Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/19033
Files in This Item:
File Description SizeFormat 
marcuspaulodasilvaalves.pdfPDF2.23 MBAdobe PDFView/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Lisbôa, Paulo César Coimbra-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0669903015493560pt_BR
dc.contributor.referee1Caetano, Sydnei Martins-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4755064191115135pt_BR
dc.creatorAlves, Marcus Paulo da Silva-
dc.creator.Latteshttps://lattes.cnpq.br/pt_BR
dc.date.accessioned2025-07-14T13:18:51Z-
dc.date.available2025-03-19-
dc.date.available2025-07-14T13:18:51Z-
dc.date.issued2025-03-13-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/19033-
dc.description.abstractThis study evaluated the application of the Random Forest machine learning algorithm, integrated with Modern Portfolio Theory, in the selection and optimization of financial portfolios in the Brazilian stock market during the 2018-2019 biennium. The model was employed to identify assets with a higher probability of positive returns, incorporating these results into an optimizer based on the mean-variance criterion and comparing the approach to the Capital Asset Pricing Model. The results indicate that the Random Forest classifier outperforms the Capital Asset Pricing Model in terms of absolute and risk-adjusted returns, as measured by metrics such as the Sharpe Ratio, Treynor Ratio, and Jensen’s Alpha. The algorithm exhibited superior performance in portfolios with a limited number of assets, while, as diversification increased, the strategies tended to converge in terms of performance. These findings highlight the potential of machine learning as a robust tool for optimizing the risk-return trade-off in the Brazilian financial marketpt_BR
dc.description.resumoO presente estudo avaliou a aplicação do algoritmo de aprendizado de máquina Random Forest, incorporado à Teoria Moderna do Portfólio, na seleção e otimização de portfólios financeiros no mercado acionário brasileiro durante o biênio 2018-2019. O modelo foi utilizado para identificar ativos com maior probabilidade de retorno positivo, integrando esses resultados a um otimizador baseado no critério de médiavariância, e comparado à abordagem apresentada pelo Capital Asset Pricing Model. Os resultados indicam que o classificador de Random Forest supera o de Capital Asset Pricing Model em termos de retorno absoluto e ajustado ao risco, medidos por métricas como Índice Sharpe, Índice de Treynor e Alfa de Jensen. O algoritmo demonstrou melhor desempenho em carteiras com poucos ativos, enquanto, à medida que a diversificação aumenta, as estratégias tendem a convergir em termos de performance. Esses achados ressaltam o potencial do aprendizado de máquina como uma ferramenta robusta para otimizar a relação risco-retorno no mercado financeiro brasileiro.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Economiapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-ShareAlike 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/br/*
dc.subjectAprendizado de máquinapt_BR
dc.subjectRandom Forestpt_BR
dc.subjectTeoria Moderna do Portfóliopt_BR
dc.subjectMédia-variânciapt_BR
dc.subjectMercado acionário brasileiropt_BR
dc.subjectMachine Learningpt_BR
dc.subjectRandom Forestpt_BR
dc.subjectModern Portfolio Theorypt_BR
dc.subjectMeanvariance. Brazilian stock marketpt_BR
dc.subject.cnpqCNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIApt_BR
dc.titleAplicação de aprendizado de máquina à teoria moderna do portfólio: uma avaliação no mercado acionário brasileiro no biênio 2018-2019pt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
Appears in Collections:Ciências Econômicas - Campus JF - TCC Graduação



This item is licensed under a Creative Commons License Creative Commons