{en_GB=Portfolio Composition using Fundamental Analysis and Rule Optimization} {} EVALUATED

Detalhes: {pt=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., en=Artificial intelligence and the rapid growth of computational power has revolutionized the way financial trading is done. Computers are now able to make faster and more accurate decisions thanks to their capacity to process larger quantities of data in a shorter amount of time. In this work, we propose a trading system that selects companies based on their financial performance and historical stock data to actively manage a portfolio. The proposed system starts by filtering companies with a steady financial growth in order to restrict possible investments to stocks that are less vulnerable to unexpected price drops. A set of trading rules is used to evaluate how far a stock is from its desirable conditions, buying and selling it accordingly. The importance weights given to each rule are optimized in order to adapt this evaluation to the underlying market conditions, with the goal of maximizing the portfolio’s profitability. We explore the use of Particle Swarm Optimization for solving this problem, testing adaptive variants and different topologies. The proposed strategy was simulated using daily data from S&P500 index constituents during the period between January 2015 and January 2018, which allowed to test the approach under several market conditions. The system achieved an annual average return of 11.23% and outperformed the benchmark during periods of high volatility. The financial filtering method itself showed very promising results during uptrending markets.}

Discussão: novembro 22, 2019, 16:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Renato Afonso Garcia Henriques (ist181588)

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar