Mostrar el registro sencillo del ítem

dc.contributor.advisorBalreira, Dennis Giovanipt_BR
dc.contributor.authorAraújo, Thiago da Silvapt_BR
dc.date.accessioned2024-02-16T05:00:04Zpt_BR
dc.date.issued2023pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/271947pt_BR
dc.description.abstractPortfólio financeiro pode ser definido como o conjunto de ativos que um investidor detém. Estes ativos podem ser tanto investimentos em renda fixa como em renda variável. Otimização de portfólio financeiro é uma área que visa maximizar os resultados de uma carteira de investimento. Essa campo tem tido muita relevância recentemente, gerando diversos modelos matemáticos para melhorar os resultados dos portfólios. Porém, devido a sua complexidade, muitos dos modelos não conseguem se aproximar o suficiente da realidade a ponto de se adaptar a cenários mais extremos. Por exemplo, dentre eles a queda acentuada que a bolsa de valores sofreu com a pandemia da Covid-19. Em busca de solucionar o problema de adaptação, esse trabalho aplica 5 algoritmos de Aprendizado por Reforço para otimizar os pesos de carteiras de ações em diferentes mercados e obter o maior retorno possível. Além disso, foram exploradas combinações de execução dos algoritmos de forma concorrente, com o objetivo de reduzir o tempo global de treinamento e tornar o processo de melhora dos modelos mais rápido. O retorno final obtido no mercado Brasileiro foi de 1,91 e no Americano foi de 1,86. O tempo global de treinamento dos algoritmos reduziu em 33% e o consumo energético em 15%. Dessa forma, foi possível realizar adaptações nos modelos de forma mais rápida e personalizada para cada mercado financeiro.pt_BR
dc.description.abstractA financial portfolio can be defined as the set of assets that an investor holds. These assets can be either fixed-income or variable-income investments. Financial portfolio optimization is an area that aims to maximize the results of an investment portfolio. This field has been very relevant recently, generating various mathematical models to improve portfolio results. However, due to their complexity, many of the models cannot get close enough to reality to adapt to more extreme scenarios. For example, the sharp drop in the stock market caused by the Covid-19 pandemic. In order to solve the adaptation problem, this work applies 5 Reinforcement Learning algorithms to optimize the weights of stock portfolios in different markets and obtain the highest possible return. In addition, combinations of running the algorithms concurrently were explored, with the aim of reducing the overall training time and making the model improvement process faster. The final return obtained in the Brazilian market was 1.91 and in the American market it was 1.86. The overall training time of the algorithms was reduced by 33% and the energy consumption by 15%. In this way, it was possible to make adaptations to the models in a faster and more personalized way for each financial market.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectAprendizado por reforçopt_BR
dc.subjectPortfolio Optimizationen
dc.subjectPortfóliopt_BR
dc.subjectConcurrencyen
dc.subjectParallelen
dc.subjectMercado de açõespt_BR
dc.subjectAlgoritmospt_BR
dc.titleOtimização de portfólio financeiro utilizando aprendizado por reforçopt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisor-coMattos Neto, Paulo Salgado Gomes dept_BR
dc.identifier.nrb001195815pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Informáticapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2023pt_BR
dc.degree.graduationCiência da Computação: Ênfase em Engenharia da Computação: Bachareladopt_BR
dc.degree.levelgraduaçãopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem