Tese Logica Fuzzy

Claudio Robinson Tapi Pereira
SISTEMA DE TOMADA DE DECISO PARA COMPRA E VENDA DE

ATIVOS FINANCEIROS UTILIZANDO LGICA FUZZY

So Paulo
2008


Dissertao apresentada a Escola
Politcnica da Universidade de So
Paulo para obteno do ttulo de
Mestre em Engenharia Eltrica

So Paulo
2008


Dissertao apresentada a Escola
Politcnica da Universidade de So
Paulo para obteno do ttulo de
Mestre em Engenharia

rea de Concentrao:
Engenharia de Sistemas Eletrnicos
PSI

Orientador: Prof. Dr. Flavio Almeida de
Magalhes Cipparrone

So Paulo
2008

FICHA CATALOGRFICA

Pereira, Claudio Robinson Tapi
Sistema de Tomada de Deciso para Compra e Venda de Ativos Financeiros
Utilizando Lgica Fuzzy / C. R. T. Pereira. -- So Paulo, 2008.
128 p.

Dissertao (Mestrado) Escola Politcnica da Universidade de So Paulo.
Departamento de Engenharia de Sistemas Eletrnicos.

1.Tomada de deciso 2. Compra e venda 3. Fuzzy I. Universidade de So Paulo.
Escola Politcnica. Departamento de Engenharia de Sistemas Eletrnicos II. t.

DEDICATRIA

Dedico este trabalho a minha querida av,
Eny.
AGRADECIMENTOS

Ao professor Flavio Almeida de Magalhes Cipparrone, que acreditou e apoiou este
trabalho.

Aos meus pais (Carlos e Regina), minha namorada e cientista (Mnica), aos meus
amigos (Celio e Diogo) que participaram do incio deste projeto durante a graduao
e a todos que contribuiram direta ou indiretamente na execuo deste trabalho.

I think...
(Charles Robert Darwin texto extrado
de seu caderno de notas a respeito de
seus primeiros pensamentos sobre a
Teoria da Evoluo)

Prefiro a verdade dura fantasia
consoladora, pois, geralmente, no compto
final, os fatos revelam-se mais
consoladores.
(Carl Sagan extrado de O mundo
assombrado pelos demnios A cincia
vista como uma vela no escuro)
RESUMO

O Sistema Proteu Fuzzy um sistema de tomada de deciso para compra e venda
de ativos financeiros que visa auxiliar a figura do analista tcnico (de modo imparcial
e racional), informando quando existe uma boa oportunidade para se comprar ou
vender um determinado ativo (e.g. aes). Utilizaram-se, como base para as suas
decises, tcnicas de inteligncia artificial (Lgica Fuzzy) e indicadores tcnicos
(Mdias Mveis, MACD e RSI). As simulaes mostram que o sistema conseguiu
gerar resultados de forma consistente e com menor volatilidade que o mercado para
alguns ativos.

Palavras-chave: Sistema de Tomada de Deciso. Lgica Fuzzy. Previso.
Simulao. Tcnicas Computacionais.

ABSTRACT

The Proteu Fuzzy System is a decision-making system with the purpose of
supporting a technical analyst issuing (impartial and rational) buy and sell signals for
a financial asset. The system use, for the decision-making process, an inference
engine based on Fuzzy Logic and technical indicators (e.g. Moving Averages, MACD
and RSI). The simulation shows that the system is able to generate profits in a
consistent manner and with a lower volatility then the market for some assets.

Keywords: decision-making systems. Fuzzy Logic. Forecasting and Simulation.
Computational Techniques.
LISTA DE ILUSTRAES

Figura 1:- Representao do processo de tomada de deciso realizada ................... 16
Figura 2:- Diagrama de Inferncia representando passo-a-passo todas as etapas .. 38
Figura 3:- Representao das Sries Temporais e dos Modelos Econmicos .......... 39
Figura 4:- Representao das etapas de Fuzzificao, Inferncia das Regras e
Defuzzificao ................................................................................................... 40
Figura 5:- Diagrama de Inferncia do Sistema de Tomada de Deciso ...................... 41
Figura 6:- Diagrama representando troca de informaes entre Usurio e Sistema . 41
Figura 7:- Representao da modularizao das planilhas .......................................... 42
Figura 8:- Representao do ganho acumulado por operao .................................... 50

LISTA DE GRFICOS

Grfico 1:- Grfico das Mdias Mveis de 10 e 50 dias................................................ 19
Grfico 2:- Grfico do Modelo Tcnico MACD ............................................................... 20
Grfico 3:- Grfico do Modelo RSI calculado para o ndice BOVESPA ...................... 23
Grfico 4:- Representao inicial da varivel lingstica RSI ....................................... 28
Grfico 5:- Representao da varivel lingstica RSI utilizada no modelo ................ 29
Grfico 6:- Representao das variveis lingsticas inicialmente utilizadas ............. 30
Grfico 7:- Representao das variveis lingsticas MACD e MA ............................. 31
Grfico 8:- Representao da varivel lingstica STATUS ......................................... 32
Grfico 9:- Exemplo de fuzzificao da varivel lingstica RSI................................... 32
Grfico 10:- Projeo das regras sobre as variveis de sada. .................................... 37
Grfico 11:- Evoluo do Valor Acumulado dos Modelos do Sistema ........................ 48
Grfico 12:- Evoluo do Valor Acumulado dos Modelos do Sistema ........................ 49
Grfico 13:- Evoluo do Valor Acumulado por Operao do Sistema FUZZY ......... 51
Grfico 14:- Evoluo do Valor Acumulado por Operao do Sistema FUZZY STOP
.......................................................................................................................... 52
Grfico 15:- Evoluo do desempenho dos Modelos do Sistema versus desempenho
do mercado ...................................................................................................... 55

LISTA DE TABELAS

Tabela 1:- Clculo do RSI para uma srie de preos .................................................... 22
Tabela 2:- Tabela com as 18 (dezoito) regras inicialmente utilizadas para simular o
conhecimento do analista financeiro ............................................................... 33
Tabela 3:- Tabela com as 10 (dez) regras utilizadas para simular o conhecimento do
analista financeiro ............................................................................................. 34
Tabela 4:- Clculo da Implicao das Regras................................................................ 36
Tabela 5:- Valores de pr-calibrao e simulaes do sistema ................................... 44
Tabela 6:- Perodos de pr-calibrao e simulaes do sistema ................................. 44
Tabela 7:- Ativos analisados pelo sistema Proteu Fuzzy .............................................. 45
Tabela 8:- Resumo de desempenho descrito no Grfico 11 ........................................ 53
Tabela 9:- Desempenho detalhado descrito no Grfico 12 .......................................... 54
Tabela 10:- Resumo de desempenho: Redes Bayesiana x Lgica Fuzzy .................. 58

LISTA DE FRMULAS

Frmula 1:- Mdia Mvel .................................................................................................. 17
Frmula 2:- Mdia Mvel Exponencial. ........................................................................... 20
Frmula 3:- Clculo do ndice de Fora Relativa. .......................................................... 21
Frmula 4:- Clculo pelo mtodo das mdias ponderadas. ......................................... 35
Frmula 5:- Clculo do retorno de um perodo. ............................................................. 53
Frmula 6:- Clculo da volatilidade anualizada. ............................................................ 53
LISTA DE ABREVIATURAS E SIGLAS

ATR Average True Range
BD Banco de Dados
BOVESPA Bolsa de Valores do Brasil
BM&F Bolsa de Mercadorias e Futuros
BLOOMBERG Sistema de Proviso de Informaes Bloomberg
CAC ndice da Bolsa da Frana
DAX ndice da Bolsa da Alemanh
DOLAR Taxa de cmbio - Dlar americano (venda) - u.m.c./US$
EMA Exponencial Moving Average
IBOV ndice BOVESPA
IBOVESPA ndice BOVESPA
IFR ndice de Fora Relativa
NIKKEI ndice Nikkei da Bolsa de Valores do Japo
NKY Sigla que representa o ndice Nikkei
MA Moving Average
MACD Moving Average Convergence Divergence
C 1 Sigla para a commodity Milho
MM Mdias Mveis
MME Mdias Mveis Exponenciais
GOLDS Ouro BM&F - grama - u.m.c.
CL1 Sigla para a commodity Petrleo
RSI Relative Strength Index
SISBACEN Sistema de Informaes do Banco Central
S 1 Sigla para a commodity Soja
SP500 ndice calculado pela consultoria americana Standard&Poors
que reflete o desempenho das 500 maiores empresas industriais
norte-americanas
SPTSX ndice da Bolsa do Canad
STOP/LOSS Mtrica utilizada para limitar perdas
UKX ndice da Bolsa de Londres
SUMRIO

1 INTRODUO ........................................................................................................ 1
1.1 OBJETIVO ........................................................................................................ 1
1.2 ANTECEDENTES............................................................................................. 2
1.3 ESTRUTURA DO TRABALHO ......................................................................... 2
2 DESENVOLVIMENTO ........................................................................................... 4
2.1 REVISO DE LITERATURA ............................................................................ 4
2.2 MERCADO DE CAPITAIS ................................................................................ 6
2.3 MERCADO DE AES .................................................................................... 7
2.4 O MERCADO VISTA ..................................................................................... 9
2.5 MERCADOS EFICIENTES ............................................................................. 11
2.6 FINANAS COMPORTAMENTAIS ................................................................ 12
2.7 ACOMPANHAMENTO DE TENDNCIAS ...................................................... 13
2.8 ANLISE TCNICA ........................................................................................ 15
2.8.1 INDICADORES TCNICOS........................................................................ 15
2.8.2 MDIAS MVEIS ....................................................................................... 16
2.8.3 MACD ......................................................................................................... 19
2.8.4 RELATIVE STRENGTH INDEX (RSI) ........................................................ 21
2.9 LGICA FUZZY.............................................................................................. 25
2.9.1 INTRODUO ............................................................................................ 25
2.9.2 MODELAGEM FUZZY DO CONHECIMENTO ESPECIALISTA ................ 26
3 DESCRIO DO SISTEMA ................................................................................. 39
3.1 MATERIAIS .................................................................................................... 42
3.2 CALIBRAO DO SISTEMA.......................................................................... 43
4 AVALIAO E RESULTADOS .......................................................................... 45
4.1 AVALIAO DO SISTEMA ............................................................................ 45
4.1.1 CRITRIOS UTILIZADOS NA ANLISE ................................................... 46
4.2 RESULTADOS ............................................................................................... 47
4.3 LGICA FUZZY x REDES BAYESIANAS ...................................................... 55
5 CONSIDERAES FINAIS ................................................................................. 59
5.1 CUMPRIMENTO DOS OBJETIVOS ............................................................... 61
5.2 CONTRIBUIES .......................................................................................... 61
5.3 TRABALHOS FUTUROS ................................................................................ 62
REFERNCIAS ................................................................................................................. 64
REFERNCIAS COMPLEMENTARES ......................................................................... 67
APNDICE A Adaptaes nos modelos tcnicos ........................................................... 68
APNDICE B Resultado das simulaes para outros ativos......................................... 72
APNDICE C Redes Bayesianas .................................................................................. 107
ANEXO A - Descrio dos ativos no Sistema Bloomberg .............................................. 113
Utilizando Lgica Fuzzy

