Uma extensão do Framework de Almgren-Chriss para execução ótima de transações usando aprendizado de máquina

Resumo

Este trabalho busca explorar o uso do aprendizado por reforço como uma forma de melhorar uma solução analítica para o problema de liquidação ótima. Dado um determinado volume de liquidação a ser executado com um horizonte de tempo fixo e períodos de transação discretos, o objetivo será adaptar uma trajetória de liquidação gerada através de um modelo analítico de forma a torná-la dinâmica em relação a condições mais favoráveis/desfavoráveis à execução que não são levadas em conta pelo modelo base, reduzindo assim o custo operacional de transação. Replicando Hendricks e Wilcox (2014), o modelo base a ser utilizado será um modelo de Almgren-Chriss com impactos de preço lineares, um modelo já comumente utilizado para a otimização de execução em transações de mercado. Um agente é treinado para modificar a trajetória de execução gerada pelo modelo analítico, incorporando informações relativas ao volume disponível e aos spreads do mercado no momento da execução. O modelo é aplicado para ações transacionadas na B3, sendo capaz de uma redução de até 6,5% no déficit de implementação médio, comparado com o modelo base.

Ficha do documento

Tipo

Dissertação

Ano

2020

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/29884

Temas

Economia

Palavras-chave

Reinforcement learningTransaction cost analysisOptimal liquidationAlmgren-Chriss modelsHybrid modelsAprendizado por reforçoCustos de transaçãoLiquidação ótimaModelode Almgen-ChrissModelos híbridosEconomiaAprendizado do computadorModelos econômicos