre dias para o intervalo de operação associado. Para
o problema de maximização de retorno acumulado com controle do risco,
o prêmio de cada trader corresponde ao retorno acumulado dividido pelo
risco para o intervalo de operação associado. Diferentemente do problema
anterior, empregamos um conjunto de traders por intervalo e utilizamos o
método de Média-Variância, de Markowitz, para encontrar pesos ótimos
para conjunto de traders de forma a controlar o risco. Conjecturamos
aqui que o controle do risco por intervalo acarreta no controle do risco
global da estratégia para o dia. Para a sinalização das ordens de compra e
venda, nossos traders utilizam detectores de oportunidades. Estes detectores
utilizam algoritmos de Aprendizado de Máquina que processam informações
de indicadores de análise técnica e dados de preço e volume. Realizamos
experimentos para dez ativos de maior liquidez da BMF&Bovespa para um
período de um ano. Nossa estratégia de Composição de um Time de Traders
(CTT) apresenta 0, 24 por cento de lucro médio diário e 77, 24 por cento de lucro anual, superando em 300 por cento e 380 por cento, respectivamente, uma estratégia de resolução
única. Para os custos adotados, a estratégia CTT é viável a partir de
50.000,00 dólares. Para o problema de maximização do retorno acumulado com
risco controlado, a estratégia de Composição de Carteiras por Intervalos
(CCI) apresenta em média 0, 179 por cento de lucro diário e 55, 85 por cento de lucro
anual, superando o método de Média-Variância de Markowitz. Para os
custos adotados, a estratégia CCI é viável a partir de 2.000.000,00 dólares.
As principais contribuições desta tese são: abordagem por Agendamentos
de Intervalos Ponderados para a construção de estratégias e o emprego do
modelo de Média-Variância para compor uma carteira de traders ao invés
da tradicional abordagem por ativos. / [en] There are different types of investors who make up the financial
market and produce market opportunities at different time scales.
This indicates a heterogeneous market structure. In this thesis, we
conjecture that may have more predictive opportunities than others, what
motivates research and construction of we denominate multirresolution
optimal strategies. For multirresolution strategies there are time series
decomposition approaches for operating at different resolutions or proposals
for dataset construction according to multirresolution trading optimal
decisions. The other approaches, are single resolution. Thus, we address
two problems, maximizing cumulative returns and maximizing cumulative
returns with risk control. Here, we propose solving the Weighted Interval
Scheduling problem to build multirresolution strategies. Our methodology
consists of dividing the market day into time intervals, specialize traders
by interval and associate a prize to each trader. For the cumulative return
maximization problem, the prize corresponds to cumulative returns between
days for the associated trader operation interval. For the cumulative return
maximization problem with risk control each trader prize corresponds to
cumulative return divided by risk with associated operation interval. In
order to control the risk, we employ a set of traders by interval and apply
the Markowitz Mean-Variance method to find optimal weight for set of
traders. Here, we conjecture that controlling each interval risk leads to the
overall risk control of the day. For signaling buy and sell orders, our traders
use opportunity detectors. These detectors correspond to Machine Learning
algorithms that process technical analysis indicators, price and volume
data. We conducted experiments for ten of the most liquid BMF&Bovespa
stocks to a one year span. Our Trading Team Composition strategy results
indicates an average of 0.24 per cent daily profit and a 77.24 per cent anual profit,
exceeding by 300 per cent and 380 per cent, respectively, a single resolution strategy.
Regarding operational costs, CTT strategy is viable from 50,000 dollars.
For the cumulative return maximization problem under risk control, our
Portfolio Composition by Intervals strategy results indicates an average of
0.179 per cent daily profit and a 55.85 per cent anual profit, exceeding a Markowitz Mean-
Variance method.
Regarding operational costs, CCI strategy is viable from 2,000,000 dollars.
Our main contributions are: the Weighted Interval Scheduling approach for
building multirresolution strategies and a portfolio composition of traders
instead of stocks performances.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:21981 |
| Date | 03 September 2013 |
| Creators | LEANDRO GUIMARAES MARQUES ALVIM |
| Contributors | RUY LUIZ MILIDIU |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0027 seconds