1
1 INTRODUO
Um dos maiores desafios (se no, o maior!) que existe atualmente no mercado
financeiro a questo de quando seria o melhor momento para se comprar ou
vender um determinado ativo. Ser que a Bolsa de Valores vai subir ou vai cair
amanh? E a Petrobrs, Vale do Rio Doce, Lojas Americanas... ser que um bom
momento para comprar ou vender suas aes?
Quando um analista financeiro (seja ele um trader, um gestor de fundos ou um
homebroker) toma uma deciso, geralmente, esta deciso baseada em algumas
informaes que foram coletadas ao longo do tempo (jornais, TV, anlises de
balanos, anlises tcnicas, etc) e raramente na sorte. A partir do momento que o
analista possui todas as informaes que julga ser relevante para tomar a sua
deciso, a deciso tomada.
A existncia de algum modelo ou ferramenta de suporte deciso, na etapa de
anlise do processo de investimento feita por este analista, que o auxiliasse na
tomada de deciso, filtrando dados numricos diversos (provindos, por exemplo, de
indicadores tcnicos, indices inflacionrios, retorno do investimento) os quais
dependeriam da experincia do analista na interpretao destes nmeros, poderia
facilitar sobremaneira a tomada de deciso, no apenas agilizando o processo
decisrio, mas tambm diminuindo o risco de decises irracionais ou motivadas
apenas pela emoo.

1.1 OBJETIVO
O objetivo deste trabalho desenvolver um modelo de sistema especialista de
suporte a deciso, capaz de simular o comportamento de um analista financeiro,
gerando recomendaes dirias de compra ou venda de ativos de modo imparcial,
racional, gil e com menor risco.

2
Para o desenvolvimento deste modelo, utilizar-se- Teoria Fuzzy, em particular,
mecanismos de inferncia baseados em Lgica Fuzzy, e Indicadores Tcnicos, os
quais servem como base para simular o conhecimento do especialista.
Diferentemente de um Trading System, este sistema no possui a capacidade
de operar ativos, mas sim, fornecer informaes com as possibilidades de alta (ou
baixa) destes. Na prtica, funcionaria como uma ferramenta de suporte deciso na
etapa de anlise do processo de investimento feita por um analista. A idia na
utilizao desta ferramenta evitar que com que o analista tome decises
precipitadas ou irracionais, o que poderia lev-lo a incorrer em um prejuzo.

1.2 ANTECEDENTES
O Sistema de Tomada de Deciso para Compra e Venda de Ativos
Financeiros utilizando Lgica Fuzzy, denominado Proteu
*
Fuzzy, foi inspirado em
um trabalho de concluso de curso (HIRA; ITO; PEREIRA, 2004) realizado na
Escola Politcnica da Universidade de So Paulo. Neste projeto, utilizou-se, para o
processo de tomada de deciso, a tcnica de inteligncia artificial conhecida como
Redes Bayesianas (Bayesian Networks). Portanto, ser tambm observado os
benefcios e/ou prejuzos que a substituio das Redes Bayesianas pela Lgica
Fuzzy trouxe para o sistema.

1.3 ESTRUTURA DO TRABALHO
Nos captulos que se sucedem, sero feitas a fundamentao lgica do
trabalho. Primeiramente, ser realizado uma reviso de literatura (2.1), mostrando os
estudos que mais se assemelhariam com o modelo proposto neste trabalho.

*
Proteu: Deus da mitologia grega que tem o poder de enxergar o passado, presente e o futuro.

3
Posteriormente pretende-se apresentar o funcionamento bsico e a estrutura do
mercado de capitais (2.2), do funcionamento do mercado acionrio (2.3) e do
mercado a vista (2.4), onde se tem a principal rea de atuao do sistema Proteu
Fuzzy. Ainda no campo da Economia, sero apresentados algumas teorias do
conhecimento existentes (2.5 ao 2.7). No item 2.8 ser apresentado uma introduo
aos modelos de anlise tcnicas que sero empregados no sistema, suas principais
funes e metodologias de clculos. Aps o encerramento dos temas de cunho
Econmico, dar-se- incio a introduo a Lgica Fuzzy e seu funcionamento (2.9).
No captulo 3 ser apresentado como os indicadores tcnicos e a Lgica Fuzzy se
relacionam para que o sistema consiga simular o comportamento de um especialista.
No captulo 4 sero apresentados os principais resultados obtidos pelo sistema,
atravs das simulaes dos dados histricos para o ndice BOVESPA (as
simulaes realizadas com outros ndices, podero ser visualizados no APNDICE
B Resultado das simulaes para outros ativos). Neste captulo so realizadas
comparaes detalhadas de desempenho do sistema em relao ao mercado e em
relao a cada um dos modelos tcnicos trabalhando de forma isolada, alm disto,
apesar deste no ser o intito deste trabalho, tambm ser realizado uma breve
comparao de desempenho entre as tcnicas de Lgica Fuzzy e Redes
Bayesianas (4.3). Finalmente, sero realizados alguns comentrios finais (5),
comparando-se os resultados esperados com os resultados obtidos, bem como o
cumprimento dos objetivos propostos (5.1), contribuies realizadas por este
trabalho (5.2) e a possibilidade de trabalhos futuros (5.3).

4
2 DESENVOLVIMENTO
Para a fundamentao lgica do trabalho, pretende-se contextualizar o estado
da arte existente com o modelo proposto, o qual utiliza Lgica Fuzzy e indicadores
tcnicos. Alm disto, ser realizada uma exposio ordenada e pormenorizada sobre
o ambiente onde este trabalho se insere (estrutura do mercado de capitais, mercado
de aes), as principais reas do pensamento existentes no mercado financeiro e o
funcionamento da Lgica Fuzzy.

2.1 REVISO DE LITERATURA
O uso de tcnicas de inteligncia artificial voltadas para a previso do
comportamento do mercado acionrio data do final da dcada de 80, onde White
(1988), aparentemente, foi o primeiro a utilizar redes neurais na tentativa de extrair
regularidades no-lineares de sries econmicas temporais, para deteco de
possveis movimentos nos preos de aes.
Nos anos subseqentes, outras tcnicas de inteligncia artificial foram
empregadas com algum xito na tentativa de detectar tendncias no mercado
acionrio. Alm disto, tais modelos passaram a utilizar, alm dos preos dos ativos,
alguns indicadores tcnicos como parmetros de entrada, como o modelo proposto
por Kuo (1996), o qual obteve resultados significativamente melhores se
comparados com modelos de regresso, sendo que os resultados obtidos foram
realizados com base nas informaes disponveis na bolsa de valores de Taiwan.
Kim e Chun (1998), utilizaram tcnicas probabilsticas e redes neurais para
prever valores de ndices. Onde as respostas do sistema no eram valores bipolares
(i.e. comprar ou vender), mas sim, valores graduais de alta ou baixa.

5
Aiken e Bsat (1999), utilizaram algoritmos genticos e redes neurais para prever
as taxas de 3 meses do Tesouro Americano. Neste trabalho, eles puderam concluir
que o uso destas tcnicas de inteligncia artificial pode prever com exatido estas
taxas.
A aplicao exclusiva de Lgica Fuzzy e indicadores tcnicos voltada para a
previso da direo do mercado acionrio bastante escassa, sendo que a maior
parte dos trabalhos utiliza mais de uma tcnica de inteligncia artificial para a
realizao desta tarefa ou utiliza apenas variaes passadas do ativo analisado
como entrada para o sistema (Huarng, Yu; 2005), (ABRAHAM, 2001), (THAMMANO,
1999), (TSAIH, HSU, LAI; 1998).
Diferentemente da proposta de Yu (2005), a qual tambm utiliza Lgica Fuzzy, o
modelo proposto neste trabalho no retorna um valor exato, mas sim uma sada
probabilstica, semelhante a proposta de Kim e Chun (1998), a qual pode ser
utilizada com outras informaes (econmicas ou no), para auxiliar na deciso de
investimento.
No Brasil, Costa Jr., Borba, Souto e Murcia (2006), prope uma aplicao de
Lgica Fuzzy com o intuito de prever a direo da mudana no nvel de preo do
IBOVESPA, utilizando como entrada para o modelo as oscilaes nos valores do
IBOVESPA para os perodos passados. A principal diferena desta proposta e o
modelo que pretende-se apresentar nesta dissertao est no fato de que o ativo
analisado no utilizado diretamente como entrada do sistema, mas sim, os
modelos tcnicos que so calculados atravs dos dados histricos dos ativos. Alm
disto, pretende-se criar um modelo com maior robustez, dado que pode ser utilizado,
alm do ndice BOVESPA, em papis, commodities, moedas ou qualquer ativo que
possua srie histrica.

6
Na rea de finanas comportamentais, Souza, Aguiar e Sales (2008) prope um
modelo que utiliza indicadores financeiros de companhias abertas e Lgica Fuzzy
para a formao de carteiras. Para as anlises so utilizados dois conjuntos de
aes, um do setor de petrleo e petroqumica e outro do setor txtil. Apesar do
Sistema Proteu Fuzzy poder utilizar tais indicadores em suas inferncias, foram
utilizados indicadores tcnicos, os quais se baseiam exclusivamente nos preos
histricos do ativo analisado.
O presente modelo no pretende refutar ou ser comparado com outros modelos
paramtricos ou no paramtricos, mas sim, propor uma nova soluo baseada nos
conceitos da Lgica Fuzzy.

2.2 MERCADO DE CAPITAIS
O mercado de capitais um sistema de distribuio de valores mobilirios, que
tem o propsito de proporcionar liquidez aos ttulos de emisso de empresas e
viabilizar seu processo de capitalizao. O mercado de capitais constitudo pelas
bolsas de valores, sociedades corretoras e outras instituies financeiras
autorizadas (BERTOLO, 2002).
Os principais ttulos negociados no mercado de capitais so as aes,
debntures conversveis em aes, commercial papers, entre outros (LIMA, 2006).
A principal fonte do financiamento dos investimentos de um pas constituda
pela poupana individual e das empresas. medida que o nvel dessa poupana
cresce, maiores so os recursos disponveis a serem utilizados no desenvolvimento
econmico de um pas. Esse processo constitui um ciclo onde maiores nveis de
poupana geram mais investimentos que por sua vez gera uma maior renda da
populao que novamente gera maiores nveis de poupana e assim por diante
(FORTUNA, 2007).

