Aplicando aprendizado por máquina na seleção de fundos de ações brasileiros

Resumo

Este estudo visa determinar se algoritmos de aprendizado por máquina podem, com base em informações públicas acessíveis ao investidor, identificar fundos de ações brasileiros com desempenho superior. Esta linha de pesquisa é importante porque diversos estudos indicam dificuldade em utilizar características individuais ou métodos lineares no âmbito de seleção de fundos. Treinamos um modelo para prever, trimestralmente, três métricas úteis para a seleção de fundos: retorno, razão retorno-risco e retorno anormal. Utilizamos o algoritmo de floresta aleatória para prever o desempenho de fundos de ações brasileiros entre 2010 a 2022, construindo portfólios sintéticos a partir dessas previsões. A seleção de fundos baseada em previsões de retorno anormal supera as que utilizam previsões de retorno ou da relação retorno-risco. A análise revela que o modelo baseado em retorno anormal pode ser eficaz para filtrar os fundos de pior desempenho: um portfólio composto pelos fundos com o menor desempenho esperado apresenta um alfa mensal de -0,6%, estatisticamente significativo. O modelo é eficaz em selecionar fundos e montar uma estratégia que supera o IBrX-100 na avaliação empírica. No entanto, esse portfólio sintético não apresenta alfa positivo. Ademais, ao comparar com modelos alternativos, observamos um ganho ao empregar um modelo não linear em detrimento de um linear, mas a diferenças entre os resultados dos modelos não lineares testados é economicamente pequena.

Ficha do documento

Tipo

Dissertação

Ano

2023

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/34716

Temas

Economia

Palavras-chave

Aprendizado por máquinaFloresta aleatóriaFundos de açõesMachine learningRandom forestStock fundsFinançasEconomiaAções (Finanças) - AvaliaçãoFundos de investimentos - AdministraçãoAprendizado do computador