Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders (2022)
- Authors:
- Autor USP: MELO, FERNANDO DANILO DE - EACH
- Unidade: EACH
- DOI: 10.11606/D.100.2022.tde-25112022-170424
- Subjects: APRENDIZADO COMPUTACIONAL; MERCADO FINANCEIRO; REDES COMPLEXAS
- Keywords: Reinforcement Learning; Autoencoders; Criptomoedas; Cryptocurrencies; Dados Fundamentalistas; Dados Técnicas; Fundamental Data; Mercado de Ações; Otimização de Portfólio; Portfolio Optimization; Reinforcement Learning; Stock Market; Technical Data
- Language: Português
- Abstract: Com o desenvolvimento dos algoritmos de Reinforcement Learning nos últimos anos, houve um aumento no número de estudos relacionados à negociação de ativos e otimização de portfólio. Embora trabalhos com dados de análise técnica e fundamentalista ganharam notoriedade nos últimos anos, poucos incluem ambos. Outro tema pouco explorado é o impacto do uso de Autoencoders para extrair variáveis e conexões entre os dados. Buscando explorar esses pontos e entender o impacto da introdução dessas variáveis, propomos um sistema inteligente para otimizar um portfólio por meio de análises de dados técnicos e fundamentalistas, bem como as variáveis geradas utilizando Autoencoders . Avaliamos o modelo em dois mercados distintos (o mercado Norte Americano de Ações e o de Criptoativos) em mais de 10 ativos, buscando avaliar o desempenho do agente em relação a modelos tradicionais. Posteriormente, esta avaliação permitiu-nos entender o impacto dos dados dos ativos em seu desempenho e como o agente se comporta em um mercado tradicional, como o de ações, e em mercados menos regulamentados, como o de criptomoedas
- Imprenta:
- Data da defesa: 19.09.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MELO, Fernando Danilo de. Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-25112022-170424/. Acesso em: 11 jan. 2026. -
APA
Melo, F. D. de. (2022). Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/100/100132/tde-25112022-170424/ -
NLM
Melo FD de. Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders [Internet]. 2022 ;[citado 2026 jan. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-25112022-170424/ -
Vancouver
Melo FD de. Otimização de portfólio: uma análise através de técnicas de Reinforcement Learning e Autoencoders [Internet]. 2022 ;[citado 2026 jan. 11 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-25112022-170424/
Informações sobre o DOI: 10.11606/D.100.2022.tde-25112022-170424 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
