O impacto da aprendizagem híbrida por reforço e supervisionada no trading: Ativo do setor tecnológico

Abstract

Esta dissertação tem como objetivo investigar o impacto da aprendizagem híbrida por reforço e supervisionada aplicada ao trading, com destaque para ativos do setor tecnológico. Num contexto caracterizado por volatilidade elevada e incerteza significativa, os modelos híbridos combinando aprendizagem supervisionada (XGBoost) com aprendizagem por reforço (Q-learning e Deep Q-Network) são explorados para prever movimentos financeiros. Os modelos híbridos desenvolvidos incluem versões com variáveis exógenas e mecanismos específicos de controlo de risco, nomeadamente as estratégias de stop-loss e trailing stop. Estes modelos híbridos são comparados com um modelo base que utiliza exclusivamente aprendizagem por reforço. A comparação é realizada através de métricas de desempenho que avaliam a rentabilidade, a precisão das previsões e a eficácia na gestão do risco. Conclui-se que a aprendizagem híbrida por reforço constitui uma abordagem eficaz e promissora para otimizar estratégias de investimento em mercados altamente complexos e voláteis.

This dissertation aims to investigate the impact of hybrid reinforcement and supervised learning applied to trading, with a particular focus on assets from the technology sector. In a context marked by high volatility and considerable uncertainty, hybrid models that combine supervised learning (XGBoost) with reinforcement learning (Q-learning and Deep Q-Network) are explored to predict financial movements. The hybrid models developed include versions that incorporate exogenous variables as well as specific risk management mechanisms, namely stop-loss and trailing stop strategies. These hybrid approaches are compared with a baseline model relying exclusively on reinforcement learning. The comparison is conducted through performance metrics that assess profitability, predictive accuracy, and effectiveness in risk management. The findings suggest that hybrid reinforcement learning constitutes an effective and promising approach to optimizing investment strategies in highly complex and volatile markets.