Seleção de fundos multimercadouma aplicação de modelos de machine learning

Resumo

Este trabalho propõe uma abordagem sistemática para seleção de carteiras de fundos multimercado com potencial de desempenho superior ao mercado, representado pelo Índice de Hedge Funds ANBIMA (IHFA). Utilizando dados públicos da Comissão de Valores Mobiliários (CVM), foram analisadas informações históricas e características operacionais de fundos brasileiros entre 2009 e 2024. Diferentes modelos de aprendizado supervisionado foram avaliados — incluindo Regressão Logística, Random Forest com bagging ou com boosting, e K-Vizinhos mais Próximos (K-NN) — com o objetivo de prever, com base em variáveis ex-ante, os fundos que se destacarão em termos de índice de Sharpe no ano seguinte. As previsões alimentaram a construção anual de carteiras equiponderadas, posteriormente avaliadas por backtests. Os resultados apontam que os modelos baseados em árvores, especialmente o Random Forest tradicional, apresentaram melhor desempenho, com retornos ajustados ao risco superiores ao CDI e ao IHFA, mesmo após a inclusão de custos tributários. A análise reforça o potencial do uso de técnicas de machine learning na alocação de capital em fundos de investimento no Brasil.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/37311

Temas

EconomiaTransportesDados

Palavras-chave

Fundos de investimentoFundos multimercadoAprendizado de máquinaSeleção de fundosRegressão logísticaRandom forestBaggingBoostingK-NNInvestment fundsMultimarket fundsMachine learningFund selectionLogistic regressionEconomiaFundos de investimentosInvestimentos - AnáliseAprendizado do computadorÁrvores de decisão