Aplicação de Sistemas Complexos em Economia vem tomando cada vez mais espaço, especialmente no que se trata modelagem de redes aplicadas a Economia e Mercado Financeiro. O modelo seminal de Mantegna (1999) filtra redes de correlações de retornos de ações em árvores de custo mínimo, é capaz de dissecar a estrutura do mercado e apresentar de formar intuitiva os principais ativos. Tal modelagem é utilizada para a analisar risco sistêmico e identificar grupos. Porém não está suficientemente claro como utilizar as redes para compor portfolios de investimentos e nem se essa tem poder de explicar retornos. Dessa forma esse trabalho utilizou o tradicional modelo multifatores para identificar variáveis que e são capazes de explicar retornos, no nosso caso as medidas de centralidade dos ativos. Construímos o modelo sugerindo estratégias de investimentos baseadas na rede de correlação e mostramos que as principais centralidades (intermediação, proximidade, grau e autovalor) são capazes de explicar retornos. A estratégia de investimento proposta no modelo foi comprar ações centrais, com os maiores valores de centralidade e vender as periféricas. Por fim avaliamos as carteiras utilizando índice de Sharpe e constatamos que a estratégia de comprar ações centrais e periféricas, diversificando a carteira, supera aquela inicialmente proposta, já que as ações periféricas são as negativamente correlacionadas com as mais centrais.

The application of Complex Systems in Economics has been taking more and more space, especially when it comes to modeling networks applied to Economics and the Financial Markets. Mantegna's (1999) seminal model filters correlation networks of stock returns in Minimum Spanning Trees dissecting the market structure and intuitively presenting the main assets. Such modeling is used to analyze systemic risk and clustering. However, it is not clear how to use the networks to compose portfolios, nor if it has the power to explain returns. Thus, this work used the traditional Carhart (1997) Multi-Factor asset pricing model to identify variables that can explain returns, in our case the measures of the centrality of assets. We build the model using strategies based on the correlation network and show that the main centralities (Betweenness, Closeness, Degree, and Eigenvector) can explain returns. The strategy proposed in the model was to buy central shares, with the highest centrality values, and sell the peripheral ones. Finally, we evaluated the portfolios using the Sharpe Ratio and found that the strategy of buying both central and peripheral stocks, diversifying the portfolio is better than our first strategy since peripheral stocks are negatively correlated with the most central ones