Alocação de fundos de investimento imobiliários e estratégias de negociação: carteiras elaboradas em algoritmos de Reinforcement Learning

Barboza, Julia Pinheiro

Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/39301

Full metadata record

DC Field	Value	Language
dc.creator	Barboza, Julia Pinheiro	-
dc.date.accessioned	2023-10-20T18:40:39Z	-
dc.date.available	2023-10-20T18:40:39Z	-
dc.date.issued	2023-10-04	-
dc.identifier.citation	BARBOZA, Julia Pinheiro. Alocação de fundos de investimento imobiliários e estratégias de negociação: carteiras elaboradas em algoritmos de Reinforcement Learning. 2023. 16 f. Trabalho de Conclusão de Curso (Graduação em Administração) – Universidade Federal de Uberlândia, Uberlândia, 2023.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/39301	-
dc.description.sponsorship	Pesquisa sem auxílio de agências de fomento	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Ator crítico	pt_BR
dc.subject	Fundos de Investimento Imobiliários (FIIs)	pt_BR
dc.subject	Estratégias de negociação	pt_BR
dc.subject	Reinforcement Learning	pt_BR
dc.subject	Gestão de portfólio	pt_BR
dc.title	Alocação de fundos de investimento imobiliários e estratégias de negociação: carteiras elaboradas em algoritmos de Reinforcement Learning	pt_BR
dc.title.alternative	Allocation of real estate investment funds and trading strategies: portfolios created using Reinforcement Learning algorithms	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor1	Barboza, Flávio Luiz de Moraes	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/4204955149040832	pt_BR
dc.contributor.referee1	Sampaio, Aleandra da Silva Figueira	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/4897620765386940	pt_BR
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.resumo	No que tange à esfera dos investimentos financeiros, as estratégias de negociação empenham um papel crucial. Contudo, perante o dinamismo e complexidade que o mercado de ativos apresenta, torna-se laborioso projetar táticas lucrativas. Nesta pesquisa, buscou-se uma abordagem que utiliza esquemas de aprendizado por reforço, a fim de compreender padrões de mercado e trazer uma estratégia de negociação de Fundos de Investimento Imobiliários (FIIs), utilizada em período determinado e com o propósito de maximizar o retorno de uma carteira proposta. Utilizou-se um agente de inteligência artificial configurado com Reinforcement Learning e obtivemos estratégias de negociação de carteiras, ao gerar gráficos através dos algoritmos baseados em ator crítico: Proximal Policy Optimization (PPO), Advantage ActorCritic (A2C), Deep Deterministic Policy Gradient (DDPG), Soft Actor-Critic (SAC) e Twin Delayed Deep Deterministic Policy Gradient (TD3). Esta abordagem procurou utilizar os melhores atributos de cada um dos algoritmos, emitindo diferentes ordens de compra ou venda, a depender das diferentes situações do mercado. Foram analisados FIIs elegíveis para este método, segundo critérios definidos durante a pesquisa. Deste modo, os algoritmos foram testados em 26 Fundos Imobiliários de Investimento, internos ao Índice de Fundos Imobiliários (IFIX), que possuem liquidez adequada para satisfazer o volume de dados necessários. A performance resultante da carteira proposta, com os diferentes algoritmos de aprendizado por reforço foi avaliada e comparada com a estratégia Buy and Hold e o índice IFIX, junto a de alocação de portfólio de variância mínima. A estratégia dos algoritmos individuais propostos são mostrados para superar as estratégias mencionadas e, superaram a carteira de mínima variância. Assim, esse estudo melhora a compreensão do uso de algoritmos de aprendizado ao criar estratégias de investimento para fundos de investimento imobiliário (FIIs), além de propor que o gerenciamento de investimentos orientado por dados pode ser mais eficaz e, simultaneamente, reduzir conflitos de interesses e evitar decisões imprecisas. Isso é feito ao mostrar uma contraposição à Hipótese de Mercado Eficiente (HME), em favor da Hipótese de Mercado Adaptativo (HMA).	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Administração	pt_BR
dc.sizeorduration	16	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS SOCIAIS APLICADAS	pt_BR
dc.orcid.putcode	144978324	-
Appears in Collections:	TCC - Administração

Files in This Item:

File	Description	Size	Format
AlocacaoFundosInvestimento.pdf	TCC	815.38 kB	Adobe PDF	View/Open

Show simple item record