Dissertação

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

{pt=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., en=This work presents a new approach to maximize financial market investment returns. It incorporates two Evolutionary Algorithms combined with fundamental/technical investment strategies. The first EA (simple) maintains its parameters static during evolution. The second (self-adaptive) introduces the variation operators’ values in the representation for them to evolve. The EA is responsible for optimizing the weight that financial ratios from the F-Score have on composing portfolios. Furthermore, it is also responsible for defining the importance that selected technical indicators have on revealing the best timing for positions placement. A fundamental and a technical case study was created employing companies from the SP500. These were trained/tested in a sliding window scheme between 01/2012 and 12/2018. Results showed that both case studies surpassed the SP500 returns, performing their best results using a self-adaptive EA combined with a static portfolio and a sliding window of 2 years of train/test. On the one hand, the technical case study showed better results in “bear markets” since it predicted market declines. Its best subtest achieved returns on average 2.2x and in its best 3.5x higher than the benchmark. Its Sharpe Ratio achieved, on average, 4.9x and in its best 9x higher results than the benchmark. On the other hand, the fundamental case study displayed better performance in the “bull market”, achieving high market prices. Its best subtest achieved returns on average 2.4x and in its best 3.2x higher than the benchmark. Its SR achieved, on average, 4.4x and in its best 6.5x higher results than the benchmark.}
{pt=Algoritmos Evolucionários, Algoritmos Evolucionários Auto-adaptáveis, Análise Técnica, Análise Fundamental, Indicadores Técnicos, F-Score, en=Evolutionary Algorithms, Self-adaptive Evolutionary Algorithms, Technical Analysis, Fundamental Analysis, Technical Indicators, F-Score}

Dezembro 3, 2019, 13:0

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar