FenixEdu™

Dissertação

{en_GB= Mixture of Random Forest Experts in Options Portfolio Management} {} EVALUATED

Detalhes: {pt=Os mercados financeiros têm sido estudados por diversos trabalho de investigação. Embora muitas soluções em Aprendizagem de Máquina tentem prever o mercado de ações, o mercado de derivativos continua com muito por explorar. O principal objectivo desta tese de Mestrado é o desenvolvimentode um algoritmo capaz de fazer negociação de produtos financeiros. Para atingir este objectivo, foi utilizada uma abordagem moderna para lucrar no mercado de opções, procurando um portfolio com altos retornos e baixo risco associado. A arquitetura inclui uma abordagem baseada em Análise Técnica e Aprendizagem de Máquina para desenvolver um sistema que vai da coleção ao processamento, previsão e negociação de opções. É utilizada uma Mistura de Especialistas (MoE) composta por Florestas Aleatórias (RaF) para otimizar a predição do indice S&P500 (SPX). O trabalho final supera a literatura com uma Taxa de Retorno (ROR) de 100%, e 1.90 de índice Sharpe, no ano de 2015, enquanto uma simples estratégia de "Comprar e Manter" no SPX apenas consegue 0.22% de ROR e 0.09 de índice Sharpe. Na segunda metade de 2017, quando o mercado está a subir e o mercado das opções se encontra instável, o nosso algoritmo atinge os 42% de retorno, e uma única RaF triplicou o dinheiro investido. As principais contribuições deste trabalho oferecem uma estratégia sólida que atinge retornos altos no mercado das opções, especialmente em períodos de grande volatilidade, conseguindo um dos melhores Rácios Retorno-Risco (RRR) reportados, sem ter de recorrer à Análise Fundamental., en=The financial markets have been studied in many research works. Although many Machine Learning solutions try to predict the stock market, the derivatives market still has a lot to explore. This Master thesis main goal is to develop an algorithm able to trade financial products. To achieve this main goal, a modern approach to trade in the Options Market was used, through an incremental validation, aiming a portfolio with high profits and associated controlled risk. The architecture includes an approach based on Technical Analysis and Machine Learning to develop a system that goes from collection to process, forecast and trade the options data. It uses a Mixture of Experts (MoE) composed of Random Forests (RaF) to optimize the forecasting performance of the S&P500 index (SPX). The final work overcomes the previous literature with an Annual Rate of Return (ROR) of 100% and Sharpe Ratio of 1.90, on the year of 2015 when a simple Buy&Hold on the SPX only achieves 0.22% of ROR and 0.09 of Sharpe Ratio. On the second half of 2017, when the market was bullish and the options market unstable, it also achieved more than 42%, and a single RaF was able to triplicate the invested money. The main implications of this work provide a solid strategy to accomplish higher profit margins in the options market, especially in periods of high volatility, providing one of the best Return Risk Ratios (RRR) reported, without resorting to Fundamental Analysis data.}
Keywords: {pt=Aprendizagem de Máquina, Aprendizagem Conjunta, Análise Técnica, Opções, Mistura de Especialistas, Gestão de Portfólio, en=Machine Learning, Ensemble Learning, Technical Analysis, Options, Mixture of Experts, Portfolio Management}

Discussão: outubro 9, 2020, 13:0