7
medida que as empresas se expandem, necessitam de mais recursos que
podem ser obtidos de trs maneiras: emprstimos de terceiros, reinvestimento de
lucros e participao dos acionistas. As duas primeiras fontes de recursos so
geralmente limitadas, e as empresas as usam para manter a sua atividade
operacional. Porm atravs da participao dos acionistas, os scios da empresa,
que a empresa consegue obter recursos no exigveis, como contrapartida
participao no seu capital (FORTUNA, 2007).
Atravs dos novos recursos, as empresas so capazes de investir em novos
equipamentos ou no desenvolvimento de pesquisas, melhorando o processo
produtivo da empresa e beneficiando toda a comunidade. O investidor em aes,
atravs deste ciclo, contribui para a produo de bens, dos quais ele tambm
consumidor. Como scio da empresa ele se beneficia da distribuio de dividendos
sempre que a empresa obtiver lucros (FORTUNA, 2007).

2.3 MERCADO DE AES
No Brasil, a bolsa de valores (BOVESPA) era uma associao civil, sem fins
lucrativos e com funes de interesse pblico (BOVESPA,1999). Ao longo de sua
histria, a BOVESPA passou por mudanas para aperfeioar sua estrutura. A mais
recente ocorreu em 28 de agosto de 2007, quando uma reestruturao societria
resultou na criao da BOVESPA Holding, que tem como subsidirias integrais a
Bolsa de Valores de So Paulo (BVSP) - responsvel pelas operaes dos
mercados de bolsa e de balco organizado - e a Companhia Brasileira de Liquidao
e Custdia (CBLC) que presta servios de liquidao, compensao e custdia. A
reestruturao societria consolidou o processo de desmutualizao, permitindo que
o acesso s negociaes e demais servios prestados pela Bolsa sejam

8
desvinculados da propriedade de aes. No formato anterior da BOVESPA, apenas
corretoras proprietrias de ttulos patrimoniais podiam negociar em Bolsa
(BOVESPA, 2008).
Alm de seu papel bsico de oferecer um mercado para a cotao dos ttulos
nelas registrados, orientar e fiscalizar os servios prestados por seus membros,
facilitar a divulgao constante de informaes sobre as empresas e sobre os
negcios que se realizam sobre o seu controle, as bolsas de valores propiciam
liquidez s aplicaes de curto e longo prazo, por intermdio de um mercado
contnuo, representado por seus preges dirios. por meio das bolsas de valores
que se pode viabilizar um importante objetivo do capitalismo moderno: o estmulo
poupana do grande pblico a ao investimento em empresas em expanso, que,
diante desse apoio, podero assegurar as condies para o seu desenvolvimento
(LIMA, 2006).
Os ttulos negociados na bolsa de valores fazem parte do mercado secundrio.
A distino entre mercado primrio e secundrio muito importante do ponto de
vista econmico, j que pe em relevo a forma como se d o fluxo de recursos para
o financiamento, principalmente das empresas, e mostra atravs de que
mecanismos esse fluxo pode ser mantido ou aumentado (FORTUNA, 2007).
no mercado primrio onde ocorre a colocao de aes ou outros valores
mobilirios, provenientes de novas emisses. As empresas recorrem ao mercado
primrio para completar os recursos que necessitam, visando financiamento de seus
projetos ou seu emprego em outras atividades produtivas (LIMA, 2006).
O mercado secundrio aonde os ttulos j existentes se transferem de um
proprietrio para outro. O valor transacionado nesse mercado no canalizado para
a empresa (STEVEN, 2006).

9
Sob o ponto de vista econmico, no significa aumento ou diminuio de
recursos para financiar novos projetos. A funo desse mercado fornecer liquidez
aos papis (ativos financeiros) negociados no mercado primrio.
Esse mercado , pois, to importante quanto o primrio, uma vez que sua
existncia condio para o funcionamento do outro. Os ativos financeiros no
encontram colocao no mercado primrio se no contarem com um mercado
secundrio organizado capaz de dar liquidez a esses papis (FORTUNA, 2007).

2.4 O MERCADO VISTA
Os preos das aes so formados em prego, movidos principalmente pelas
foras de oferta e demanda de um determinado papel (LIMA, 2006). A maior oferta
ou demanda por uma determinada ao, causada principalmente pelas
perspectivas futuras da empresa emissora, a incluindo-se sua poltica de
dividendos, prognsticos de expanso de seu mercado e dos seus lucros, influncia
das polticas monetrias, etc...
Negociao
A realizao de negcios no mercado vista requer a intermediao de uma
Sociedade Corretora que poder executar, em prego, a ordem de compra ou venda
de seu cliente atravs dos operadores ou ainda autorizar a transao atravs do
sistema eletrnico da corretora, utilizando para isso o Home Broker da Corretora.
Tipos de Ordem de Compra ou Venda
Ordem a mercado a ordem atravs da qual o cliente especifica Corretora
apenas a quantidade e as caractersticas da ao desejada. A execuo da ordem
se dar assim que a corretora receber a ordem, independentemente do preo.

10
Ordem Administrada a ordem atravs da qual o cliente delega corretora o
momento de execuo da compra ou venda da ao. O cliente deve especificar
apenas a quantidade e as caractersticas da ao desejada.
Ordem Limitada a ordem atravs da qual a execuo s ocorrer se o preo
for igual ou melhor do que indicado pelo investidor.
Direitos e Proventos
As empresas propiciam benefcios a seus acionistas sob a forma de
proventos ou o direito de preferncia na aquisio de aes.
Dividendo valor representativo de parte dos lucros da empresa, que
distribudo aos acionistas, em dinheiro, por ao possuda. Por lei, um mnimo de
25% do lucro lquido do exerccio deve ser distribudo entre os acionistas.
Juros sobre o Capital por uma vantagem fiscal, algumas empresas pagam
uma remunerao em dinheiro aos acionistas. Desta maneira, essa despesa
contabilizada como custo e, portanto, diminui a quantidade de imposto de renda
paga pela empresa em comparao com a distribuio de dividendos.
Bonificao uma ao nova, proveniente de aumento de capital por
incorporao de reservas, que distribuda, gratuitamente, aos acionistas, na
proporo das originalmente possudas. Eventualmente, a empresa pode optar por
distribuir essas reservas, ou parte delas, em dinheiro, gerando o que se denomina
bonificao em dinheiro.
Direito de Subscrio uma preferncia dada aos acionistas na compra de
novas aes. O acionista poder transferir o direito de subscrio a terceiros, por
meio de venda desse direito em prego.


11
2.5 MERCADOS EFICIENTES
A Hiptese dos Mercados Eficientes (sigla em ingls EMH), definida por Fama
(1970), diz que os preos de qualquer mercado se ajustam rapidamente chegada
de novas informaes e, portanto, os preos correntes dos ativos j refletem todas
as informaes disponveis. Esse processo ocorre devido ao grande nmero de
participantes que analisam e precificam esses ativos. Essa teoria pressupe que
exista:
1) Competio perfeita, ou seja, existe um nmero suficiente de
participantes, o que implica que nenhuma ao individual pode afetar
significativamente os preos.
2) Expectativas homogneas e racionalidade: os traders so totalmente
informados, tm acesso igualitrio aos mercados e agem racionalmente.
3) Ausncia de frices, os ativos so homogneos, divisveis e no h
custos transacionais.
Existem trs formas de EMH, a forma fraca, a semi-forte e a forte.
A forma fraca assume que os preos dos ativos refletem todas as informaes
relacionadas ao mercado de capitais, como por exemplo, sries histricas de
retornos no devem conter relaes com sries de retornos futuras. Nesse contexto,
nenhum trading rule ou trading system deve funcionar.
A forma semi-forte assume que os preos dos ativos refletem todas as
informaes pblicas disponveis, no s as relacionadas com o mercado de
capitais, como na forma fraca.
A forma forte assume que os preos dos ativos refletem todas as informaes
pblicas e privadas. Isto quer dizer que nenhum grupo possui acesso monopolstico
s informaes relevantes na formao dos preos.

12

2.6 FINANAS COMPORTAMENTAIS
O objetivo das finanas comportamentais estuda como a combinao de
conceitos econmicos, sociolgicos e psicolgicos podem explicar os
acontecimentos da economia, onde os investidores encontram dificuldades no
exerccio da plena racionalidade (SHLEIFER, 1999).
Uma grande parte da teoria econmica est baseada na premissa de que os
mercados e as pessoas agem racionalmente e consideram de forma objetiva toda a
informao disponvel para a tomada de decises. Entretanto, estudos encontraram
evidncias significativas que isto no ocorre todo o tempo. Estes pesqui sadores
observaram com freqncia que investidores evitam vender aes cujos preos
caram, possivelmente para evitar a realizao de que fizeram um investimento ruim.
Igualmente, foi observado que investidores vendem aes cujos preos subiram,
apesar de estarem abandonando um investimento absolutamente vencedor. Esse
comportamento, ou seja, ficar com o investimento perdedor e vender o investimento
vencedor est longe de ser racional.
Daniel Kahneman, que ganhou um prmio Nobel de economia por seus
trabalhos em behavioral finance, descreve e comprova que nem sempre as pessoas
tomaro decises racionais. Em uma das suas pesquisas (KAHNEMAN;TVERSKY,
1979), Kahneman e seu colega Tversky propuseram o seguinte problema. Imagine
que uma doena rara apareceu em uma certa comunidade e que dever matar 600
pessoas. Dois diferentes programas esto disponveis para o combate ameaa. Se
o programa A for adotado, 200 pessoas sero salvas; se o programa B for adotado,

13
existe 33% de probabilidade de que todos sero salvos e 67% de probabilidade de
que ningum ser salvo.
Que programa voc escolheria? Se a maioria de ns for avessa ao risco, as
pessoas racionais preferiro a certeza do Plano A de salvar 200 vidas aposta do
plano B, que tem a mesma expectativa matemtica, mas envolve assumir o risco de
67% de chance de que todos morrero. Na experincia, 72% dos indagados
escolheram a resposta avessa ao risco representada pelo Programa A.
Agora, consideramos o mesmo problema com outra formulao. Se o
Programa C for adotado, 400 das 600 pessoas morrero, enquanto o Programa D
oferece 33% de probabilidade de que ningum morrer e 67% de probabilidade de
que 600 pessoas morrero. Observe que a primeira alternativa est agora expressa
em termos de 400 mortes, em vez de 200 sobreviventes, enquanto o segundo
programa oferece 33% de chance de que ningum morrer. Kahneman e Tversky
relatam que 78% dos entrevistados prefiram o risco, optando pela aposta: eles no
puderam tolerar a perspectiva da perda certa de 400 vidas.
Esse comportamento, embora compreensvel, incompatvel com os
pressupostos de conduta racional. A resposta a uma pergunta deveria ser a mesma,
independentemente da forma em que foi formulada.

