Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 649
Aluno: Julio Cezar Soares Silva
Orientador: Prof. Adiel Teixeira de Almeida Filho
Título: Data-driven multiobjective algorithms: applications in portfolio optimization
Data: 03/12/2024
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Francisco de Assis Tenório de Carvalho (UFPE / Centro de Informática)
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
Prof. Sergio Ricardo de Melo Queiroz (UFPE / Centro de Informática)
Prof. Leandro dos Santos Maciel (USP / Faculdade de Economia, Administração e Contabilidade)
Prof. Tiago Pascoal Filomena (UFRGS / Escola de Administração )
RESUMO:
Modelos práticos de otimização de portfólio vêm trazendo desafios que as ferramentas de inteligência computacional estão ajudando a resolver. Uma classe de problemas de otimização de portfólio que vem atraindo aplicações de inteligência computacional é index tracking. O problema de index tracking visa construir uma carteira que replica o desempenho de um índice de mercado com um subconjunto de ativos. Aplicações recentes de aprendizado profundo em index trackings têm aplicação limitada em ambientes reais, uma vez que os frameworks propostos não são flexíveis para incluir restrições e objetivos mais práticos. Uma nova aplicação de Generative Adversarial Networks (GANs) que garante flexibilidade de extensão do modelo é apresentada. A eficiência da GAN foi avaliada considerando as dificuldades trazidas pela natureza combinatória do problema de index tracking. Duas novas metaheurísticas foram avaliadas para o modelo de index tracking com múltiplos cenários. Os resultados mostraram que resolver o modelo usando as simulações de mercado do GAN produz portfólios mais estáveis quando comparados aos portfólios otimizados com dados reais. Além disso, os modelos treinados em uma estratégia de rebalanceamento específica podem ter um bom desempenho em outras estratégias de rebalanceamento. Este trabalho também traz discussões sobre problemas relacionados à aplicação de GANs neste contexto. A obtenção da frente de Pareto ótima em um tempo viável pode ser impraticável na otimização de portfólio multiobjetivo com restrições práticas. Outro problema não resolvido é a extração de informações de preferência para encontrar a solução não dominada mais preferível. Assim, é interessante considerar abordagens multicritério evolucionárias (EMO) para encontrar boas frentes dentro de uma restrição de tempo guiada por informações de preferência. Propomos uma maneira de aprender uma aproximação grosseira do modelo de preferência do investidor para orientar a busca de EMO pelo portfólio mais preferencial e realizar atualizações de portfólio orientadas por preferências. Este modelo pode ser obtido por meio da Otimização Multiobjetivo Interativa usando a Abordagem de Rough Sets Baseada em Dominância (IMO-DRSA), que é capaz de guiar algoritmos evolutivos usando um modelo baseado em regras que é refinado a cada interação com o investidor. O problema é que não há evidências de como reduzir o número de portfólios representativos para minimizar o esforço cognitivo do decisor (DM) durante a interação, levando em consideração a satisfação das preferências em distribuições futuras dos retornos dos componentes do portfólio. Os resultados mostraram que o IMO-DRSA simulado proposto pode estudar o impacto de diferentes variáveis e abordagens para reduzir o esforço cognitivo no desempenho da abordagem EMO para alcançar e manter uma boa satisfação de preferência ao longo do tempo.
Comentários desativados