UM COMPARATIVO DOS MÉTODOS DE MARKOTIWZ E DE APRENDIZADO POR REFORÇO PROFUNDO NA OTIMIZAÇÃO DE CARTEIRAS DE FUNDOS IMOBILIÁRIOS
DOI:
https://doi.org/10.56238/rcsv16n3-005Palavras-chave:
Otimização de Carteiras, Teoria Moderna do Portfólio, Fundos Imobiliários, Inteligência Artificial, Aprendizado por Reforço ProfundoResumo
A otimização de carteiras tem por objetivo equilibrar riscos e retornos de diferentes ativos compondo uma carteira eficiente sendo essencial para gestão de investimentos. No mercado brasileiro de fundos imobiliários (FIIs), essa é uma tarefa complexa devido à heterogeneidade de liquidez e à influência de fatores macroeconômicos. Este trabalho compara e desenvolve a otimização de carteiras a partir de duas abordagens: o clássico modelo de Markowitz e o Aprendizado Profundo com Reforço (Deep Reinforcement Learning – DRL). São empregados dados históricos de FIIs listados na B3 entre 2020 e 2024, com liquidez mínima de R$ 1 milhão/dia. Os resultados evidenciam a viabilidade da solução de Aprendizado por Reforço Profundo, embora soluções exatas ainda apresentem resultados melhores no curto prazo.
Downloads
Referências
BODIE, Z.; KANE, A.; MARCUS, A. J. Investments. McGraw-Hill Education, p. 242–322, 2014.
DENG, Y. et al. Deep direct reinforcement learning for financial signal representation and trading. IEEE Transactions on Neural Networks and Learning Systems, v. 28, n. 3, p. 653–664, 2017.
GU, S.; KELLY, B.; XIU, D. Empirical asset pricing via machine learning. The Review of Financial Studies, v. 33, n. 5, p. 2223–2273, 2020.
HILL, A. Stable-Baselines3: Reliable Reinforcement Learning Implementations. Disponível em: https://stable-baselines3.readthedocs.io/en/master. Acesso em: 01 de outubro de 2025.
MARKOWITZ, H. Portfolio selection. The Journal of Finance BV, p. 77–91, 1952.
MARTIN, R. PyPortfolioOpt: Portfolio Optimization in Python. Disponível em: https://pyportfolioopt.readthedocs.io/en/latest/UserGuide.html. Acesso em: 01 de outubro de 2025.
SHARPE, W. F. Mutual fund performance. Journal of Business, v. 39, n. 1, p. 119–138, 1966.
SUTTON, R. S.; BARTO, A. G. Reinforcement Learning: An Introduction. Cambridge, MA: MIT Press, 2018.
TOWERS, M. et al. Gymnasium: A Standard Interface for Reinforcement Learning Environments. 2025. Disponível em: https://arxiv.org/abs/2407.17032. Acesso em: 02 de março de 2026.
ZHANG, G.; PATUWO, B. E.; HU, M. Y. Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, v. 14, p. 35–62, 03 1998.
Downloads
Publicado
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
