Portfolio Optimization with Rebalancing: A Hybrid Approach with Genetic Algorithms and Reinforcement Learning

Este trabalho apresenta um framework para otimização sequencial de portfólio com alocação discreta de ativos, incorporando transferência de conhecimento entre períodos de rebalanceamento. O problema é modelado como uma extensão do Mochila Multidimensional com Repetição, visando maximizar o Índice de Sharpe sob restrições realistas de orçamento, cardinalidade, alocação e custos de transação. São comparadas três abordagens: uma exata via programação não-linear inteira mista, um algoritmo genético discreto e uma versão híbrida com aprendizado por reforço. Experimentos com dados reais do mercado brasileiro demonstram que a abordagem híbrida apresenta maior robustez e desempenho superior em retorno ajustado ao risco, especialmente em cenários de alta volatilidade, evidenciando seu potencial para aplicações práticas em ambientes financeiros dinâmicos.