2.7 ACOMPANHAMENTO DE TENDNCIAS
O Acompanhamento de Tendncias entende que a natureza dos mercados
baseada na hiptese de que as expectativas das pessoas se ajustam lentamente e
se manifestam em tendncias de preos de longo prazo (MURPHY, 2003).

14
Preos, eventualmente, vo refletir todas as informaes relevantes existentes
no mercado sejam elas macroeconmicas, polticas ou outras. Inicialmente os
preos podem no reagir ou ter uma reao exagerada s novas informaes. Sinais
de preos so freqentemente de baixa qualidade - portanto eles necessitam ser
filtrados para aumentar sua relevncia. Por este motivo, a anlise do comportamento
dos preos e no dos fundamentos macro-econmicos do mercado a base do
processo de deciso do Sistema Proteu Fuzzy. Observa-se que os preos formam
tendncias complexas e difceis de serem identificadas. Em geral, essas tendncias
so mais duradouras do que a maioria das pessoas consegue antever (MURPHY,
2006).
A metodologia utilizada pelo Sistema Proteu Fuzzy tem como objetivo capturar
a maior parte de uma tendncia este sistema no possui a capacidade de
antecipar tendncias. Atua-se apenas aps os preos j terem iniciado um
movimento. Apesar da confirmao da existncia de uma tendncia poder ser
analisada atravs de variveis estatsticas, no temos a condio de saber quando
ocorre o incio ou o fim de uma tendncia at ela se tornar um dado histrico.
Mercados em tendncia podem ter flutuaes de preos que podem significar ou
no mudanas fundamentais de direo, de forma que, em geral, as tendncias
apresentam volatilidade (MURPHY, 2003). O objetivo, portanto, capturar o maior
movimento possvel dentro de uma tendncia e, ao mesmo tempo, minimizar a
volatilidade (ou seja, minimizar o risco) envolvida nessas operaes.


15
2.8 ANLISE TCNICA
O termo Anlise tcnica geralmente empregado para definir uma mirade de
tcnicas utilizadas para negociao de valores mobilirios. A anlise tcnica visa
prever o comportamento do mercado baseando-se em estudos das sries histricas
de preos de ativos financeiros. Um analista tcnico acredita que possvel detectar
padres nos preos dos ativos atravs da consulta de grficos contendo a atuao
do mercado (BROCK; LeBARON, 1992).
Apesar de estudos (MALKIEL, 1981) questionarem a validade da anlise
tcnica ou mesmo afirmarem que esta seria intil, estudos sobre a previsibilidade de
ganhos futuros atravs de ganhos passados (FAMA, 1970), (JENSEN, 1967),
(SWEENEY, 1988), utilizando-se indicadores tcnicos, sugerem que esta concluso
pode ser prematura.
Muitos dos indicadores tcnicos utilizados atualmente para detectar padres
podem variar de extremante simples a muito complexos. Neste trabalho sero
utilizados 3 indicadores tcnicos (Mdias Mveis, MACD e RSI), os quais, alm de
serem de simples elaborao, so amplamente utilizados no mercado.

2.8.1 INDICADORES TCNICOS
A seguir, sero descritos os 3 (trs) indicadores tcnicos que sero utilizados
como entrada do Sistema Proteu Fuzzy. A escolha destes indicadores foi realizada
devido a facilidade na manipulao e efetuao dos seus clculos e, principalmente,
pelo fato de que cada um dos modelos representa um ponto de vista diferente
quanto a previso de comportamento do ativo analisado.

16
Assim, pretende-se simular o comportamento de um analista financeiro, o qual
consegue, a partir da observao das respostas de cada um dos modelos
isoladamente, tomar uma deciso de investimento com base em sua experincia.
Grosso modo, temos:
Mdias Mveis Fornece tendncias de mdio/longo prazo,
MACD Fornece tendncias de curto prazo,
RSI Mostra a inrcia com que altas (ou baixas) esto ocorrendo;

Na figura a seguir (Figura 1), possvel observar o que foi descrito
anteriormente:

Figura 1:- Representao do processo de tomada de deciso realizada
por um analista financeiro (tcnico)

2.8.2 MDIAS MVEIS
A mdia mvel (Moving Average, sigla em ingls MA) um dos indicadores de
tendncia mais antigos a ser utilizado na anlise tcnica. Ela um tipo de indicador
denominado rastreador. Os rastreadores podem ajudar a confirmar uma tendncia
quando esta se encontra no incio. Porm podem fornecer informaes imprecisas
quando o mercado est andando de lado, ou seja, sem tendncia definida
(MURPHY, 2003).
Este indicador , na prtica, uma mdia das cotaes dos ltimos n-dias.

Deciso
Experincia

Resposta
dos
Modelos
Tcnicos

Analista

17
H basicamente cinco tipos de mdias mveis: exponencial, simples,
triangular, varivel e pesada. Estas mdias mveis podem ser aplicadas sobre
qualquer informao do ativo, desde o volume, passando pelo preo de fechamento
ou pelo preo de abertura (MURPHY, 2006).
A mdia mvel dos ltimos n-dias calculada da seguinte forma:
n
Pi
n MA
n
i 1
) ( , onde Pi o preo de fechamento do ativo no i-simo dia.
Frmula 1:- Mdia Mvel

Para o clculo de uma mdia mvel simples de 25 dias, por exemplo, basta
somar as cotaes do ativo dos ltimos 25 dias e dividir por 25. Para traar o grfico
basta executar este procedimento para cada um dos dias do grfico que queira
visualizar. Obviamente, para obter a mdia mvel de n-dias para um determinado
dia, dever haver obrigatoriamente cotaes nos n dias anteriores. E isso pode nem
sempre acontecer, como no caso da entrada de um novo ttulo na Bolsa de Valores.
Mas qual deve ser a mdia mvel utilizada? Essa resposta depende
basicamente do tipo de peso que se pretende dar s cotaes. No caso de uma
mdia mvel simples, todas as cotaes do ttulo tm o mesmo peso ao longo do
tempo. No caso da triangular, dado mais peso s cotaes que esto no meio do
perodo de anlise. No caso da exponencial dado mais peso s cotaes mais
recentes. Na maioria dos casos, utilizada a mdia mvel exponencial que produz
melhores resultados na maior parte das situaes (KIRKPATRICK; DAHLQUIST,
2006).
Outra questo pertinente no clculo de uma mdia mvel a determinao do
nmero de dias que se deve usar no respectivo clculo. Essa questo depende
nica e exclusivamente do tipo de anlise pretendida.

18
Para efetuar anlises de mdio-prazo geralmente utilizam-se mdias mveis de
20 a 50 dias enquanto que para anlises de longo prazo utilizam-se mdias mveis
de 100 a 200 dias. Estes valores so valores empricos que resultam da experincia
acumulada que comprovam que estes nmeros produzem os melhores resultados
(MURPHY, 2006).
A regra de deciso utilizando-se mdias moveis funciona do seguinte modo:
sempre que a mdia mvel mais rpida, ou seja, a que utiliza a menor janela de
dias, cortar de baixo para cima a mdia mvel mais lenta, ou seja, a que utiliza
uma janela de tempo maior, temos um sinal de compra. Caso o contrrio ocorra,
temos um sinal de venda.
O valor da diferena entre uma mdia mvel rpida (e.g. 50 dias) e a mdia
mvel mais lenta (e.g. 200 dias), fornece a magnitude ou fora e o sentido com que
a tendncia est ocorrendo.
Geralmente utiliza-se alguma regra complementar, para a confirmao do sinal
emitido pela mdia mvel. Uma dessas regras utiliza o volume de aes negociadas
no dia. Caso, aps o sinal de compra emitido pela mdia mvel, o volume crescer
por trs dias consecutivos, o sinal est confirmado. Outra regra utiliza as cotaes
mximas intraday. Caso, aps o sinal de compra emitido pela mdia mvel, a ltima
cotao do dia for a cotao mxima ou estiver prximo dela, o sinal estar
confirmado (MURPHY, 2006).
No grfico a seguir (Grfico 1), podemos verificar um exemplo do que foi
explanado anteriormente:

19

Grfico 1:- Grfico das Mdias Mveis de 10 e 50 dias
para o ndice BOVESPA. Os pontos de Interseco das mdias mveis indicam pontos de compra e venda.
Fonte: BOVESPA/Adaptado

Para o sistema Proteu FUZZY foram realizadas algumas modificaes no
processo de leitura destes sinais. Dado que os sinais emitidos pelas mdias mveis
so sinais pontuais, ou seja, um sinal de compra ou venda ocorre apenas no
momento em que as mdias mveis se cruzam, foram criadas algumas regras (ver
APNDICE A Adaptaes nos modelos tcnicos) para que, mesmo em momentos
onde as mdias mveis no esto se cruzando, seja possvel extrair alguma
informao do modelo.
2.8.3 MACD
O indicador MACD (Mdia Mvel Divergente/Convergente), criado por Gerald
Appel (1979), tambm uma tcnica de identificao de tendncia. O indicador
calculado como a diferena entre uma mdia mvel de 26 dias e outra de 12 dias.
Na sua forma original, as duas linhas de tendncia foram produzidas usando mdias
35000
40000
45000
50000
55000
60000
65000
70000
1/1/2007 2/3/2007 1/5/2007 30/6/2007 29/8/2007 28/10/2007 27/12/2007
IBOVESPA Mdia Mvel (10 dias) Mdia Mvel (50 dias)
COMPRA
VENDA

20
exponenciais, ou seja, mdias em que os dados mais recentes possuem mais peso
do que os dados menos recentes. A mdia mvel exponencial (MME) calculada da
seguinte forma (MURPHY, 2003):
) 1 ( ) ( *
1
2
) 1 ( ) ( n MME n P
n
n MME n MME

Frmula 2:- Mdia Mvel Exponencial.

Uma mdia mvel exponencial de 9 dias, chamada de linha de trigger,
sobreposta linha de MACD a fim de indicar os pontos de compra e venda.
Uma das formas mais bsica na utilizao do MACD gera recomendaes
observando-se a distncia entre a linha de MACD e a linha de trigger. Um sinal de
compra ocorre quando a linha de MACD est acima da linha de trigger.
Analogamente, um sinal de venda ocorre quando a linha de MACD est abaixo da
linha de trigger (MURPHY, 2006).
explicado anteriormente.

Grfico 2:- Grfico do Modelo Tcnico MACD
calculado para o ndice BOVESPA.
-2000
-1500
-1000
-500
0
500
1000
1500
2000
2500
35000
40000
45000
50000
55000
60000
65000
70000
1/1/2007 2/3/2007 1/5/2007 30/6/2007 29/8/2007 28/10/2007 27/12/2007
IBOVESPA MACD Trigger
COMPRA
VENDA
VENDA
COMPRA

21
Assim como foi feito para as mdias mveis, foram realizadas algumas
modificaes no processo de leitura destes sinais para que fosse possvel observar
diariamente informaes de compra e venda (ver APNDICE A Adaptaes nos
modelos tcnicos). Lembrando que, conforme apresentado anteriormente, os sinais
emitidos pelo modelo MACD so sinais pontuais, ou seja, um sinal de compra ou
venda ocorre apenas no momento em que o MACD cruza a linha de trigger

2.8.4 RELATIVE STRENGTH INDEX (RSI)
O RSI (ou ndice de Fora Relativa, traduzindo-se para o portugus), criado
por J. Welles Wilder (1978), um dos indicadores mais importantes na identificao
de situaes de mercado overbought (sobre-comprado) e oversold (sobre-vendido).
O RSI est na classe dos indicadores tcnicos denominados de osciladores, pelo
fato de serem comumente utilizados quando o mercado no apresenta uma
tendncia definida. O RSI uma medida simples que expressa a fora relativa de
um movimento de preos e pode variar de 0 a 100. Normalmente so anteriores ou
antecipados s tendncias. O RSI calculado da seguinte maneira (MURPHY,
2003):
i
RS
RSI
1
100
100
(1)

PerdaMdia
GanhoMdio
RS
n 1
(2)

1) - (n * 1)) - (n (
1) - (n * 1)) - (n (
1 n
n
PerdaAtual PerdaMdia
n
GanhoAtual GanhoMdio
RS
(3)
Frmula 3:- Clculo do ndice de Fora Relativa.

22
Na tabela abaixo (Tabela 1) realizamos o clculo do RSI para uma srie de
preos aleatria.
Tabela 1:- Clculo do RSI para uma srie de preos

Primeiramente devemos separar as variaes positivas das negativas, como
est sendo feito nas colunas 5 e 6, e calcular as respectivas mdias, como est
sendo feito nas colunas 7 e 8. O primeiro RSI a ser calculado simplesmente a
equao (1) aplicada diviso entre as mdias das variaes positivas e negativas
(2). Para os prximos valores de RSI, devemos utilizar a equao (3), onde as
mdias das variaes do perodo anterior so utilizadas de modo recursivo. Para
este exemplo foi utilizado um perodo de 14 dias.
O RSI pode assumir valores que vo de 0 a 100. Um ativo ser considerado
overbought quando o RSI estiver saindo da regio dos 70 pontos, e nessa situao
devemos considerar a venda do ativo. Esse nmero pode variar. Em um mercado
em alta, alguns acreditam que o nvel de 80 mais adequado para indicar se um
ativo est overbought. Da mesma maneira, se o RSI deixar o nvel dos 30 pontos o
ativo considerado oversold e devemos compr-lo. Podemos novamente fazer o
1 2 3 4 5 6 7 8 9 10
Data Fechamento Variao
Variao
Positiva
Variao
Negativa
Ganho
Mdio
Perda
Mdia
RS RSI
1 2/1/96 4390,1
2 3/1/96 4681,5 291,4000 291,4000
3 4/1/96 4684,1 2,6000 2,6000
4 5/1/96 4694,3 10,2000 10,2000
5 8/1/96 4741 46,7000 46,7000
6 9/1/96 4653,9 -87,1000 -87,1000
7 10/1/96 4622,2 -31,7000 -31,7000
8 11/1/96 4748,7 126,5000 126,5000
9 12/1/96 4846,6 97,9000 97,9000
10 15/1/96 4895,4 48,8000 48,8000
11 16/1/96 4846,8 -48,6000 -48,6000
12 17/1/96 4836,2 -10,6000 -10,6000
13 18/1/96 4833,9 -2,3000 -2,3000
14 19/1/96 4909 75,1000 75,1000
15 22/1/96 4893,8 -15,2000 -15,2000 49,9429 -13,9643 3,5765 78,1491
16 23/1/96 4985,2 91,4000 91,4000 52,9041 -12,9668 4,0800 80,3148
17 24/1/96 4945,2 -40,0000 -40,0000 49,1252 -14,8978 3,2975 76,7306
18 26/1/96 4907,7 -37,5000 -37,5000 45,6163 -16,5122 2,7626 73,4225

23
ajuste para 20 em um mercado em queda. Para este trabalho utilizou-se as valores
padres de 30 e 70 para oversold e overbought, respectivamente (MURPHY, 2003).
A utilizao dos nveis de 30 e 70 como sendo os nveis de transio, foram
recomendados pelo prprio autor do RSI, J. Welles Wilder (1978).
Quanto menor o nmero de dias utilizado na anlise, mais voltil ser o RSI e
mais freqentemente ir alcanar os extremos. Diferentes ativos nos mais diversos
setores possuem perodos timos diferentes a serem utilizados no clculo do RSI.
Uma boa maneira para se descobrir qual o perodo ideal para ser utilizado na
anlise realizar uma simulao com dados histricos de compra e venda utilizando
o RSI e verificar para qual perodo o indicador mostrou um melhor resultado.
explicado anteriormente:

Grfico 3:- Grfico do Modelo RSI calculado para o ndice BOVESPA
0
10
20
30
40
50
60
70
80
90
100
35000
40000
45000
50000
55000
60000
65000
70000
1/1/2007 2/3/2007 1/5/2007 30/6/2007 29/8/2007 28/10/2007 27/12/2007
IBOVESPA RSI
COMPRA
VENDA VENDA
COMPRA

24
Assim como para os modelos anteriores (Mdias Mveis e MACD), foram
realizadas algumas modificaes no processo de leitura destes sinais para que fosse
possvel observar diariamente informaes de compra e venda (ver APNDICE A
Adaptaes nos modelos tcnicos).


25
2.9 LGICA FUZZY
2.9.1 INTRODUO
A teoria de conjuntos Fuzzy (ou onjuntos nebulosos), desenvolvida por Zadeh
(1965), tem sido empregada com sucesso para exprimir conhecimento impreciso e
resolver problemas em muitas reas onde o processo de modelagem convencional
difcil, ineficiente ou muito oneroso (LEMOS, 2003).
Conforme originalmente descrito por Zadeh (1965):
Na medida em que a complexidade de um sistema aumenta, torna-se mais difcil e
eventualmente impossvel realizar asseres precisas sobre o seu comportamento,
eventualmente chegando-se em um ponto de complexidade onde o nico meio para
se resolver um problema seria utilizando o mtodo da Lgica Fuzzy o qual
naturalmente utilizado pelos humanos
Uma das aplicaes da Lgica Fuzzy est relacionada a Sistemas
Financeiros. Uma tomada de deciso em sistemas financeiros supe o tratamento
de conceitos vagos, subjetivos, tambm baseadas em aspectos qualitativos,
descritos e apresentados em linguagem natural (palavras) (ANDRADE, 2005).
Uma das grandes barreiras na construo de sistemas que envolvem
conhecimento especialista a dificuldade na obteno e modelagem desse
conhecimento. O especialista utiliza expresses vagas, termos aproximados e at
mesmo raciocnio impreciso e incompleto para exprimir seu conhecimento (LEMOS,
2003). Com a Lgica Fuzzy, a possibilidade de descrio lingstica do modelo, ao
invs de utilizao das equaes diferenciais, possibilita o aproveitamento do
conhecimento heurstico dos operadores e facilita o desenvolvimento de solues.

26
Neste trabalho prope-se a modelagem de um sistema de tomada de deciso
para compra e venda de ativos financeiros utilizando mecanismos de inferncia
baseados em Lgica Fuzzy. Deste modo, pretende-se obter informaes de forma
mais eficiente para o processo decisrio.
As etapas envolvidas na criao de um sistema de controle Fuzzy, conforme
sugerido por Mamdani (1977) no final dos anos 70, consiste, basicamente, em trs
passos:
1. Fuzzificao: descrio grfica de uma situao
2. Determinao das regras: aplicao das regras Fuzzy
3. Defuzzificao: obteno de uma resposta nica (crisp)

2.9.2 MODELAGEM FUZZY DO CONHECIMENTO ESPECIALISTA
Buscando simular o conhecimento especialista de um analista tcnico de
ativos financeiros, utilizou-se 3 (trs) modelos tcnicos (MA, MACD e RSI onde,
conforme descritos anteriormente, cada um destes modelos detecta tendncias de
pontos de vista diferentes para o ativo analisado) como entrada do sistema.
Portanto, para modelagem do sistema proposto, utilizou trs variveis lingsticas
(MA, MACD e RSI). Apesar da incompletude e impreciso do conhecimento obtido
foi possvel modelar as variveis envolvidas, criar a base de regras fuzzy e gerar
simulaes satisfatrias no Excel, mostrando que, utilizando esta tcnica de
inteligncia artificial, foi possvel obter resultados melhores do que se estivesse
utilizando os modelos tcnicos de forma isolada para os vrios ativos analisados.

27
2.9.2.1 MODELAGEM DAS VARIVEIS LINGSTICAS
Uma vez identificadas as variveis lingsticas, determinou-se para cada
varivel seu universo de discurso, a partio do conjunto de termos e os respectivos
conjuntos fuzzy.
2.9.2.2 ENTRADAS
Para a definio das entradas do sistema, realizou-se uma srie de testes
para verificar qual seria a melhor partio do universo de discurso ou a melhor
definio para o conjunto fuzzy a ser utilizada para o sistema.
Os testes efetuados consistiram em realizar simulaes para o ndice
bovespa no perodo de 1995 a 1996, onde foram realizadas apenas alteraes nas
parties dos universos de discurso e nas definies dos conjuntos fuzzy, de modo o
obter simulaes rpidas e com respostas mais eficientes, sendo que as variaes
do conjuntos fuzzy consistiram na escolha entre funes triangulares e trapezoidais.
RSI - O Grfico 4 mostra um dos conjuntos fuzzy inicialmente definido para
varivel lingstica RSI. Essa varivel representa o quo grande ou pequena a
fora relativa de um movimento de preos de um determinado ativo. Quanto menor o
seu valor, maior a tendncia de queda deste ativo e, inversamente, quanto maior o
seu valor, maior a tendncia de alta.
Varivel lingstica: RSI
Universo de discurso: 0-100
Valores lingsticos: Pequeno, Grande.


