Uso de modelos de Machine Learning em Asset PricingUm estudo do cross section de retornos brasileiro
Cardoso, Gabriel Brum
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
Este trabalho busca investigar se os modelos de machine learning, Least Absolute Shrinkage and Selection Operator (LASSO) e Principal Component Regression (PCR) sao capazes de contribuir para a explicação do cross section de retornos para o mercado brasileiro. Para o estudo foram coletados dados da bolsa de valores oficial do Brasil, a B3, de maio de 2012 até maio de 2021, selecionando 16 fatores e características, documentados na literatura como variáveis explicativas para retornos mensais de portfolios. O desempenho de cada modelo foi avaliado por meio do coeficiente de determinação R², dentro e fora da amostra. Os resultados obtidos sugerem que os modelos utilizados apresentaram elevado poder de explicação para os portfolios avaliados.
Ficha do documento
- Tipo
- Dissertação
- Ano
- 2022
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Português
- Acesso
- Acesso aberto
- Identificador
- oai:repositorio.fgv.br:10438/32352
- Temas
- Dados
Conteúdos relacionados
- DissertaçãoModelo preditivo para precificação de ativos com integração de notícias do mercado financeiro e técnicas de machine learningFundação Getulio Vargas · 2025
- TeseEssays on recessions through machine learning techniquesFundação Getulio Vargas · 2023
- DissertaçãoComparing machine learning algorithm performance for automated trading based on fundamentalsFundação Getulio Vargas · 2019
- DissertaçãoNowcasting GDPFundação Getulio Vargas · 2026
