ResumoA alocação tática de ativos é um importante instrumento para obtenção de lucros em uma carteira para um dado período. Duas técnicas comumente utilizadas pelos analistas para formação de uma carteira tática de ativos são: a análise técnica, para o curto prazo, e a análise fundamentalista, para o longo prazo. Ambas as abordagens, no entanto, são subjetivas, uma vez que dependem do conhecimento e das interpretações do analista. Analistas humanos tendem a focar em um grupo pré-de nido de ativos, limitando as escolhas e, consequentemente, a possibilidade de melhores resultados. Este trabalho propõe o algoritmo (Redes de Ativos para Alocação de Carteira) para recomendação automática de um portfólio de ações, visando maximizar o lucro e minimizar o risco. O método proposto considera um conjunto possivelmente grande de ativos representados como uma rede complexa, na qual os nós representam ativos e as arestas entre eles são estabelecidas de acordo com a correlação entre seus retornos. A escolha dos ativos é realizada por meio de uma caminhada aleatória na rede, selecionando, ao nal, os ativos mais visitados. São propostas quatro vertentes do algoritmo: 1) algoritmo baseado no histórico de retornos ( ); 2) algoritmo baseado no histórico de retornos com número de ativos ( ) pré-de nido ( ); 3) algoritmo híbrido baseado na projeção dos retornos ( ℎ ) que utiliza a análise preditiva do algoritmo XGBoost -(Extreme Gradient Boosting) como probabilidade de transição; 4) algoritmo híbrido baseado na projeção dos retornos com número de ativos ( ) pré-de nido ( ℎ ). As quatro vertentes do algoritmo proposto foram comparadas com quatro benchmarks: o portfólio clássico da média-variância de Markowitz (MV); portfólio Mean Absolute Deviation (MAD); portfólio Conditional Value-at-Risk (CVaR) e portfólio Hierarchical Risk Parity (HRP). Todos os portfólios gerados pelo algoritmo e pelos benchmarks foram avaliados utilizando as métricas de performance: o Índice Sharpe (IS), o máximo drawdown (MDD) e o retorno acumulado (RA). O algoritmo proposto e os benchmarks foram aplicados sobre três conjuntos de dados do período de janeiro à dezembro de 2020: BRB3, ações do mercado brasileiro; SP500, ações que compõem o índice S&P 500 (Standard & Poor's 500); e EQ200, contendo ações do índice Russel Top 200. Os resultados demonstraram que a performance do algoritmo proposto foi predominante em todos os três conjunto de dados. Especi camente, o algoritmo baseado no histórico de retornos ( ), demonstrou RA de 106%, 273,6% e 104,1%, no período de doze meses, para os conjuntos de dados BRB3, EQ200 e SP500, respectivamente. Além desses valores, que são expressivos para o período, o algoritmo obteve os melhores valores para todas as métricas de performance avaliadas.