Resumo

Título do Artigo

ALOCAÇÃO DE FUNDOS DE INVESTIMENTO IMOBILIÁRIOS E ESTRATÉGIAS DE NEGOCIAÇÃO: CARTEIRAS ELABORADAS EM ALGORITMOS DE REINFORCEMENT LEARNING
Abrir Arquivo
Ver apresentação do trabalho
Assistir a sessão completa

Palavras Chave

Fundos de Investimento Imobiliários
Estratégias de negociação
Gestão de portfólio

Área

Finanças

Tema

Apreçamento de Ativos

Autores

Nome
1 - Julia Pinheiro Barboza
UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Faculdade de Gestão e Negócios
2 - Gustavo Carvalho Santos
UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Faculdade de engenharia elétrica
3 - Daniel Vitor Tartari Garruti
UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Santa Mônica
4 - Flavio Luiz de Moraes Barboza
UNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU) - Faculdade de Gestão e Negócios

Reumo

No que tange à esfera dos investimentos financeiros, as estratégias de negociação empenham um papel crucial. Contudo, perante o dinamismo e complexidade que o mercado de ativos apresenta, torna-se laborioso projetar táticas lucrativas.
Nesta pesquisa, buscou-se uma abordagem que utiliza esquemas de aprendizado por reforço, a fim de compreender padrões de mercado e trazer uma estratégia de negociação de Fundos de Investimento Imobiliários (FIIs), utilizada em período determinado e com o propósito de maximizar o retorno de uma carteira proposta.
A Hipótese de Mercado Eficiente defende que os preços dos ativos não podem ser previstos e podem se mover de maneira aleatória, refletindo nos preços todas as informações. Enquanto a Hipótese de Mercado Adaptativo sugere que os investidores não são racionais, obtendo vieses e comportando-se de maneira previsível, refletindo nos valores. Logo, é possível realizar análise e prever os movimentos futuros.
Utilizou-se um agente de inteligência artificial configurado com Reinforcement Learning e obtive-se estratégias de negociação de carteiras, ao gerar gráficos através dos algoritmos baseados em ator crítico: Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C), Deep Deterministic Policy Gradient (DDPG), Soft Actor-Critic (SAC) e Twin Delayed Deep Deterministic Policy Gradient (TD3). Esta abordagem procurou utilizar os melhores atributos de cada um dos algoritmos, emitindo diferentes ordens de compra ou venda, a depender das diferentes situações do mercado.
A performance resultante da carteira proposta, com os diferentes algoritmos de aprendizado por reforço foi avaliada e comparada com a estratégia Buy and Hold e o índice IFIX, junto a de alocação de portfólio de variância mínima. A estratégia dos algoritmos individuais propostos são mostrados para superar as estratégias mencionadas e, superaram a carteira de mínima variância.
As carteiras formuladas superaram os métodos tradicionais, corroborando assim para a Hipótese de Mercado Adaptativo e contrapondo a Hipótese de Mercado Eficiente.
FAMA, Eugene F. Efficient capital markets: A review of theory and empirical work. The journal of Finance, v. 25, n. 2, p. 383-417, 1970. LO, Andrew W. The adaptive markets hypothesis: Market efficiency from an evolutionary perspective. Journal of Portfolio Management, Forthcoming, 2004. MARKOWITZ, H. M. Portfolio Selection. The journal of finance, 1952. SHARPE, William F. Capital asset prices: A theory of market equilibrium under conditions of risk. The journal of finance, v. 19, n. 3, p. 425-442, 1964.