Dissertação

Portfolio Composition using Fundamental Analysis and Rule Optimization EVALUATED

A inteligência artificial e o rápido crescimento do poder computacional revolucionaram a forma como os investimentos são realizados. Os computadores são hoje capazes de tomar decisões mais rápidas e precisas, graças à sua capacidade de processar grandes quantidades de dados num reduzido período de tempo. Neste trabalho, propomos um sistema de investimento que seleciona empresas com base no desempenho financeiro e dados históricos das suas ações para gerir ativamente uma carteira de ações. O sistema proposto começa por filtrar as empresas com crescimento financeiro constante, a fim de restringir possíveis investimentos a ações menos vulneráveis a quedas de preços inesperadas. Um conjunto de regras de compra e venda são usadas para avaliar o quão próxima uma ação está das suas condições desejáveis. Os pesos atribuídos a cada regra são otimizados de forma a adaptar a avaliação às condições subjacentes ao mercado, com o objetivo de maximizar a rentabilidade do portfólio. Exploramos o uso do método Particle Swarm Optimization para resolver este problema, testando variantes adaptativas e diferentes topologias. A estratégia proposta foi simulada usando dados diários dos constituintes do índice S&P500 durante o período entre janeiro de 2015 e janeiro de 2018, o que permitiu testar a abordagem em várias condições de mercado. O sistema alcançou um retorno médio anual de 11.23% e superou o desempenho do índice em períodos de alta volatilidade. O método de filtragem financeira mostrou resultados promissores durante mercados em alta.
Sistema de investimento, Composição de carteiras de ações, Análise Fundamental, Análise Técnica, Particle Swarm Optimization, Computação Evolucionária

Novembro 22, 2019, 16:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar