Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.309
Aluno: Eliabe Serafim de Araújo Júnior
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Filipe Coelho de Lima Duarte
Título: Detecção de Regimes de Mercado e Alocação Adaptativa de Portfólios:
Um Estudo do Jump Model combinado com XGBoost
Data: 31/07/2026
Hora/Local: 10:00 – Virtual
Banca Examinadora:
Prof. Adiel Teixeira de Almeida(UFPE / CIn)
Prof. Leandro Carlos de Souza(UFPB / Departamento de Informática)
Prof. Paulo Salgado Gomes de Mattos Neto(UFPE / CIn)
RESUMO:
Os retornos de ativos financeiros alternam, ao longo do tempo, entre
regimes de calmaria e de turbulência. Identificar esses regimes e
incorporá-los à tomada de decisão de investimento é uma linha de pesquisa
consolidada em finanças quantitativas e aprendizado de máquina para séries
temporais. Nesse contexto, modelos de salto estatístico têm recebido
crescente atenção por permitirem controlar explicitamente a persistência
dos regimes por meio de uma penalização às transições entre estados de
regime. Penalizações baixas favorecem adaptações rápidas a mudanças de
mercado, enquanto penalizações elevadas produzem sequências de estados mais
estáveis. Uma das aplicações mais promissoras dessa abordagem é o pipeline
Jump Model XGBoost (JM-XGB), que combina detecção de regimes, previsão de
retornos via XGBoost e alocação de ativos por otimização média-variância.
Embora a proposta original do JM-XGB reporte desempenho superior ao de
estratégias passivas (buy-and-hold), ainda não está claro quais etapas do
pipeline respondem por esse resultado, como a persistência dos regimes
afeta o desempenho entre classes de ativos e em que medida essas etapas
interagem entre si. Para responder a essas questões, esta dissertação
realiza um estudo de ablação (remoção sistemática de componentes) do
JM-XGB, isolando a contribuição de cada estágio, detecção de regimes,
previsão via XGBoost e alocação média-variância, sob validação causal
walk-forward, avaliando diferentes estimadores de volatilidade quanto à sua
capacidade de separar regimes de mercado e conduzindo varreduras conjuntas
dos hiperparâmetros do JM-XGB. Os resultados indicam que a penalidade de
salto ótima não é universal, variando em até duas ordens de magnitude entre
classes de ativos. A calibração conjunta dos componentes do JM-XGB produz
uma versão mais simples e eficaz do que a formulação original do método,
elevando o índice de Sharpe (retorno ajustado ao risco) para 1,40 e a
riqueza acumulada para 3,5 vezes o capital inicial, frente a 1,9 vez obtida
pela configuração original do JM-XGB. A principal contribuição empírica,
contudo, é mostrar que a informação de regime reduz de forma consistente as
perdas máximas (drawdown), um efeito que se mantém sob todos os protocolos
experimentais testados.
Palavras-chave: Alocação de ativos. Regimes de mercado. Modelos de salto
estatístico. Estudo de ablação. Aprendizado de máquina.
Comentários desativados