Formação de portfólio por meio de Máquinas De Suporte Vetorial

Abstract

A presente pesquisa teve como objetivo replicar a metodologia de Máquinas de Suporte Vetorial proposta por Fan e Palaniswami (2001) no contexto brasileiro de formação de portfólio.O SVM foi então utilizado para verificar se o uso de Máquinas de Suporte Vetorial na formação de portfólios de fato contribui para que o retorno seja superior ao de um benchmark do mercado, sendo que o ativo escolhido para tal comparação foi o fundo de índice BOVA11. A amostra foi constituída por 67 ações que compuseram a carteira teórica válida para 2 de Setembro de 2013 a 03 de Janeiro de 2014 e os insumos para o modelo foram dados históricos de preço e indicadores financeiros coletados na base de dados do sistema Economática, no recorte temporal de 2000 a 2013.A função de decisão do SVM classificou os ativos na Classe 1 ou na Classe 2 de acordo com o ranking dos outputs que foram interpretados como a probabilidade da ação ser classificada como +1. Assim, a Classe 1 foi composta dos 25% de ações com maiores probabilidades, e a Classe 2 foi constituída pelas demais ações. Nas classificações de ativos feitas pelo SVM, utilizando os parâmetros ótimos, a máquina acertou a classificação em 73,48% das vezes. No período de teste de aproximadamente 5 anos, o retorno acumulado do benchmarkfoi de 19,34%, enquanto o do SVM foi de 257,36%. Em termos de retorno trimestral médio, o SVM apresentou um retorno médio de 8,26%, enquanto o BOVA11 foi de 1,64%. Os resultados tornaram evidente que o SVM superou benchmark em 403,92%, entretanto, o contexto econômico acentuou em grande medida a discrepância entre os resultados. Por isso, o portfólio formado foi comparado com um segundo benchmarkde mercado composto por todas as 67 açõesda carteira teórica do Ibovespa utilizada na pesquisa. O retorno trimestral médio deste segundo benchmark foi de 7,12% e o retorno acumulado foi de 183,41%. Portanto, novamente o retorno do portfólio escolhido pelo SVM foi superior ao benchmark, dessa vez, em 16,08%. Para testar a significância estatística dos resultados e controlar o efeito Data Snooping, o método Bootstrap foi utilizado.