Resumo

O Brasil vive atualmente o menor patamar de taxa de juros da história, fixada em 2,25%. Isso tem feito com que aplicações de renda fixa se tornem menos interessantes. Nesse sentido, notou-se a migração de investidores de renda fixa para renda variável. Assim sendo, diante das incertezas promovidas com o investimento em ações, em especial em momentos de crise ou pandemia como os vivenciados no primeiro semestre de 2020, é indispensável que os investidores utilizem estratégias seguras de investimento.

O mercado de ações desempenha um papel fundamental no sistema econômico de um país e provê oportunidades aos participantes do mercado tal como investidores, traders, e o público de maneira geral aumentarem suas riquezas através do investimento em ações. Contudo, medidas preventivas devem ser tomadas para lidar com os riscos de mercado. A partir de uma abordagem empregando machine learning o objetivo deste artigo foi propor um modelo de seleção e alocação de ativos que permita a construção de portfólios rentáveis e seguros, mesmo em tempos de insegurança e pouca previsibilidade.

Fazer previsões no mercado de ações é um assunto popular e muito desafiador em finanças. Popular porque prever o retorno de ações é muito útil no processo decisório de alocação de ações em carteiras e desafiador por causa das propriedades dinâmicas, caóticas, não lineares e sujeitas a muitos ruídos do mercado. (JIANG et al., 2020). Atualmente, a realização de previsões baseadas em métodos de machine learning são consideradas uma das mais efetivas soluções para esse desafio. (NIU et al., 2020).

Para atingir o objetivo do estudo utilizou-se o algoritmo de machine learning chamado random forest. Ele foi aplicado com a intenção de relacionar as variáveis independentes com a dependente e expor a probabilidade de retornos positivos no mês subsequente aos dados coletados. As ações posteriormente foram alocadas através de um método conhecido como long and short. Por fim foi alocado na carteira uma parcela de ouro, que é um ativo de proteção muito utilizado em tempos de crise e incerteza.

Os resultados mostraram que a carteira com melhor desempenho no período de 2009 até meados de 2020 foi a carteira long only, com desvio padrão de 7%, resultado acumulado de 4073%, sharpe de 47% e 70% dos meses com retorno positivo. Em contrapartida, quando se isolou o primeiro semestre de 2020 o melhor desempenho foi apresentado pela carteira long and short com alocação de um percentual em ouro, com desvio padrão de 5% e sharpe de 93%.

O trabalho alcançou o objetivo e mostrou ser possível construir carteiras de investimentos rentáveis e seguras mesmo em tempos de maior incerteza e volatilidade, como no caso de 2020 onde presenciou-se a pandemia de COVID-19. Notou-se que o modelo é efetivo em momentos de crise, mas deve ser ajustado em momentos de maior previsibilidade, como o período de 2016 a 2019 no qual a bolsa esteve em tendência de alta.

HARVEY, C. R. et al. The Best of Strategies for the Worst of Times: Can Portfolios be Crisis Proofed? The Journal of Portfolio Management, 2019. PAIVA, F. D. et al. Decision-making for financial trading: A fusion approach of machine learning and portfolio selection. Expert Systems with Applications, v. 115, p. 635–655, 2019 WANG, S. et al. Stock selection strategy of A-share market based on rotation effect and random forest. AIMS Mathematics, v. 5, n. April, p. 4563–4580, 2020a.