A dinâmica comportamental entre ativos do mercado financeiro pode ser analisada sob um perspectiva topológica de redes financeiras, conhecidas como redes ativos ou redes de ações. Essas redes permitem a modelagem e análise do mercado financeiro por meio de uma perspectiva topológica e apresentam uma forma robusta de analisar a interdependência do co-movimento de preços dos ativos por meio de grafos de relacionamentos, cujos vértices representam as ações e as arestas representam o relacionamento entre elas. De uma forma geral, o relacionamento pode ser modelado por meio da correlação entre as séries de preços dessas ações. Este estudo apresenta uma abordagem utilizando aprendizado de máquina supervisionado para resolver dois problemas: (i) previsão de formação de links em redes de ações; (ii) utilização da previsão de links como suporte ao gerenciamento de portfólios (carteiras). Para resolver o primeiro problema, desenvolvemos um modelo baseado em aprendizado de máquina supervisionado, que utiliza como entrada atributos extraídos das redes de ações, para prever a formação de links em redes futuras. Investigamos a previsão de links em redes modeladas através de três métodos de filtragem baseados em correlação: Dynamic Asset Graphs (DAG), Dynamic Threshold Networks (DTN) e Dynamic Minimal Spanning Tree (DMST). Foram propostos experimentos para avaliar o desempenho do método proposto, comparando-o com quinze algoritmos propostos na literatura, além de experimentos qualitativos para proporcionar uma interpretação dos resultados. Em relação ao segundo problema, propusemos uma abordagem para definição de constantes para otimização de portfólio, utilizando o método clássico conhecido como Análise Média-Variância (AMV), através da utilização de algoritmos de aprendizagem de máquina para previsão de links em redes de ações ponderadas. Além dos resultados da previsão de links ponderados, foram apresentados resultados financeiros relacionados ao gerenciamento de portfólio. Os resultados apresentados sugerem que o método proposto é capaz de melhorar o gerenciamento de risco na maioria dos índices de mercado estudados.

The dynamics among assets in financial market can be analyzed from a topological perspective of financial networks, known as asset networks or stock networks. These networks allow the modeling and analysis of the financial market through a topological perspective and present a robust approach to analyze the interdependence of the co-movement of asset prices through relationship graphs, where vertices represent the assets and the edges represent the relationship between them. In general, the relationship can be modeled through the correlation between price series of these stocks. This study presents an approach using supervised machine learning to solve two problems: (i) link prediction in stock networks; (ii) use of link prediction results to support portfolio management. To solve the first problem, we developed a model based on supervised machine learning, which uses derived features extracted from stock networks to predict the link formation in future networks. We investigate link prediction in networks modeled through three correlation-based filtering methods: Dynamic Asset Graphs (DAG), Dynamic Threshold Networks (DTN) and Dynamic Minimal Spanning Tree (DMST). Experiments were proposed to evaluate the performance of the proposed method, comparing it with fifteen benchmark algorithms in the literature, in addition to qualitative experiments in order to understand of results. Regarding the second problem, we proposed an approach to provide input constants of portfolio optimization models, known as Mean-Variance Analysis (MVA), by using supervised machine learning algorithms to predict links in weighted stock networks. In addition to the results of the weighted link prediction, financial results related to portfolio management were presented. The results suggest that the proposed method is able to improve risk management in most of the market indices studied.