28

Grfico 4:- Representao inicial da varivel lingstica RSI

Posteriormente, verificou-se que a magnitude das respostas dos modelos
tcnicos RSI assumia valores superiores a 30 e 70 [lembrando-se que, a utilizao
dos nveis de 30 e 70 para os nveis de transio, foram recomendados pelo prprio
autor do RSI, J. Welles Wilder (1978)], e que, portanto, seria mais adequado utilizar
conjuntos fuzzy que compreendessem uma faixa de entrada mais ampla, conforme
apresentado no Grfico 5:

Varivel lingstica: RSI
Valores lingsticos: Pequeno, Grande.

Pequeno
Grande
0
0,5
1
0 20 40 60 80 100
G
r
a
u

d
e

P
e
r
t
i
n
e
n
c
i
a
,

u

29

Grfico 5:- Representao da varivel lingstica RSI utilizada no modelo

MACD e MA - O Grfico 6 mostra os conjuntos fuzzy inicialmente utilizados
para as variveis lingsticas MACD e MA. Estas variveis representam o valor da
diferena entre as respectivas mdias mveis utilizadas em cada modelo, divididas
por duas vezes o desvio padro destas diferenas para um perodo de 20 dias.
Quanto mais positivo o seu valor, maior ser a tendncia de alta deste ativo e,
inversamente, quanto mais negativo o seu valor, maior a tendncia de queda.

Variveis lingsticas: MACD e MA
Universo de discurso: -200 a 200
Valores lingsticos iniciais: Muito Negativo, Negativo, Neutro, Positivo, Muito
Positivo

Pequeno
Grande
0
0,5
1
0 20 40 60 80 100
G
r
a
u

d
e

P
e
r
t
i
n
e
n
c
i
a
,

u

30

Grfico 6:- Representao das variveis lingsticas inicialmente utilizadas
para os modelos MACD e MA
OBS: Apenas para facilitar a leitura destes valores, normalizou-se estes
resultados entre -200 e 200.
Aps a realizao de algumas simulaes, a partio do universo de discurso,
o prprio universo de discurso bem como os conjuntos fuzzy foram redefinidos, de
modo a reduzir o nmero de parties, porm, sem comprometer o seu
desempenho. Com isto, foi possvel reduzir o nmero de regras que foram utilizadas
para este modelo.
A seguir (Grfico 7), so apresentados os conjuntos fuzzy utilizados para as
variveis lingsticas MACD e MA.
Variveis lingsticas: MACD e MA
Universo de discurso: -100 a 100
Valores lingsticos: Negativo, Neutro, Positivo.

Muito Negativo
Neutro
Muito Positivo
Negativo Positivo
0
0,5
1
-200 -150 -100 -50 0 50 100 150 200
G
r
a
u

d
e

P
e
r
t
i
n
e
n
c
i
a
,

u

31

Grfico 7:- Representao das variveis lingsticas MACD e MA

2.9.2.3 SADA
STATUS - O Grfico 8 mostra os conjuntos fuzzy da varivel lingstica
STATUS. Essa varivel representa as respostas que podem ser atribudas pelo
sistema ao ativo em questo.
A escolha a funo triangular para os conjuntos fuzzy de sada foi feita devido
a sua simplicidade de montagem.
Varivel lingstica: STATUS
Valores lingsticos: Vender, Manter, Comprar
Neutro
Negativo
Positivo
0
0,5
1
-100 -50 0 50 100
G
r
a
u

d
e

P
e
r
t
i
n
e
n
c
i
a
,

u

32

Grfico 8:- Representao da varivel lingstica STATUS

2.9.2.4 FUZZIFICAO
O processo de Fuzzificao onde ocorre a transformao de entradas
discretas, ou CRISP, em entradas Fuzzy, ou Nebulosas.
Tomando-se como exemplo a representao da varivel lingstica RSI
apresentada anteriormente (Grfico 5), tem-se que, quando o modelo RSI indica o
valor discreto de 40, que o valor fuzzificado do RSI PEQUENO com grau de
pertinncia 0,63 e GRANDE com grau de pertinncia de 0,37.

Grfico 9:- Exemplo de fuzzificao da varivel lingstica RSI
Manter
Vender
Comprar
0
0,5
1
0,1 0,3 0,5 0,7 0,9
G
r
a
u

d
e

P
e
r
t
i
n
e
n
c
i
a
,

u
0
0,5
1
0 20 40 60 80 100
Pequeno
0
0,5
1
0 20 40 60 80 100
Grande

33
2.9.2.5 BASE DE REGRAS E IMPLICAES FUZZY
Uma vez obtidas as entradas fuzzy, o modelo dever realizar as inferncias
necessrias para gerar as sadas dos conjuntos fuzzy. Esse processo consiste na
aplicao de regras que simulam o conhecimento do especialista.
Inicialmente, foram utilizadas 18 (dezoito) regras, conforme apresentado na
Tabela 2, no formato Se-Ento para a montagem da base de conhecimento do
Sistema Proteu Fuzzy.
Esta base de regras, que simula o conhecimento especialista e que relaciona
as diversas variveis e seus respectivos valores, descrita a seguir:
Se (RSI = Grande) E (MA = Positivo) E (MACD = Positivo),
Ento (Resposta = Comprar)
Tabela 2:- Tabela com as 18 (dezoito) regras inicialmente utilizadas para simular
o conhecimento do analista financeiro
REGRAS RSI MM MACD RESPOSTA
REGRA 1: GRANDE POSITIVO POSITIVO COMPRAR
REGRA 2: GRANDE POSITIVO NEUTRO COMPRAR
REGRA 3: GRANDE POSITIVO NEGATIVO MANTER
REGRA 4: GRANDE NEUTRO POSITIVO COMPRAR
REGRA 5: GRANDE NEUTRO NEUTRO MANTER
REGRA 6: GRANDE NEUTRO NEGATIVO MANTER
REGRA 7: GRANDE NEGATIVO POSITIVO MANTER
REGRA 8: GRANDE NEGATIVO NEUTRO MANTER
REGRA 9: GRANDE NEGATIVO NEGATIVO VENDER
REGRA 10: PEQUENO POSITIVO POSITIVO COMPRAR
REGRA 11: PEQUENO POSITIVO NEUTRO MANTER
REGRA 12: PEQUENO POSITIVO NEGATIVO MANTER
REGRA 13: PEQUENO NEUTRO POSITIVO MANTER
REGRA 14: PEQUENO NEUTRO NEUTRO MANTER
REGRA 15: PEQUENO NEUTRO NEGATIVO VENDER
REGRA 16: PEQUENO NEGATIVO POSITIVO MANTER
REGRA 17: PEQUENO NEGATIVO NEUTRO VENDER
REGRA 18: PEQUENO NEGATIVO NEGATIVO VENDER

34
Porm, no decorrer da montagem do prottipo, a reduo no nmero de
regras para 10 (dez), conforme apresentado na Tabela 3, gerou resultados
melhores, mostrando que, nem sempre, sistemas mais complexos so mais
eficientes.
O critrio utilizado para a excluso de algumas regras foi o de retirar da base
de conhecimento a maior parte das regras que fossem consideradas fracas ou
redundantes, ou seja, foram excludas 6 (seis) regras que no implicavam em uma
deciso de compra ou venda, permanecendo-se apenas 2 (duas) regras que
indicavam que, sempre que os modelos MM e MACD apresentarem valores neutros,
a resposta do sistema seria de manter a posio, independentemente da resposta
do modelo RSI.
Tabela 3:- Tabela com as 10 (dez) regras utilizadas para simular
o conhecimento do analista financeiro
REGRAS RSI MM MACD RESPOSTA
REGRA 1: GRANDE POSITIVO POSITIVO COMPRAR
REGRA 2: GRANDE POSITIVO NEUTRO COMPRAR
REGRA 3: GRANDE NEUTRO POSITIVO COMPRAR
REGRA 4: PEQUENO POSITIVO POSITIVO COMPRAR
REGRA 5: GRANDE NEGATIVO NEGATIVO VENDER
REGRA 6: PEQUENO NEUTRO NEGATIVO VENDER
REGRA 7: PEQUENO NEGATIVO NEUTRO VENDER
REGRA 8: PEQUENO NEGATIVO NEGATIVO VENDER
REGRA 9: GRANDE NEUTRO NEUTRO MANTER
REGRA 10: PEQUENO NEUTRO NEUTRO MANTER

2.9.2.6 DEFUZZIFICAO
A etapa de defuzzificao consiste na transformao dos valores fuzzy,
calculados anteriormente, em valores discretos (ou CRISP). Para isto, utilizou-se o
resultado da implicao obtida com cada regra e, atravs do mtodo das mdias

35
ponderadas (HOLBERT, 2004), obteve-se um valor discreto, conforme apresentado
a seguir:
p
i
p
i
i
k
i
i
m
w m
B
1
1

Frmula 4:- Clculo pelo mtodo das mdias ponderadas.

onde 'mi' o grau de pertinncia aps a implicao de Mamdani (1977) para a i-
sima REGRA, e 'wi' o peso associado a cada uma das p REGRAS.

2.9.2.7 EXEMPLO DE APLICAO
Para exemplificar o que foi explanado ser apresentado um exemplo para
todas as 10 regras descritas anteriormente.
Na etapa de fuzzificao, onde ocorre a classificao das variveis de entrada
com relao s respectivas variveis lingsticas, utilizou-se os seguintes valores de
entrada para as variveis modeladas:
RSI = 60 Pequeno com grau de pertinncia 0,375 e Grande com grau
0,625
MM = 50 Negativo com grau de pertinncia 0 (zero), Neutro com grau
0,500 e Positivo com grau 0,500
MACD = 75 Negativo com grau de pertinncia 0 (zero), Neutro com grau
0,250 (um) e Positivo com grau 0,750
O mtodo de Mamdani (1977) foi utilizado nesta simulao, porm, o mtodo
do produto de Larsen (1980) tambm poderia ter sido aplicado.

