From modern portfolio theory to artificial intelligence : a review and empirical analysis

Abstract

Esta dissertação apresenta uma revisão abrangente da teoria de portfólios, traçando sua evolução desde os princípios fundamentais da Teoria Moderna do Portfólio (MPT) até a integração avançada de modelos de machine learning (ML). O estudo inicia-se com a análise do modelo de média-variância de Markowitz e sua posterior extensão para a Teoria Pós-Moderna do Portfólio (PMPT), que introduziu um conceito mais sofisticado de risco de queda (downside risk). O cerne deste trabalho aborda as limitações inerentes a esses paradigmas clássicos — como a sensibilidade aos parâmetros e as premissas estáticas — por meio de uma avaliação sistemática de soluções contemporâneas baseadas em ML. São revisadas técnicas como regularização para esparsidade de portfólio, deep learning para reconhecimento de padrões e reinforcement learning para otimização de políticas dinâmicas. Uma análise empírica é conduzida para comparar o desempenho de um portfólio tradicional de Markowitz com um modelo aprimorado que utiliza um algoritmo Random Forest para prever os retornos dos ativos.