| dc.contributor | Almeida, Helberte João França | |
| dc.contributor | Universidade Federal de Santa Catarina | |
| dc.creator | Barra, Daniel Sousa | |
| dc.date | 2018-07-25T16:50:57Z | |
| dc.date | 2018-07-25T16:50:57Z | |
| dc.date | 2018-07 | |
| dc.date.accessioned | 2018-10-31T21:03:46Z | |
| dc.date.available | 2018-10-31T21:03:46Z | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/188633 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/1789158 | |
| dc.description | TCC (graduação) - Universidade Federal de Santa Catarina. Centro Sócio-Econômico. Economia. | |
| dc.description | Criptomoedas têm sido um assunto muito discutido em todo o mundo a partir do segundo semestre de 2017. Embora muitos economistas discutam a validade das mesmas como unidade de valor, pouco tem sido discutido quanto à sua aplicabilidade como ativo financeiro. A alta volatilidade que esses ativos possuem, atrelada a uma liquidez considerável dentro do espectro do mercado de capitais, permite que se criem novas oportunidades de investimento para investidores que buscam alternativas arrojadas. Diante desse cenário, este estudo busca encontrar um modelo de otimização de portfólio utilizando uma carteira teórica composta por cinco criptomoedas. Para tanto, se utiliza de um algoritmo de otimização para definir, dentro de uma faixa de valores, qual a porcentagem da carteira que deve ser alocada em cada criptomoeda para cada período de rebalanceamento. Ao final de cada período, a análise verifica para quais moedas a direção de alocação (compra ou venda) foi a correta, e então é aplicado um algoritmo de reinforcement learning para aumentar a faixa das que tiveram a direção correta, e reduzir a faixa das que tiveram a direção errada, de forma a melhorar as próximas decisões de alocação. Os resultados demonstraram que as carteiras com otimização desempenharam melhor do que as que tinham porcentagens fixas de alocação (sem rebalanceamento), e também que as carteiras que aplicaram reinforcement learning desempenharam melhor do que as que utilizam otimização sem reinforcement learning. | |
| dc.format | 39 f. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Florianópolis, SC | |
| dc.subject | Aprendizado por reforço. Criptomoedas. Otimização de portfólio. | |
| dc.title | Otimização de portfólio para uma carteira de criptomoedas: uma abordagem em reinforcement learning | |
| dc.type | Tesis | |