36
Portanto, aplicando-se o mnimo de Mamdani para cada umas das regras,
obtemos a seguinte tabela:
Tabela 4:- Clculo da Implicao das Regras
REGRAS m
i
w
i
REGRA 1:
0,38 0,99
REGRA 2:
0,25 0,99
REGRA 3:
0,38 0,99
REGRA 4:
0,50 0,99
REGRA 5:
0,00 0,01
REGRA 6:
0,00 0,01
REGRA 7:
0,00 0,01
REGRA 8:
0,00 0,01
REGRA 9:
0,25 0,50
REGRA 10:
0,25 0,50

Utilizando-se o mtodo de mdias ponderadas (HOLBERT, 2004) na
defuzzificao do sistema, o seguinte clculo realizado:

onde 'm
i
' o grau de pertinncia da i-sima REGRA e 'w
i
' o peso associado a cada
REGRA.
Um outro mtodo que poderia ser utilizado na etapa de defuzzificao seria o
do clculo do centro de massas, o qual consiste em calcular o baricentro da figura
formada pela unio de todas as respostas apresentadas nas regras descritas
anteriormente. Porm, devido a complexidade, do ponto de vista de implementao
em uma planilha excel, este mtodo no foi utilizado.
87 , 0
25 , 0 25 , 0 ... 38 , 0 25 , 0 38 , 0
5 , 0 25 , 0 5 , 0 25 , 0 ... 99 , 0 25 , 0 99 , 0 38 , 0
1
1
p
i
p
i
i
k
i
i
m
w m
B

37
A seguir (Grfico 10), pode-se observar a projeo das regras sobre as
variveis de sada descritas acima:

Grfico 10:- Projeo das regras sobre as variveis de sada.

38
No diagrama a seguir (Figura 2), apresentado passo-a-passo, todas as etapas
envolvidas, desde a entrada das sries temporais, at a obteno da resposta
defuzzificada. Apenas para simplificar o diagrama, foram utilizadas 2 (duas) das 10
(dez) regras existentes neste projeto.
Este diagrama mostra como as regras so combinadas de forma a obter os
conjuntos fuzzy, os quais serviro de entrada para o processo de defuzzificao
Atravs do mtodo das mdias ponderadas, os conjuntos fuzzy so
transformados em um valor CRISP, no formato de probabilidade.

Figura 2:- Diagrama de Inferncia representando passo-a-passo todas as etapas
envolvidasno Sistema de Tomada de Deciso para Compra e Venda
de Ativos Financeiros utilizando Lgica Fuzzy

E E Ento
E E Ento
...
SADA 87%
ENTRADA 1 ENTRADA 2 ENTRADA 3
DEMAIS
REGRAS
SRIE HISTRICA DO ATIVO
CLCULO DO RSI CLCULO DO MM CLCULO DO MACD
REGRA 1:
REGRA 2:
Se
Se RSI Pequeno MM Positivo MACD Neutro Resposta Comprar
RSI = 60
...
MM = 50 MACD = 75
... ...
RSI Pequeno MM Positivo MACD Positivo Resposta Comprar
0
0,5
1
0,0 0,5 1,0
COMPRAR
0
0,5
1
-100 -50 0 50 100
Positivo
0
0,5
1
0,0 0,5 1,0
COMPRAR
0
0,5
1
-100 -50 0 50 100
Positivo
0
0,5
1
-100 -50 0 50 100
Positivo
0
0,5
1
-100 -50 0 50 100
Neutro
0
0,5
1
0 20 40 60 80 100
Pequeno
0
0,5
1
0 20 40 60 80 100
Pequeno
T
R
A
T
A
M
E
N
T
O

D
O
S

D
A
D
O
S

D
E

E
N
T
R
A
D
A
P
R
O
C
E
S
S
O

D
E

F
U
Z
Z
I
F
I
C
A
O
P
R
O
C
E
S
S
O
D
E

D
E
F
U
Z
Z
I
F
I
C
A
O
(
M
T
O
D
O

D
A
S

M
D
I
A
S

P
O
N
D
E
R
A
D
A
S
)
PROCESSO DE INFERNCIA DAS REGRAS
APLICAO DO OPERADOR E (MENOR GRAU DE PERTINNCIA)
p
i
p
i
i
k
i
i
m
w m
B
1
1

39
3 DESCRIO DO SISTEMA
O Sistema Proteu Fuzzy um sistema de tomada de deciso para compra e
venda de ativos financeiros que utiliza Lgica Fuzzy e Indicadores Tcnicos para
simular o comportamento de um analista financeiro.
Diferentemente de um Trading System, no possui a capacidade de operar
ativos, mas sim, fornecer informaes com as possibilidades de alta (ou baixa)
destes.
Os dados de entrada utilizados neste sistema so as sries temporais dos
preos de fechamento dos ativos analisados. Sendo que, qualquer ativo que possua
srie histrica (e.g. aes, moedas, commodities) pode servir de entrada para o
sistema, podendo, inclusive ser alimentado com outros tipos de dados histricos
alm do preo de fechamento (e.g. preos de abertura, preos mdios, mximas,
mnimas).
Posteriormente, estas informaes so processadas e as respostas de cada
um dos indicadores tcnicos (MA, MACD, RSI) so calculadas e armazenadas.
No diagrama a seguir (Figura 3), pode-se observar o que foi descrito:

Figura 3:- Representao das Sries Temporais e dos Modelos Econmicos
utilizados no Sistema de Tomada de Deciso para Compra e Venda

Sries Temporais
Modelo MA
Modelo MACD
Modelo RSI

40
Um banco de dados armazena as sries histricas e os resultados das
simulaes dos modelos tcnicos, fornecendo subsdios para o processo decisrio.
So as respostas dirias dos modelos tcnicos que servem de entrada para o
Sistema Especialista (Expert System).
O Sistema Especialista a parte principal do sistema, o qual responsvel pela
fuzzificao das respostas dirias dos modelos tcnicos e, atravs das regras
utilizadas para simular o conhecimento do analista financeiro, capaz de informar ao
usurio qual a sua recomendao para o ativo em anlise. Esta resposta obtida,
atravs do processo de defuzzificao, onde o investidor obtm uma resposta na
forma de probabilidade, o qual poder utilizar para auxili-lo na tomada de deciso
de compra ou venda para um determinado ativo.
O diagrama a seguir (Figura 4), ilustra o que foi explanado anteriormente:

Figura 4:- Representao das etapas de Fuzzificao, Inferncia das Regras e Defuzzificao
do Sistema de Tomada de Deciso para Compra e Venda

O diagrama de inferncia a seguir (Figura 5), um resumo do diagrama
apresentado na Figura 2, onde apresentado um exemplo passo-a-passo de todas
Fuzzyficao
Modelo MA
Fuzzyficao
Modelo MACD
Fuzzyficao
Modelo RSI
Defuzzyficao
(Resposta)
Regras

41
as etapas envolvidas, desde a entrada das sries temporais, at a obteno da
resposta defuzzificada.
Este diagrama mostra, simultaneamente, todas as etapas envolvidas nas
inferncias fuzzy apresentadas anteriormente.
O processo inica-se a partir da insero dos dados histricos no sistema, onde,
posteriormente, possvel calcular as respostas de cada um dos indicadores
tcnicos, os quais serviro de entrada para o Sistema Fuzzy. A partir deste ponto,
inica-se o processo de fuzzificao, inferncia das regras e defuzzificao, obtendo-
se, finalmente, a resposta do sistema.

Figura 5:- Diagrama de Inferncia do Sistema de Tomada de Deciso

Para o usurio, as etapas envolvendo os clculos dos indicadores tcnicos e das
inferncias fuzzy (fuzzificao, tratamento das regras e defuzzificao) so
transparentes. Sendo necessrio apenas fornecer a srie histrica e obter a resposta
do sistema, conforme apresentado no diagrama a seguir (Figura 6).

Figura 6:- Diagrama representando troca de informaes entre Usurio e Sistema

REGRAS
RESPOSTA DEFUZZIFICADA
87%
CLCULO DO RSI CLCULO DO MM CLCULO DO MACD
SRIE HISTRICA DO ATIVO SADA
RESPOSTAS FUZZIFICADAS
T
R
A
T
A
M
E
N
T
O

D
O
S

D
A
D
O
S

D
E

E
N
T
R
A
D
A
P
R
O
C
E
S
S
O

D
E

F
U
Z
Z
I
F
I
C
A
O
P
R
O
C
E
S
S
O
D
E

D
E
F
U
Z
Z
I
F
I
C
A
O
(
M
T
O
D
O

D
A
S

M
D
I
A
S

P
O
N
D
E
R
A
D
A
S
)
PROCESSO DE INFERNCIA DAS REGRAS
APLICAO DO OPERADOR E (MENOR GRAU DE PERTINNCIA)
Sistema Usurio
Srie Histrica
Resposta Defuzzificada

42
3.1 MATERIAIS
O prottipo deste sistema foi totalmente desenvolvido em planilhas Excel, pois,
alm de facilitar a manipulao e alterao de dados, permite um controle preciso de
todas as etapas e variveis envolvidas nos clculos.
O esquema a seguir (Figura 7) representa a forma com que as planilhas foram
modularizadas, de forma a permitir um melhor controle do processo.

Figura 7:- Representao da modularizao das planilhas
utilizadas na construo do sistema

O nico problema encontrado decorrente do uso de planilhas como prottipo o
grande tempo demandado para a simulao de grandes bases de dados
(aproximadamente 1 minuto para cada ano de simulao), sendo que, grande parte
das simulaes foram realizadas tomando-se como base 10 (dez) anos de dados
histricos (de janeiro de 1998 a dezembro de 2007).

DB
Histrico de
Preos:
(1996 - 2007)
- Fechamento
- Abertura
- Mxima
- Mnima
Fuzzificao
Regras
Defuzzificao
RSI
MM
MACD
Relatrios de
Desempenho
FUZZY
SIMULAO

43
3.2 CALIBRAO DO SISTEMA
Como cada um dos modelos tcnicos utiliza parametros variveis para seus
clculos (e.g. Mdia Mvel de 10 dias, Mdia Mvel Exponencial de 26 dias), estes
parmetros podem variar de acordo com os ativos analisados (MURPHY, 2003),
portanto, necessrio realizar uma pr-calibrao destes modelos.
Para evitar que ocorra algum tipo de maximizao de resultados, deve-se tomar
o cuidado de utilizar uma base de dados anterior ao perodo de simulaes.
Para as simulaes apresentadas a seguir, foram utilizadas bases de dados de
aproximadamente 2 (dois) anos anterior ao perodo da simulao. Para o ndice
Bovespa, por exemplo, a pr-calibrao ocorreu com base nos preos de
fechamento dos ativos analisados para o perodo janeiro de 1996 a dezembro de
1997, permancendo as variveis inalteradas para os perodos subseqentes (janeiro
de 1998 a dezembro de 2007). Para os demais ativos analisados, utilizou-se o
mesmo procedimento, conforme disponibilidade de informao.
A parametrizao dos modelos foi realizada atravs de simulaes de
performance para cada um dos modelos de modo isolado, variando-se as janelas de
tempo utilizadas em seus clculos [e.g. para as Mdias Mveis foram testados
diferentes combinaes de janelas de tempo (10, 20, 50, 100, 200 dias), j para o
MACD e RSI foram utilizados valores mltiplos do valor padro para os seus
clculos (26, 12 e 9 dias) e (14 dias) respectivamente] e observando-se os ganhos
obtidos.
Na tabela a seguir (Tabela 5), so apresentado todos os valores utilizados na
calibrao dos ativos analisados.


