Dissertação
Enhancing a Pairs Trading Strategy with the Application of Machine Learning EVALUATED
Pairs Trading é uma das estratégias mais importantes utilizadas por fundos de investimento. É particularmente interessante por ultrapassar o processo árduo de avaliação de títulos financeiros focando-se no preço relativo. Através da compra de um título financeiro relativamente subvalorizado e da venda de um sobrevalorizado, o investidor pode lucrar após a convergência dos preços do par. No entanto, com a afluência dos dados disponíveis, tornou-se mais difícil encontrar pares recompensadores. Neste trabalho investigamos dois problemas: (i) como encontrar pares rentáveis num espaço de procura limitado e (ii) como evitar longos períodos de queda devido a pares com divergência prolongada. Para gerir estas dificuldades, exploramos a aplicação de técnicas promissoras de Aprendizagem Automática. Propomos a integração de um algoritmo de aprendizagem não supervisionada, OPTICS, para lidar com o problema (i). Os resultados demonstram que a técnica sugerida é capaz de superar as técnicas comuns, sendo que o portfólio alcança um Sharpe ratio médio de 3.80, em comparação com 3.58 e 2.59 obtido com técnicas padrão. Para o problema (ii), introduzimos um modelo de investimento baseado em previsão, capaz de reduzir os períodos de queda em 75%, ainda que isso implique uma diminuição da rentabilidade. A estratégia proposta é testada utilizando um modelo ARMA, uma LSTM e um Codificador-Descodificador baseado em LSTM. Os resultados deste trabalho são simulados durante diversos períodos, entre Janeiro de 2009 e Dezembro de 2018, utilizando séries de preços de 5 minutos de um grupo de 208 ETFs relacionadas com commodities, e considerando custos transacionais.
setembro 30, 2019, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado