Dissertação
Machine Learning-Based Pairs Trading Strategy with Multivariate Pairs Formed with Multi-objective Optimization EVALUATED
Pairs Trading é uma das mais populares estratégias de arbitragem. Através da monitorização de dois ativos que exibem uma relação de proximidade, o investidor age quando o par apresenta um desequilíbrio, lucrando quando as ações voltam a convergir. Apesar da crescente popularidade do uso de Aprendizagem Automática em áreas financeiras, a maioria das estratégias de pairs trading ainda se fundamenta em processos exaustivos de formação de pares e estratégias de investimento baseadas em heurísticas rígidas. Este trabalho forma pares satisfazendo objetivos contraditórios, maximizando o lucro e minimizando o risco e explora pares multi-variados compostos por mais do que duas ações. Dois algoritmos genéticos elitistas, NSGA II e III, são usados para formar pares, obtendo retornos de 9,7% por ano e demonstrando robustez face a quedas bruscas do mercado. Adicionalmente, pares multi-variados revelam ser menos lucrativos do que os pares tradicionais de duas ações. Complementarmente, é formulada uma estratégia de investimento baseada na previsão do comportamento dos pares, de forma a melhorar a estratégia tradicional. Um modelo ARIMA e um XGBoost são usados para prever o comportamento do par, numa estratégia baseada na tendência do preço das ações, alcançando um rendimento de 23% anualmente, superando o mercado em 2018 e 2019. O sistema é testado com ações do setor imobiliário do S&P500, de 2018 a dezembro de 2021.
novembro 29, 2022, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado