Banca de DEFESA: VITOR ROSA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : VITOR ROSA SILVA
DATA : 10/01/2025
HORA: 14:00
LOCAL: https://meet.google.com/tku-erph-bzm
TÍTULO:

CARTEIRA ÓTIMA DE ATIVOS FINANCEIROS: UMA ABORDAGEM
COMPARATIVA ENTRE O MODELO RANDOM FOREST E O
MODELO TRADICIONAL DE MARKOWITZ

PALAVRAS-CHAVES:

Otimização de Portfólios, Teoria de Markowitz, Random Forest, Aprendizado de Máquina.

PÁGINAS: 93
RESUMO:

A dissertação examina a otimização de portfólios combinando a Teoria de Markowitz com o
modelo de aprendizado de máquina Random Forest. Utilizando dados semanais de ativos de
alta liquidez da B3, o estudo visa melhorar a previsão de retornos e maximizar a relação riscoretorno.
A metodologia abrange o uso de Python para manipulação de dados e aplicação dos
modelos, com a divisão dos dados entre treino e teste. O estudo mostrou que a integração do
aprendizado de máquina traz benefícios ao portfólio. Os resultados sugerem que essa
abordagem híbrida é promissora para a gestão de portfólios em mercados dinâmicos e incertos,
consolidando o aprendizado de máquina como uma ferramenta eficaz para a previsão de
retornos e a redução de riscos financeiros. O modelo híbrido Random-Forest/Markowitz
superou o método tradicional em todos os critérios de performance: alcançou um retorno
acumulado de 84,20%, significativamente superior aos 12,08% do modelo Tradicional-
Markowitz. Além disso, o modelo híbrido obteve mais semanas positivas (108) comparado à
abordagem tradicional (97), evidenciando maior consistência de ganhos ao longo do tempo.
Em momentos de baixa intensidade no mercado, o modelo Random-Forest limitou as perdas,
com uma máxima de -51,14%, e ainda alcançou um Treynor Ratio elevado (1,46) em contraste
com o resultado negativo do modelo tradicional (-0,15). O alto Information Ratio (18,31)
destaca ainda a capacidade do modelo híbrido de captar oportunidades de mercado e
minimizar riscos sistêmicos. Em termos de diversificação e controle de risco, as carteiras
híbridas apresentaram uma alocação mais eficiente e robusta frente ao mercado volátil. Esses
resultados sugerem que a incorporação de aprendizado de máquina na previsão de retornos
pode aprimorar a gestão financeira, permitindo uma alocação de ativos mais eficaz em
condições de incerteza. A abordagem híbrida mostrou-se promissora, indicando que métodos
avançados como o Random Forest são estratégias úteis para a construção de portfólios mais
eficientes e resilientes em cenários econômicos dinâmicos e imprevisíveis.

MEMBROS DA BANCA:
Externo à Instituição - BRUNO DOS SANTOS GÓIS
Interna - 3363333 - CAMILA CARDOSO PEREIRA
Presidente - 1223790 - REINAN RIBEIRO SOUZA SANTOS