Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/17570
Files in This Item:
File Description SizeFormat 
joaodanielmadureirayamim.pdf11.18 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Borges, Carlos Cristiano Hasenclever-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2487554612123446pt_BR
dc.contributor.advisor-co1Fonseca Neto, Raul-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/3572434390881704pt_BR
dc.contributor.referee1Xavier, Vinicius Layter-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9683190447704675pt_BR
dc.contributor.referee2Todorov, Marcos Garcia-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1391205251405727pt_BR
dc.contributor.referee3Cordeiro, Fernanda Finotti-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/5256605647294700pt_BR
dc.contributor.referee4Fonseca, Leonardo Goliatt da-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/9030707448549156pt_BR
dc.creatorYamim, João Daniel Madureira-
dc.creator.Latteshttp://lattes.cnpq.br/1649806934320197pt_BR
dc.date.accessioned2024-10-30T10:48:51Z-
dc.date.available2024-10-25-
dc.date.available2024-10-30T10:48:51Z-
dc.date.issued2024-09-11-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/17570-
dc.description.abstractThe objective of this work is to investigate the benefits of incorporating econometric risk metrics into the performance of online learning algorithms for solving the dynamic portfolio allocation problem. The problem is formulated as an online decision process where variants of the Online Gradient Descent (OGD) method are studied. Three modifications to the OGD algorithm were proposed, each using a distinct form of convex projection. The first modification includes a timevarying beta estimation constraint during the projection step, aiming to control the systematic risk of the portfolio. Recognizing that beta alone does not capture all aspects of risk, a second modification introduces Value at Risk (VaR) as a more comprehensive risk measure. This approach allows for more effective control of portfolio risk exposure, considering both systematic and unsystematic risk. The third modification utilizes a convex projection that minimizes Conditional Value at Risk (CVaR). This approach demonstrated more consistent results in terms of balancing risk and return, providing a more robust and effective risk management strategy. Before implementing the proposed modifications, mathematical proof of the projections convexity for each method was provided to ensure theoretical validity and computational efficiency of the developed algorithms. The impact of the choice of probability distribution (normal and Student’s t) on VaR minimization during the projection step and its influence on performance and risk profile of the optimized portfolios is also investigated. The proposed methodologies are empirically evaluated on different Brazilian datasets (IBOVESPA and Small Caps), considering both high and low capitalization stocks in different market periods. The results show that incorporating risk metrics, especially CVaR, into the online optimization process allowed for better risk control while maintaining competitive returns compared to market benchmarks and other optimization strategies. The main contribution of this work is the development and evaluation of methodologies that integrate widely used risk metrics in financial theory with online optimization algorithms, providing an adaptive approach for dynamic portfolio management in volatile markets. Future studies using data from other markets and new types of return distributions may further enhance the robustness of the developed methodologies.pt_BR
dc.description.resumoO objetivo deste trabalho é investigar o benefício da incorporação de métricas de risco econométricas na performance de algoritmos de aprendizado online para a solução do problema de alocação dinâmica de portfólio. O problema foi formulado como um processo de decisão online onde variantes do método Online Gradient Descent (OGD) são estudadas. Propõe-se três modificações no algoritmo OGD, cada uma utilizando uma forma distinta de projeção convexa. A primeira modificação inclui uma restrição baseada na estimação do beta variante no tempo durante a etapa de projeção, visando controlar o risco sistemático do portfólio. Reconhecendo que o beta por si só não captura todos os aspectos do risco, introduziu-se uma segunda modificação que incorpora o Value at Risk (VaR) como uma medida mais abrangente de risco. Essa abordagem permite um controle mais efetivo da exposição ao risco do portfólio, considerando tanto o risco sistemático quanto o não sistemático. A terceira modificação utiliza uma projeção convexa que minimiza o Conditional Value at Risk (CVaR). Esta abordagem apresentou resultados mais consistentes em termos de equilíbrio entre risco e retorno, proporcionando uma gestão de risco mais robusta e eficaz. Antes da implementação das modificações propostas, visando garantir a validade teórica e a eficiência computacional dos algoritmos desenvolvidos, demonstrou-se matematicamente a convexidade da projeção para cada uma dos métodos. O impacto da escolha da distribuição de probabilidade (normal e t de Student) na minimização do VaR durante a etapa de projeção e sua influência no desempenho e no perfil de risco das carteiras otimizadas também é investigado. As metodologias propostas são avaliadas empiricamente em diferentes conjuntos de dados brasileiros (IBOVESPA e Small Caps), considerando tanto ações de alta como de baixa capitalização em períodos de mercado distintos. Os resultados mostram que a incorporação de métricas de risco, especialmente o CVaR, no processo de otimização online permitiu um melhor controle do risco, ao mesmo tempo que mantém retornos competitivos em comparação com benchmarks de mercado e outras estratégias de otimização. A principal contribuição deste trabalho é o desenvolvimento e avaliação de metodologias que integram métricas de risco amplamente utilizadas na teoria de finanças com algoritmos de otimização online, proporcionando uma abordagem adaptativa para a gestão dinâmica de portfólios em mercados voláteis. Futuros trabalhos utilizando dados de outros mercados e novos tipos de distribuições para os retornos poderão gerar mais robustez para as metodologias desenvolvidas.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Modelagem Computacionalpt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectGestão de riscopt_BR
dc.subjectTime varying CAPMpt_BR
dc.subjectValue at riskpt_BR
dc.subjectConditional value at riskpt_BR
dc.subjectOtimização de portfólio onlinept_BR
dc.subjectAlgoritmo online gradient descentpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.titleOtimização de portfólios online com métodos de projeção para controle de riscopt_BR
dc.typeTesept_BR
Appears in Collections:Doutorado em Modelagem Computacional (Teses)



This item is licensed under a Creative Commons License Creative Commons