Esta dissertação apresenta o desenvolvimento de um sistema híbrido, baseado em Algoritmos Genéticos (AG) e Redes Neurais (RN), no processo de seleção de ações, na determinação do percentual a investir em cada ativo também denominado peso do ativo na carteira e gerenciamento de carteiras de investimento. O objetivo do trabalho é avaliar o desempenho de Algoritmos Genéticos e Redes neurais para a montagem e gerenciamento de carteiras de investimento. A construção e gerenciamento de carteiras de investimento é um problema de múltiplos objetivos (retorno e risco) onde deseja-se escolher um conjunto de ações de empresas com perspectivas de lucro para formar a carteira de investimento. Esta escolha é difícil devido ao grande número de possibilidades e parâmetros a serem considerados, como: retorno, risco, correlação, volatilidade, entre outros; razão pela que é considerado como problema do tipo NP-completo. O trabalho de pesquisa foi desenvolvido em 5 etapas principais: um estudo sobre a área de carteiras de investimento; um estudo sobre os modelos com técnicas de inteligência computacional empregados nesta área; a definição de um modelo híbrido Genético-Neural para a seleção e gerenciamento da carteira para o caso estacionário; a definição de um modelo híbrido Genético- Neural para a seleção e gerencia de carteira para o caso variante no tempo; e o estudo de casos. O estudo sobre a área de carteiras de investimento envolveu toda a teoria necessária para a construção e gerenciamento de carteiras de investimento. O estudo sobre as técnicas de inteligência computacional, define-se os conceitos principais de Algoritmos Genéticos e Redes Neurais empregados nesta dissertação. A modelagem híbrida Genético-Neural para o caso clássico ou estacionário, constituiu fundamentalmente mo emprego de um Algoritmo Genético para selecionar os ativos da carteira a partir de um subconjunto de ativos noticiados na Bolsa de Valores de São Paulo - Brasil (BOVESPA). Uma Rede Neural auxilia na gerência da carteira, fazendo previsões dos retornos dos ativos para o próximo período de avaliação da carteira. Na seleção de ativos, dois algoritmos genéticos são modelados: o primeiro procura escolher 12 dentre 137 ativos negociados na BOVESPA, que apresentem maior expectativa de retorno, com menor risco e que apresentem baixa correlação com os demais ativos; e o segundo procura escolher os ativos empregando o modelo de Makowitz e o critério de Fronteira eficiente. A previsão de retornos da as ações é uma estratégia que visa melhorar o desempenho de carteiras de investimento que, tipicamente, consideram apenas o retorno médio do ativo. Diferentes modelos de redes neurais foram testados, como: Backpropagation, Redes Neurais Bayesianas, Sistema Neuro-Fuzzy Hierárquico e Redes Neurais com Filtros de Kalman; os melhores resultados de previsão foram obtidos com redes neurais com Filtros de Kalman. Para o caso estacionário foram usadas como entradas da rede neural os retornos semanais, tanto do ativo como do índice do mercado, empregando-se o método de janela deslizante para a previsão um passo a frente. A modelagem híbrida Genético-Neural para o caso variante no tempo, constituiu no emprego de 3 modelos: um AG para fazer a escolha dos ativos da carteira; o modelo GARCH para fazer as previsões da volatilidade dos ativos e o cálculo do risco de cada um deles dado pelo VAR (medida de risco que tenta quantificar a perda máxima que uma carteira (ou ativo) pode ter em um horizonte de tempo e com um intervalo de confiança); e uma RN para fazer as previsões dos retornos dos ativos para o próximo período de avaliação de carteira. Na montagem da carteira, empregou-se o Critério de Fronteira eficiente para a seleção dos ativos, também dentre os 137 negociados na BOVESPA. A previsão da volatilidade das ações é uma forma de indicar quanto pode variar o preço da ação, medida útil para determinar o risco de um ativo representado pelo VAR.