OTIMIZAÇÃO DE PORTFÓLIO COM PRÉ-SELEÇÃO DE ATIVOS USANDO MACHINE LEARNING: UMA APLICAÇÃO NO CONTEXTO DOS MERCADOS EMERGENTES

Resumen

O presente estudo tem como intuito formar melhores crenças sobre o desempenho futuro dos ativos, combinando a pré-seleção de ativos na formação de portfólio por meio da machine learning, aplicando tais técnicas no contexto mercado dos mercados emergentes. Para tanto, será analisado o método tradicional de otimização de carteira de Markowitz (1952), além do Hierarchical Risk Parity, juntamente com três modelos de aprendizagem de máquina: Random Forest, Support Vector Regression e K-Nearest Neighbor, sendo comparado com a estratégia ingênua de diversificação e com os modelo de otimização sem os algoritmos de pré-seleção. Como amostra, serão utilizados 10 ETFs internacionais que reproduzem os índices do mercado acionário de cada mercado emergente analisado do período. Os resultados empíricos mostram que o uso das técnicas de pré-seleção por aprendizagem de máquina melhora o desempenho dos portfólios em relação ao retorno e o prêmio pelo risco, sendo as técnicas que envolvem otimização de portfólio de MV as que melhor performaram.