A non-supervised asset selection for portfolio optimization
Data
2023-11-01
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
As a fundamental component of the global financial system, investment portfolios
drive individual and institutional wealth and play a pivotal role in economic growth and
resource allocation. Optimization of these portfolios, while maximizing returns and minimizing
risks, is influenced by various economic factors, market dynamics, and investor
sentiments. Achieving a precise balance in asset allocation among these complexities
is a formidable challenge. This research introduces a two-tier approach that combines
dimensionality reduction with clustering techniques to enhance portfolio optimization.
The methodology encompasses: (1) the Uniform Manifold Approximation and Projection
(UMAP) technique, juxtaposed with Kernel Principal Component Analysis (KPCA) and
t-distributed Stochastic Neighbor Embedding (t-SNE), to extract the essential characteristics
of asset data. Subsequent clustering via K-means, Partition Around Medoids
(PAM), Agglomerative Hierarchical Clustering (AHC), and the Density-Based Spatial
Clustering of Applications with Noise (DBSCAN) to enable effective asset pre-selection;
(2) Hierarchical Risk Parity (HRP) model implementation for optimized asset allocation,
compared against the Mean-Variance (MV) and Inverse-Variance Portfolio (IVP) models.
The process begins with a meticulous curation of asset data, undergoes UMAP-driven
dimensionality reduction, is refined through clustering for asset selection, and culminates
in portfolio optimization via the HRP model. Empirical evaluation of the Ibovespa and
Standard and Poor’s 500 (S&P 500) indexes from January 1, 2016, to December 31, 2021,
indicates that the integrated approach outshines traditional models, achieving a Sharpe
ratio of 1.11. In particular, portfolios also demonstrated resilience to market adversities,
such as the pandemic, surpassing benchmarks in terms of cumulative returns. This
research underscores the potential of combining data-driven techniques with traditional
financial insights, ushering in a new era of robust portfolio management.
Como um componente fundamental do sistema financeiro global, os portfólios de investimento impulsionam a riqueza individual e institucional e desempenham um papel crucial no crescimento econômico e na alocação de recursos. A otimização desses portfólios, enquanto maximiza retornos e minimiza riscos, é influenciada por vários fatores econômicos, dinâmicas de mercado e sentimentos dos investidores. Alcançar um equilíbrio preciso na alocação de ativos diante dessas complexidades é um desafio formidável. Esta pesquisa introduz uma abordagem de dois níveis que combina redução de dimensionalidade com técnicas de agrupamento para aprimorar a otimização de portfólios. A metodologia abrange: (1) a técnica Uniform Manifold Approximation and Projection (UMAP), em contraste com Kernel Principal Component Analysis (KPCA) e t-distributed Stochastic Neighbor Embedding (t-SNE), para extrair as características essenciais dos dados do ativo. Subsequente agrupamento via K-means, Partition Around Medoids (PAM), Agglomerative Hierarchical Clustering (AHC) e Density-Based Spatial Clustering of Applications with Noise (DBSCAN) para possibilitar a pré-seleção eficaz de ativos; (2) implementação do modelo Hierarchical Risk Parity (HRP) para alocação otimizada de ativos, comparada aos modelos Mean-Variance (MV) e Inverse-Variance Portfolio (IVP). O processo começa com uma curadoria meticulosa dos dados dos ativos, passa por redução de dimensionalidade impulsionada por UMAP, é refinado através de técnicas de agrupamento para seleção de ativos e culmina na otimização de portfólios via modelo HRP. A avaliação empírica dos índices Ibovespa e Standard and Poor's 500 (S\&P 500) de 1º de janeiro de 2016 a 31 de dezembro de 2021 indica que a abordagem integrada supera os modelos tradicionais, alcançando um índice Sharpe de 1,11. Em particular, os portfólios também demonstraram resiliência a adversidades de mercado, como a pandemia, superando benchmarks em termos de retornos acumulados. Esta pesquisa destaca o potencial de combinar técnicas orientadas por dados com insights financeiros tradicionais, inaugurando uma nova era de gestão de portfólios robusta.
Como um componente fundamental do sistema financeiro global, os portfólios de investimento impulsionam a riqueza individual e institucional e desempenham um papel crucial no crescimento econômico e na alocação de recursos. A otimização desses portfólios, enquanto maximiza retornos e minimiza riscos, é influenciada por vários fatores econômicos, dinâmicas de mercado e sentimentos dos investidores. Alcançar um equilíbrio preciso na alocação de ativos diante dessas complexidades é um desafio formidável. Esta pesquisa introduz uma abordagem de dois níveis que combina redução de dimensionalidade com técnicas de agrupamento para aprimorar a otimização de portfólios. A metodologia abrange: (1) a técnica Uniform Manifold Approximation and Projection (UMAP), em contraste com Kernel Principal Component Analysis (KPCA) e t-distributed Stochastic Neighbor Embedding (t-SNE), para extrair as características essenciais dos dados do ativo. Subsequente agrupamento via K-means, Partition Around Medoids (PAM), Agglomerative Hierarchical Clustering (AHC) e Density-Based Spatial Clustering of Applications with Noise (DBSCAN) para possibilitar a pré-seleção eficaz de ativos; (2) implementação do modelo Hierarchical Risk Parity (HRP) para alocação otimizada de ativos, comparada aos modelos Mean-Variance (MV) e Inverse-Variance Portfolio (IVP). O processo começa com uma curadoria meticulosa dos dados dos ativos, passa por redução de dimensionalidade impulsionada por UMAP, é refinado através de técnicas de agrupamento para seleção de ativos e culmina na otimização de portfólios via modelo HRP. A avaliação empírica dos índices Ibovespa e Standard and Poor's 500 (S\&P 500) de 1º de janeiro de 2016 a 31 de dezembro de 2021 indica que a abordagem integrada supera os modelos tradicionais, alcançando um índice Sharpe de 1,11. Em particular, os portfólios também demonstraram resiliência a adversidades de mercado, como a pandemia, superando benchmarks em termos de retornos acumulados. Esta pesquisa destaca o potencial de combinar técnicas orientadas por dados com insights financeiros tradicionais, inaugurando uma nova era de gestão de portfólios robusta.
Descrição
Citação
Gularte, A. P. S. (2023). A Non-Supervised Asset Selection for Portfolio Optimization. Master's thesis, Instituto Tecnológico de Aeronáutica and Universidade Federal de São Paulo. ITA/UNIFESP Institutional Repository.