Banca de DEFESA: JULIO CEZAR SOARES SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JULIO CEZAR SOARES SILVA
DATA : 03/12/2024
HORA: 08:00
LOCAL: Virtual
TÍTULO:

Data-driven multiobjective algorithms: applications in portfolio optimization

PALAVRAS-CHAVES:

Rede adversária generativa. Otimização multiobjetivo interativa. Algoritmo evolucionário. Abordagem de Rough sets baseada em dominância. Otimização de portfólio. Index tracking.

PÁGINAS: 172
RESUMO:

Modelos práticos de otimização de portfólio vêm trazendo desafios que as ferramentas
de inteligência computacional estão ajudando a resolver. Uma classe de problemas de
otimização de portfólio que vem atraindo aplicações de inteligência computacional é
index tracking. O problema de index tracking visa construir uma carteira que replica o
desempenho de um índice de mercado com um subconjunto de ativos. Aplicações recentes
de aprendizado profundo em index trackings têm aplicação limitada em ambientes reais,
uma vez que os frameworks propostos não são flexíveis para incluir restrições e objetivos
mais práticos. Uma nova aplicação de Generative Adversarial Networks (GANs) que
garante flexibilidade de extensão do modelo é apresentada. A eficiência da GAN foi
avaliada considerando as dificuldades trazidas pela natureza combinatória do problema
de index tracking. Duas novas metaheurísticas foram avaliadas para o modelo de index
tracking com múltiplos cenários. Os resultados mostraram que resolver o modelo usando
as simulações de mercado do GAN produz portfólios mais estáveis quando comparados aos portfólios otimizados com dados reais. Além disso, os modelos treinados em uma estratégia de rebalanceamento específica podem ter um bom desempenho em outras estratégias de rebalanceamento. Este trabalho também traz discussões sobre problemas relacionados à aplicação de GANs neste contexto. A obtenção da frente de Pareto ótima em um tempo viável pode ser impraticável na otimização de portfólio multiobjetivo com restrições práticas. Outro problema não resolvido é a extração de informações de preferência para encontrar a solução não dominada mais preferível. Assim, é interessante considerar abordagens multicritério evolucionárias (EMO) para encontrar boas frentes dentro de uma restrição de tempo guiada por informações de preferência. Propomos uma maneira de aprender uma aproximação grosseira do modelo de preferência do investidor para orientar a busca de EMO pelo portfólio mais preferencial e realizar atualizações de portfólio orientadas por preferências. Este modelo pode ser obtido por meio da Otimização Multiobjetivo Interativa usando a Abordagem de Rough Sets Baseada em Dominância (IMO-DRSA), que é capaz de guiar algoritmos evolutivos usando um modelo baseado em regras que é refinado a cada interação com o investidor. O problema é que não há evidências de como reduzir o número de portfólios representativos para minimizar o esforço cognitivo do decisor (DM) durante a interação, levando em consideração a satisfação das preferências em distribuições futuras dos retornos dos componentes do portfólio. Os resultados mostraram que o IMO-DRSA simulado proposto pode estudar o impacto de diferentes variáveis e abordagens para reduzir o esforço cognitivo no desempenho da abordagem EMO para alcançar e manter uma boa satisfação de preferência ao longo do tempo.

MEMBROS DA BANCA:
Externo à Instituição - LEANDRO DOS SANTOS MACIEL - USP
Externo à Instituição - TIAGO PASCOAL FILOMENA - UFRGS
Interno - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Presidente - 383924 - FRANCISCO DE ASSIS TENORIO DE CARVALHO
Interno - 2766820 - SERGIO RICARDO DE MELO QUEIROZ