• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.96.2020.tde-08052020-162550
Document
Author
Full name
Caio de Angelis Nascimento
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
Ribeirão Preto, 2020
Supervisor
Committee
Laurini, Marcio Poletti (President)
Júnior, Sérgio Kannebley
Pereira, Pedro Luiz Valls
Ribeiro, Ruy Monteiro
Title in Portuguese
Precificação de ativos via Machine Learning: uma extensão de métodos lineares esparsos
Keywords in Portuguese
Estrutura a termo do retorno esperado
Gestão de portfólios
Machine learning
Precificação de ativos
Abstract in Portuguese
Neste trabalho utilizamos uma classe de modelos de não arbitragem e métodos de estimação baseados em ferramentas de Machine Learning para prever o prêmio de risco ao longo do tempo. A pesquisa inova em adicionar modelos de alta dimensão esparsos para precificação de ativos, como modelos de vetores autoregressivos esparsos, análise de componentes principais esparsos (SPCA), combinação de métodos de penalização como pré-seleção de variáveis e e outros modelos econométricos baseados em esparsidade. Também consideramos como extensão aos modelos existentes na literatura de alta de dimensão analisados na pesquisa correções nos estimadores de matrizes de covariância, adicionando estimadores considerando dependência de longo prazo. A base de dados utilizada consiste de 630 séries temporais relacionadas ao mercado Brasileiro, contendo variáveis macroeconômicas, setoriais e especificas dos ativos, divididas em quatro diferentes espaços de tempo (dia, mês, trimestre e ano). Como resultado principal foi desenvolvida uma estrutura a termo do prêmio de risco de um conjunto de ativos selecionados, chegando a encontrar um R2 para previsões de fora da amostra de aproximadamente 91% para o Índice IBOVESPA. Com objetivo de testar a capacidade de geração de alpha dos modelos desenvolvidos na pesquisa, foram desenvolvidas estratégias de Long-Short e Long-Only compostas pelos ativos analisados de 1 de janeiro de 2016 até 31 de dezembro de 2017, apresentando índice de Sharpe de 3,030 e um retorno acumulado de 157,07% no período.
Title in English
Asset Pricing via Machine Learning: an extension of sparse linear methods
Keywords in English
Asset pricing
Machine learning
Portfolio management
Term structure of the expected return
Abstract in English
In this work we use a class of non-arbitrage models and estimation methods based on Machine Learning tools to predict the risk premium over time. The research innovates in adding sparse high-dimension models for asset pricing, such as sparse autoregressive vector models, sparse principal component analysis (SPCA), combination of penalty methods such as pre-selection of variables and other sparse based econometric models. We also consider as an extension to the existing models in the high-dimensional literature analyzed in the research, corrections in the covariance matrix estimators, adding estimators considering long-term dependence. The database used consists of 630 time series related to the Brazilian market, containing macroeconomic, sectorial and asset-specific variables, divided into four different time periods (day, month, quarter and year). As a main result, a term structure of the risk premium for a set of selected assets was developed, reaching an R2 for out-of-sample forecasts of approximately 91 % for the IBOVESPA Index. In order to test the alpha generation capacity of the models developed in the research, Long-Short and Long-Only strategies were developed composed of the analyzed assets from January 1, 2016 to December 31, 2017, with a Sharpe index of 3.030 and an accumulated return of 157.07 % in the period.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2020-07-09
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2022. All rights reserved.