Neste trabalho é apresentado um sistema autônomo de gestão de carteiras que utiliza Redes Neurais Artificiais para monitoramento do mercado e o modelo de Black-Litterman para otimização da alocação de patrimônio. O sistema analisa as dez ações mais negociadas do índice Bovespa, com redes neurais dedicadas a cada ação, e prevê estimativas de variações de preços para um dia no futuro a partir de indicadores da análise técnica. As estimativas das redes são então inseridas em um otimizador de carteiras, que utiliza o modelo de Black-Litterman, para compor carteiras diárias que empregam a estratégia Long and Short. Os resultados obtidos são comparados a um segundo sistema de trading autônomo, sem o emprego da otimização de carteiras. Foram observados resultados com ótimo índice de Sharpe em comparação ao Benchmark. Buscou-se, assim, contribuir com evidências a favor da utilização de modelos de inferência bayesiana utilizados junto à técnicas quantitativas para a gestão de patrimônio.

This work presents an autonomous portfolio management system which uses a Neural Network approach for monitoring the market and the Black-Litterman model for portfolio composition. The ten most traded assets from the Bovespa Index are analyzed, with dedicated neural networks, which suggests future return estimates using technical indicators as input. Those estimates are inserted in the Black-Litterman model which propose daily portfolio composition using long & short positions. The results are compared to a second autonomous trading system without the Black-Litterman approach. The results show great performance compared to the Benchmark, specially the risk and return relation, captured by the Sharpe Index. The work sought to bring positive evidences for the use of Bayesian Inference techniques in quantitative portfolio management.