Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9702
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorSouza, Alberto Ferreira de-
dc.date.accessioned2018-08-02T00:01:56Z-
dc.date.available2018-08-01-
dc.date.available2018-08-02T00:01:56Z-
dc.identifier.urihttp://repositorio.ufes.br/handle/10/9702-
dc.publisherUniversidade Federal do Espírito Santopor
dc.titleModelo de Seleção de Carteiras Baseado em Erros de Prediçãopor
dc.typedoctoralThesiseng
dc.subject.udc621.3-
dc.subject.br-rjbnRedes neurais (Computação)por
dc.subject.br-rjbnTeoria da previsãopor
dc.subject.br-rjbnAnálise de séries temporaispor
dc.subject.br-rjbnMercado financeiropor
dc.subject.br-rjbnCarteiras (Finanças) - Administraçãopor
dc.subject.br-rjbnInvestimentospor
dcterms.abstractEste trabalho apresenta um novo modelo de seleção de carteiras baseado em erros de predição que captura oportunidades de investimento no curto prazo. Nós utilizamos preditores neurais auto-regressivos com referências móveis para predizer os retornos futuros das ações, e uma medida de risco baseada nos seus erros de predição foi derivada de forma a manter a mesma fundamentação estatística do modelo média-variância. O efeito da diversificação eficiente se aplica através da seleção de preditores com perfis de erros de predição baixos e complementares. Um grande conjunto de experimentos com dados reais do mercado de ações brasileiro foi conduzido para avaliar o modelo de seleção de carteiras baseado em erros de predição, o qual contou com o exame da Normalidade dos erros de predição. Nossos resultados principais mostraram que é possível obter erros de predição Normais a partir de séries de retornos não Normais, e que o modelo de seleção de carteiras baseado em erros de predição capturou corretamente oportunidades de curto prazo, desempenhando melhor que o modelo média-variância e superando o índice de mercado.por
dcterms.abstractThis work presents a new prediction errors-based portfoliooptimization model that cap-tures short-term investment opportunities. We used autoregressive moving references neuralnetwork predictors to predict the stock’s returns and derived a risk measure based on thepredictor’s errors of prediction that maintains the same statistical foundation of the mean-variance model. The efficient diversification effects hold by selecting predictors with lowand complimentary error profiles. A large set of experimentswith real data from the Brazil-ian stock market was employed to evaluate our portfolio optimization model, which includedthe examination of the Normality of the errors of prediction. Our main results showed that itis possible to obtain Normal prediction errors with non-Normal series of stock returns, andthat the prediction errors-based portfolio optimization model better captured the short termopportunities, outperforming the mean-variance model andbeating the market index.eng
dcterms.creatorFreitas, Fábio Daros de-
dcterms.formatTexteng
dcterms.issued2008-12-18-
dcterms.languagepor-
dc.publisher.countryBRpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapor
dc.publisher.initialsUFESpor
dc.subject.cnpqEletrônica Industrial, Sistemas e Controles Eletrônicospor
dc.publisher.courseDoutorado em Engenharia Elétricapor
dc.contributor.refereeAlmeida, Ailson Rosetti de-
dc.contributor.refereeSalles, Evandro Ottoni Teatini-
dc.contributor.refereeZandonade, Eliana-
dc.contributor.refereeFrança, Felipe Maia Galvão-
Aparece nas coleções:PPGEE - Teses de doutorado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tese_2858_TeseDoutoradoFabioDarosdeFreitas.pdf3.04 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.