Nesta tese buscamos fornecer duas diferentes abordagens para a otimização de carteiras de ativos sob incerteza. Demonstramos como a incerteza acerca da distribuição dos retornos esperados pode ser incorporada nas decisões de alocação de ativos, utilizando as seguintes ferramentas: (1) uma extensão da metodologia Bayesiana proposta por Black e Litterman através de uma estratégia de negociação dinâmica construída sobre um modelo de aprendizagem com base na análise fundamentalista, (2 ) uma abordagem adaptativa baseada em técnicas de otimização robusta. Esta última abordagem é apresentada em duas diferentes especificações: uma modelagem robusta com base em uma análise puramente empírica e uma extensão da modelagem robusta proposta por Bertsimas e Sim em 2004. Para avaliar a importância dos modelos propostos no tratamento da incerteza na distribuição dos retornos examinamos a extensão das mudanças nas carteiras ótimas geradas. As principais conclusões são: (a ) é possível obter carteiras ótimas menos influenciadas por erros de estimação, ( b ) tais carteiras são capazes de gerar retornos estatisticamente superiores com perdas bem controladas, quando comparadas com carteiras ótimas de Markowitz e índices de referência selecionados.