A carregar...
Publicação
Machine learning applications in portfolio management theory
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.74 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Portfolio management, being the practice of managing and selecting an investment
strategy and allocation for a defined investor, has always aimed at maximizing return
while minimizing the risk of a combination of financial securities, hence a portfolio. The
financial world has been evolving since Markovitz introduced the modern portfolio
theory (MPT) in 1952, although nowadays it is still widely addressed as the benchmark
and foundation for optimization methods. Traditional techniques of portfolio allocation
such as MPT were considered without flaws for many decades, however its implications
and notions were utilized to create enhanced several newer theories over the years, such
as capital asset pricing theory (CAPM), arbitrage pricing theory (APT) and many others.
The technologic advancement introduced computing power and Artificial Intelligence
(AI) techniques into the industry, creating the possibility of handling large and complex
datasets through instructed algorithms.
The scope of this analysis was to employ the oldest and most popular approach such
as MPT in combination with the Monte-Carlo method, a stochastic model to simulate
random portfolio, and create an investment strategy based on these assumptions. Machine
Learning (ML) models were then applied to analyse their impact on the previous strategy.
Specifically, a clustering algorithm was implemented to reach a high level of
diversification, while an auto-regression model, such as ARIMA, aimed at predicting
future stock prices. The project utilized historical data to compute the analysis and each
strategy was back-tested over four years to evaluate their accuracy and performance and
compared with a benchmark index, Standards and Poor (S&P 500) in this case.
The results of the machine learning-based techniques showed a higher performance
compared to the index benchmark, indicating a well-diversified portfolio due to the
clustering algorithm and an acceptable level of accuracy for the ARIMA model. The
portfolio randomly constructed displayed the lowest performance out of all the strategies
and the benchmark index, since the stocks selection did not provide a high degree of
diversification.
A gestão de carteiras, sendo a prática de gerir e selecionar uma estratégia de investimento e alocação para um investidor definido, sempre teve como objetivo maximizar o retorno, minimizando o risco de uma combinação de títulos financeiros, portanto de uma carteira de investimento. Embora o mundo financeiro tenha evoluindo desde que Markovitz introduziu a Moderna Teoria da Carteira (MPT) em 1952, ainda hoje este modelo é a referência para os métodos de otimização das carteiras. As técnicas tradicionais de alocação de ativos, como o MPT, foram consideradas durante várias décadas. Não obstante, a partir da MPT, surgiram outras teorias, tal como o Capital Asset Pricing Model (CAPM) e a Arbitrage Pricing Theory (APT), entre várias outras. Por outro lado, o avanço tecnológico trouxe poder computacional e técnicas de Inteligência Artificial (IA) para a indústria, criando a possibilidade de tratar grandes e complexos conjuntos de dados através de algoritmos de IA. No âmbito desta análise, empregou-se a abordagem mais clássica da MPT em combinação com Monte-Carlo, um modelo estocástico para simular o comportamento do valor dos títulos e da própria carteira, de modo a criar uma estratégia de investimento com pressupostos próprios. Modelos de Machine Learning (ML) foram igualmente aplicados para analisar o seu impacto na estratégia anterior. Especificamente, foi implementado um algoritmo de agrupamento para atingir um nível de diversificação elevado. Em simultâneo, recorreu-se a um modelo de auto-regressão, ARIMA, para prever os preços futuros das ações. Foram utilizados dados históricos na implementação de cada estratégia, cada uma testada ao longo de quatro anos para avaliar sua precisão e desempenho, tendo sido comparada com um índice de referência, Standards and Poor (S&P 500) neste caso. Os resultados das técnicas baseadas em machine learning mostraram um desempenho superior em relação ao benchmark, indicando um portfólio bem diversificado, devido ao algoritmo de agrupamento, e um nível de precisão aceitável para o modelo ARIMA. A carteira construída aleatoriamente apresentou o menor desempenho entre todas as estratégias e o índice de referência, pois a seleção de ações não proporcionou alto grau de diversificação.
A gestão de carteiras, sendo a prática de gerir e selecionar uma estratégia de investimento e alocação para um investidor definido, sempre teve como objetivo maximizar o retorno, minimizando o risco de uma combinação de títulos financeiros, portanto de uma carteira de investimento. Embora o mundo financeiro tenha evoluindo desde que Markovitz introduziu a Moderna Teoria da Carteira (MPT) em 1952, ainda hoje este modelo é a referência para os métodos de otimização das carteiras. As técnicas tradicionais de alocação de ativos, como o MPT, foram consideradas durante várias décadas. Não obstante, a partir da MPT, surgiram outras teorias, tal como o Capital Asset Pricing Model (CAPM) e a Arbitrage Pricing Theory (APT), entre várias outras. Por outro lado, o avanço tecnológico trouxe poder computacional e técnicas de Inteligência Artificial (IA) para a indústria, criando a possibilidade de tratar grandes e complexos conjuntos de dados através de algoritmos de IA. No âmbito desta análise, empregou-se a abordagem mais clássica da MPT em combinação com Monte-Carlo, um modelo estocástico para simular o comportamento do valor dos títulos e da própria carteira, de modo a criar uma estratégia de investimento com pressupostos próprios. Modelos de Machine Learning (ML) foram igualmente aplicados para analisar o seu impacto na estratégia anterior. Especificamente, foi implementado um algoritmo de agrupamento para atingir um nível de diversificação elevado. Em simultâneo, recorreu-se a um modelo de auto-regressão, ARIMA, para prever os preços futuros das ações. Foram utilizados dados históricos na implementação de cada estratégia, cada uma testada ao longo de quatro anos para avaliar sua precisão e desempenho, tendo sido comparada com um índice de referência, Standards and Poor (S&P 500) neste caso. Os resultados das técnicas baseadas em machine learning mostraram um desempenho superior em relação ao benchmark, indicando um portfólio bem diversificado, devido ao algoritmo de agrupamento, e um nível de precisão aceitável para o modelo ARIMA. A carteira construída aleatoriamente apresentou o menor desempenho entre todas as estratégias e o índice de referência, pois a seleção de ações não proporcionou alto grau de diversificação.
Descrição
Mestrado Bolonha em Finanças
Palavras-chave
MPT diversification Machine Learning Monte-Carlo ARIMA diversificação
Contexto Educativo
Citação
Neri, Marco (2023). “Machine learning applications in portfolio management theory”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão