| dc.description.abstract |
Os fundos previdenciários estão se avolumando em território nacional, tanto por razões de ordem social, quanto pelo crescente interesse dos indivíduos por um planejamento financeiro mais robusto, assim, tornando estes fundos maiores, mais diversificados e consequentemente mais relevantes para o mercado financeiro. Vislumbrando esta nova dinâmica, este estudo busca criar um modelo que utiliza machine learning (aprendizagem de máquina), interação social e simulação de sensibilidade para gerir um portfólio. Mais precisamente, o modelo determina a porcentagem do patrimônio que cada ativo do portfólio receberá a cada período de rebalanceamento algorítmico. Ao final de cada rebalanceamento, o modelo analisa individualmente a rentabilidade e índice de Sharpe de cada ativo, além do índice de Sharpe do portfólio, premiando ou punindo, com mais ou menos recursos, os ativos com melhor ou pior desempenho no período. As punições e as premiações abrandadas ou maximizadas pela sensibilidade do algoritmo podem variar entre arrojado, moderado e conservador. Por fim, o algoritmo foi exposto a uma série de testes para evidenciar sua eficiência. Os resultados demonstraram que os portfólios simulados obtiveram desempenhos satisfatórios em sua maioria. |
pt_BR |
