Dissertação

Portfolio Optimization with NeuroEvolution of Augmenting Topologies EVALUATED

O algoritmo NEAT é usado para resolver Problemas de Otimização com Restrições utilizando Funções de Penalidade, com o intuito de otimizar diferentes Métricas de Desempenho, obtendo o Sinal de Alocação de Capital que determina qual a percentagem do capital que é alocada para cada empresa no início de cada mês. Para obter o Sinal de Negociação – que representa os sinais diários de compra e venda – os dados dos indicadores técnicos, preços diários e de volume são transformados usando o método de Análise de Componentes Principais (PCA) para reduzir a dimensão do input que é introduzido no algoritmo NEAT. Uma função de fitness, que combina a Taxa de Retorno (ROR) com a média dos lucros diários durante a fase de teste do algoritmo, é implementada para avaliar o desempenho de cada genoma na população. A simulação é feita com dados diários reais durante o ano de 2018. Três casos de estudo diferentes foram analisados para garantir a robustez do sistema: diferentes abordagens de Stop- Loss, diferentes combinações de dados através de métodos estatísticos e diferentes Métricas de Desempenho otimizadas pelo NEAT. A partir da combinação destes estudos, foi encontrada uma solução que superou a estratégia buy and hold do índice S&P500, atingindo uma taxa de retorno final de 45,25% e um desvio padrão dos retornos da Carteira de Investimentos de 0,0790. Ficou provado que, apesar do crash no mercado, a solução do sistema garantiu ganhos estáveis durante todo o ano.
Carteira de Investimentos, Neuroevolução de Topologias de Aumento, Problemas Otimização com Restrições, Funções de Penalidade, Métricas de Desempenho, Análise de Componentes Principais

Julho 1, 2019, 9:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

José Rui De Matos Figueira

Departamento de Engenharia e Gestão (DEG)

Professor Associado

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar