Modelo analítico para gerenciamento de portfólio

Abstract

In the field of finance and investments, it is known that the capital market is the most inclusive way to invest in successful businesses, build and preserve assets over time, especially with a social security focus. In the current situation where a large part of the population has little financial education to manage their investments autonomously, a model capable of generating automated recommendations from the analysis of the investor profile and financial data of the assets available in the market can be seen as a way to facilitate the process of managing investments so that the user can focus on their personal and professional development. In this work, predictive models were developed and evaluated to generate a retirement investment portfolio aligned with the user’s profile, seeking the best possible return within the permitted volatility levels. After a comprehensive analysis of the state of the art in data science and time series, and the collection and preparation of fundamental historical data of B3 stocks, various predictive models were tested using the PyCaret and Prophet libraries. The AdaBoost model with Cond. Deseasonalize & Detrending, developed with PyCaret, was identified as the best performing, significantly outperforming the Prophet model in all evaluated metrics (MAE, RMSE, and MAPE). Although Prophet showed slight superiority in practical precision, its predictions were not consistent. It was concluded that the PyCaret model is more suitable for predicting the P/E of ABEV3 stock, highlighting the need to choose appropriate models and conduct rigorous evaluations to achieve reliable forecasts in the financial market. It is suggested, for future work, to explore other machine learning models, hyperparameter optimization, inclusion of more fundamental variables, and conducting comparative studies with different forecasting horizons.

No âmbito de finanças e investimentos sabe-se que o mercado de capitais é o meio mais inclusivo para se investir em negócios de sucesso, construir e preservar patrimônio ao longo do tempo, principalmente com foco previdenciário. Na situação atual, aonde grande parte da população possui pouca educação financeira para gerir seus investimentos de forma autônoma, um modelo capaz de gerar recomendações automatizadas a partir da análise do perfil do investidor e dados financeiros dos ativos disponíveis no mercado pode ser vista como uma forma de facilitar o processo de gerenciar investimentos de maneira que o usuário foque em seu desenvolvimento pessoal e profissional. Neste trabalho, foram desenvolvidos e avaliados modelos preditivos para gerar um portfólio de investimento previdenciário alinhado ao perfil do usuário, buscando o melhor retorno possível dentro dos níveis de volatilidade permitidos. Após uma análise abrangente do estado da arte em ciência de dados e séries temporais e a coleta e preparação de dados fundamentalistas históricos de ações da B3, foram testados diversos modelos preditivos utilizando as bibliotecas PyCaret e Prophet. O modelo AdaBoost com Cond. Deseasonalize & Detrending, desenvolvido com PyCaret, foi identificado como o de melhor desempenho, superando significativamente o modelo Prophet em todas as métricas avaliadas (MAE, RMSE e MAPE). Embora o Prophet tenha demonstrado leve superioridade em termos de precisão prática, suas previsões não foram consistentes. Concluiu-se que o modelo PyCaret é mais adequado para previsão de P/L da ação ABEV3, destacando a necessidade de escolher modelos adequados e realizar avaliações rigorosas para alcançar previsões confiáveis no mercado financeiro. Sugere-se, para trabalhos futuros, explorar outros modelos de aprendizado de máquina, otimização de hiperparâmetros, inclusão de mais variáveis fundamentalistas e a realização de estudos comparativos com diferentes horizontes de previsão.