FenixEdu™

Dissertação

Stock Market Prediction and Portfolio Composition Using a Hybrid Approach Combined with Self-Adaptive Evolutionary Algorithms EVALUATED

Detalhes: Este trabalho apresenta uma nova abordagem para maximizar retornos no mercado financeiro. Para tal, incorpora dois EAs combinados com estratégias de investimento técnicas/fundamentais. O primeiro EA (simples) mantém os seus parâmetros estáticos durante a evolução. O segundo (auto-adaptável) introduz os valores dos operadores de variação na representação. O EA é responsável por otimizar o peso que os rácios financeiros do F-Score têm durante a composição de portfolios. Além disso, são também responsáveis por definir a importância que os indicadores técnicos têm quando revelam a melhor altura para fazer posições. Neste trabalho foi criado um caso de estudo fundamental e outro técnico, utilizando empresas do SP500. Os resultados mostraram que ambos os casos de estudo superaram os retornos do SP500, obtendo os melhores resultados usando um EA auto-adaptável combinado com um portfólio estático e uma janela deslizante de 2 anos de treino/teste. Por um lado, o caso de estudo técnico mostrou melhores resultados nos bear markets, pois conseguiu prever quedas no mercado. O seu melhor subteste obteve retornos em média 2.2x e no seu melhor 3.5x maior que o benchmark. O seu Sharpe Ratio alcançou, em média, 4.9x e nos seus melhores resultados 9x maiores que o benchmark. Por outro lado, o caso de estudo fundamental apresentou melhor desempenho em bull markets, atingindo valores altos. O seu melhor subteste obteve retornos em média 2.4x e no seu melhor 3.2x superior à referência. O seu SR alcançou, em média, 4.4x e nos seus melhores resultados 6.5x mais altos que o benchmark.
Keywords: Algoritmos Evolucionários, Algoritmos Evolucionários Auto-adaptáveis, Análise Técnica, Análise Fundamental, Indicadores Técnicos, F-Score

Discussão: dezembro 3, 2019, 13:0