Does managing a retirement portfolio via rate of return, Sharpe ratio and social interaction generate good returns? An analysis for the years 2017 to 2020

Nicollas Mateus Gomes; Helberte João França Almeida; Rafael Jasper Feltrin; Guilherme de Oliveira

doi:10.5007/2175-8085.2023.e84889

Autores

Nicollas Mateus Gomes Universidade Federal de Santa Catarina
Helberte João França Almeida Universidade Federal de Santa Catarina
Rafael Jasper Feltrin Universidade Federal de Santa Catarina
Guilherme de Oliveira Universidade Federal de Santa Catarina

DOI:

https://doi.org/10.5007/2175-8085.2023.e84889

Palavras-chave:

Aprendizagem por reforço, Reforma da Previdência, Gerenciamento de Portfólios

Resumo

Motivado pelo contexto da reforma previdenciária no Brasil e pelo comportamento dos investidores individuais brasileiros no mercado de fundos de aposentadoria, este estudo elabora um algoritmo para gerenciar uma carteira real de um fundo de aposentadoria. O gestor teórico pode alocar seus recursos entre quatro títulos pertencentes a uma mesma instituição financeira: dois fundos de renda fixa; e dois fundos de crédito privado. O algoritmo de aprendizado de máquina otimiza a alocação de portfólio utilizando taxa de retornos, que recompensa boas decisões e pune decisões ruins e também índice de sharpe com parâmetros de sensibilidade que depende da perfomance de outros fundos (interação social). Em seis cenários de simulação, o modelo superou o portfólio real por retornos médios consideráveis e significantes taxas de retornos.

Referências

CHOI, J. J.; LAIBSON, D.; MADRIAN, B. C.; METRICK, A. Reinforcement learning and savings behavior. The Journal of finance, 64(6), 2515-2534, 2009.

Comissão de Valores Mobiliários. (2023). https://conteudo.cvm.gov.br/menu/regulados/fundos/consultas/fundos.html. Acesso em Março de 2023.

FAMA, E. F.; FRENCH, K. R. A five-factor asset pricing model. Journal of financial economics, 116(1), 1-22, 2015.

FERREIRA, G. THE TEN BIGGEST PENSION FUNDS IN BRAZIL PERFORM BELOW CDI. Valor Econômico. Available in: https://www.valor.com.br/financas/6244401/maiores-fundos-de-previdencia-rendem-menosque-o-cdi, 2019

.

FLIETH, B.; FOSTER, J. Interactive expectations. Journal of Evolutionary Economics, 12(4), 375-395, 2002.

FORSYTH, P. A.; VETZAL, K. R. Optimal asset allocation for retirement saving: Deterministic vs. time consistent adaptive strategies. Applied Mathematical Finance, 26(1), 1-37, 2019.

GALE, D.; KARIV, S. Bayesian learning in social networks. Games and economic behavior, 45(2), 329-346, 2003.

HOMMES, C. H. Heterogeneous agent models in economics and finance. Handbook of computational economics, 2, 1109-1186, 2006.

JIANG, Z.; LIANG, J. Cryptocurrency portfolio management with deep reinforcement learning. In 2017 Intelligent Systems Conference (IntelliSys) (pp. 905-913). IEEE, 2017.

KAUFMAN, B. E. Emotional arousal as a source of bounded rationality. Journal of Economic Behavior & Organization, 38(2), 135-144, 1999.

LUX, T. The socio-economic dynamics of speculative markets: interacting agents, chaos, and the fat tails of return distributions. Journal of Economic Behavior & Organization, 33(2), 143-165, 1998

MATSUI, T.; GOTO, T.; IZUMI, K. Acquiring a government bond trading strategy using reinforcement learning. Journal of Advanced Computational Intelligence and Intelligent Informatics, 13(6), 691-696, 2009.

MULLAINATHAN, S.; SPIESS, J. Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106, 2017.

NEVMYVAKA, Y.; FENG, Y.; KEARNS, M. Reinforcement learning for optimized trade execution. In Proceedings of the 23rd international conference on Machine learning (pp. 673-680), 2006.

ROTH, A. E.; EREV, I. Learning in extensive-form games: Experimental data and simple dynamic models in the intermediate term. Games and economic behavior, 8(1), 164-212, 1995.

SHANTHA, K. V. A.; Xiaofang, C.; Gamini, L. P. S. A conceptual framework on individual investors’ learning behavior in the context of stock trading: An integrated perspective. Cogent Economics & Finance, 6(1), 1544062, 2018.

TOPA, G. Social interactions, local spillovers and unemployment. The Review of Economic Studies, 68(2), 261-295, 2021.

WANG, H.; ZHOU, X. Y. Continuous?time mean–variance portfolio selection: A reinforcement learning framework. Mathematical Finance, 30(4), 1273-1308, 2020.