44
Tabela 5:- Valores de pr-calibrao e simulaes do sistema
Ativo
MM RSI MACD
IBOVESPA (20, 100) (14) (26, 12, 9)
SP500 (20, 200) (28) (52, 24, 18)
DAX (50, 100) (14) (26, 12, 9)
UKX (20, 100) (14) (52, 24, 18)
CAC (20, 200) (14) (52, 12, 9)
NIKKEI (20, 100) (14) (26, 12, 9)
SPTSX (20, 100) (14) (26, 12, 9)
MILHO (10, 50) (14) (26, 12, 9)
PETRLEO (50, 200) (14) (26, 12, 9)
SOJA (50, 100) (14) (26, 12, 9)
OURO (20, 100) (14) (52, 24, 18)
DLAR x REAL (10, 200) (14) (26, 12, 9)

Apenas aps a calibrao e correta parametrizao dos modelos tcnicos que
as simulaes podem ser realizadas.
Na Tabela 6, a seguir, so apresentados os perodos de quando foram
realizadas as pr-calibraes e simulaes do sistema para acada ativo:
Tabela 6:- Perodos de pr-calibrao e simulaes do sistema
Ativo
Perdo utilizado
na calibrao

Perdo utilizado
na simulao
Fonte das
informaes
IBOVESPA 1996 - 1997 1998 - 2008 Bloomberg/Bovespa
SP500 1996 - 1997 1998 - 2008 Bloomberg/Yahoo!
DAX 1996 - 1997 1998 - 2008 Bloomberg
UKX 1996 - 1997 1998 - 2008 Bloomberg
CAC 1996 - 1997 1998 - 2008 Bloomberg
NIKKEI 1996 - 1997 1998 - 2008 Bloomberg
SPTSX 1996 - 1997 1998 - 2008 Bloomberg
MILHO 1996 - 1997 1998 - 2008 Bloomberg
PETRLEO 1996 - 1997 1998 - 2008 Bloomberg
SOJA 1996 - 1997 1998 - 2008 Bloomberg
OURO 1996 - 1997 1998 - 2008 Bloomberg
DLAR x REAL 1999 - 2000 2001 - 2008 Bloomberg/ Sisbacen

Descrio detalhada dos ativos no ANEXO A, fonte: Bloomberg
O valor do ano apresentado na tabela, representa o primeiro dia til daquele ano (e.g. 1996 = 2/jan/1996)

45
4 AVALIAO E RESULTADOS
4.1 AVALIAO DO SISTEMA
Para efetuar a avaliao do Sistema, foram criados 2 (dois) Trading Systems
( importante ressaltar que este no o propsito original do Proteu Fuzzy, tal
anlise foi realizada apenas e ento somente para a demonstrao da
potencialidade do sistema), onde, no primeiro, no so utilizadas regras fixas para
zerar uma posio caso esteja ocorrendo prejuzo; e, no segundo, as regras de
STOP/LOSS so utilizadas (ou seja, determinao de alguma mtrica para finalizar a
posio).
Foram analisados uma srie de ativos (conforme pode ser observado na
Tabela 7), como os principais ndices das bolsas de valores do mundo (e.g. S&P500,
NIKKEI, CAC), ndice Bovespa (IBOVESPA), algumas commodities, alm de ouro e
dlar (USD x BRL dlar americano x real).
Tabela 7:- Ativos analisados pelo sistema Proteu Fuzzy
Ativo Cdigo do Ativo
Tipo Pas
IBOVESPA IBOV Index ndice Brasil
SP500 SPX Index ndice EUA
DAX DAX Index ndice Alemanha
UKX UKX Index ndice Inglaterra
CAC CAC Index ndice Frana
NIKKEI NKY Index ndice Japo
SPTSX SPTX Index ndice Canad
MILHO C 1 Comdty Commodity EUA
PETRLEO CL1 Comdty Commodity EUA
SOJA S 1 Comdty Commodity EUA
OURO GOLDS Curncy Moeda EUA
DLAR x REAL BRL Curncy Moeda Brasil

Padro Utilizado no Sistema Bloomberg

46
Foram utilizadas, conforme disponibilidade, massas de dados com os valores
de fechamento dos ativos, no perodo de 1998 a 2007 (conforme apresentado
anteriormente na Tabela 6), para verificar se as sugestes fornecidas pelo sistema
foram corretas. Em outras palavras, deve-se verificar se o investidor que aplicasse o
seu dinheiro conforme as decises do sistema conseguiria obter bons resultados.
Os resultados foram comparados com o modelo padro Buy-and-Hold; tal
modelo consiste em simplesmente comprar determinado ativo e permanecer
comprado durante todo o perodo de anlise e um dos modelos mais bsicos para
se verificar a eficincia de um sistema.
Foram realizadas tambm comparaes com os modelos tcnicos trabalhando
de forma isolada, permitindo assim, verificar o quo eficiente o modelo fuzzy em
relao a cada um dos modelos tcnicos.
4.1.1 CRITRIOS UTILIZADOS NA ANLISE
As respostas obtidas pelo sistema so baseadas no histrico do ativo
analisado, e seus valores so apresentados diariamente na forma de possibilidades
(e.g. 7/1/1998 Possibilidade de Alta 70%).
Para a anlise utilizou-se o seguinte critrio para operar um ativo (conforme
cada modelo):
1. MODELO FUZZY (SEM utilizao de regras de STOP/LOSS)
Enquanto a Resposta Fuzzy for maior que 70%, comprar (ou permanecer
comprado);
Enquanto a Resposta Fuzzy for menor que 30%, vender (ou permanecer
vendido);
Enquanto a Resposta Fuzzy estiver entre 70% e 30%, zerar (ou permanecer
zerado).


47
2. MODELO FUZZY STOP (COM utilizao de regras de STOP/LOSS)
Se a posio do sistema estiver ZERADA e a Resposta Fuzzy for maior que
70%, ento, deve-se comprar;
Se a posio do sistema estiver ZERADA e a Resposta Fuzzy for menor que
30%, ento, deve-se vender;
Se a posio do sistema estiver COMPRADA e o Preo Atual < MAX(Preo
da Posio Atual), ento, deve-se zerar a posio ao valor do MAX(Preo da
Posio Atual) x 1,005;
Se a posio do sistema estiver VENDIDA e o Preo Atual > MIN(Preo da
Posio Atual), ento, deve-se zerar a posio ao valor do MIN(Preo da
Posio Atual) x 0,995;

Onde MAX(...) e MIN(...) significa, respectivamente, o Mximo e o Mnimo
Preo Alcanado pelo Ativo desde o momento em que a operao (ou trade) foi
iniciada. Os multiplicadores 1,005 e 0,995 so utilizados para garantir que a
operaes fossem exercidas em uma situao real.
No houve qualquer tipo ou tentativa de maximizao de resultados para o
perodo analisado, sendo que este critrio de operao foi adotado de modo
aleatrio e idntico para todos os ativos analisados.

4.2 RESULTADOS
A seguir (Grfico 11), apresentado o resultado da simulao para o
IBOVESPA, o resultado para os demais ativos apresentado no APNDICE B
Resultado das simulaes para outros ativos.
Foi escolhido o ndice em detrimento das prprias aes pois estas, durante
perodos muito longos, geralmente, apresentam alteraes (e.g. distribuio de
dividendos, grupamento de aes, etc.) que afetam a cotao histrica do ativo de

48
modo abrupto, impedindo assim, uma correta anlise de tendncias. Este tipo de
problema no ocorre com as cotaes de ndices, moedas ou ouro.
Alm disto, se os resultados se mostrarem promissores para o ndice, isto
significa que, para grande parte dos papis que possuam uma correlao positiva
com relao a este ndice, tambm apresentariam bons resultados se utilizados
neste sistema.

Grfico 11:- Evoluo do Valor Acumulado dos Modelos do Sistema
versus Valor Acumulado do mercado, no perodo de 2/1/1998 a 30/12/2006

O Grfico 11 e o Grfico 12 representam uma comparao entre os resultados
acumulados do mercado e do sistema (SEM regras de STOP/LOSS e COM regras
de STOP/LOSS), alm dos indicadores tcnicos MA, MACD e RSI. Ambos foram
inicializados com posio inicial igual a zero em primeiro de janeiro de 1998. O
ganho acumulado mensurado na mesma unidade do mercado, ou seja, se o
sistema compra o ativo a 60,00 pontos e vende a 70,00 pontos, ento, seu lucro
de 10,00 pontos.
-10000
0
10000
20000
30000
40000
50000
60000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Desempenho (Ganho Acumulado em Pontos)
Sistema Fuzzy Mercado Sistema Fuzzy STOP
IBOVESPA
Bolha da Internet
Ataques 11/9
Pr-eleies LULA
Ps-eleies LULA
Crise Poltica: LULA
Fuga de Investidores Estrangeiros
Crise: Tigres Asiticos
Incio da crise de sub-prime

49
Vale ressaltar que nenhuma corretagem, ou taxa por operao computada.
Alm disto, no existe qualquer tipo de remunerao no perodo que o sistema no
opera, ou seja, no foi computado potenciais ganhos envolvendo aplicaes em
renda fixa ou poupana enquanto o dinheiro permaneceu parado.

Grfico 12:- Evoluo do Valor Acumulado dos Modelos do Sistema
versus Valor Acumulado do mercado e Modelos Tcnicos, no perodo de 2/1/1998 a 30/12/2006

O Grfico 13 e o Grfico 14 representam o ganho acumulado por operao
realizada durante o perodo analisado para os modelos FUZZY e FUZZY STOP. O
ganho acumulado mensurado na mesma unidade do mercado, conforme
observado anteriormente. Sempre que o sistema zera sua posio, o sistema
retorna a sua posio inicial, ou seja, a quantidade de ativos contidos em sua
posio terica fica igual a zero. Novamente, nenhuma corretagem, ou taxa por
operao computada. Alm disto, no existe qualquer tipo de remunerao no
perodo em que o sistema no opera.
-20000
-10000
0
10000
20000
30000
40000
50000
60000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy Mercado RSI MM MACD Sistema Fuzzy STOP
IBOVESPA

50
A figura a seguir (Figura 8) facilita a leitura e o entendimento destes grficos,
pois trata-se de uma ampliao do que est ocorrendo no Grfico 13 e no Grfico
14.

Figura 8:- Representao do ganho acumulado por operao

Para a Operao 1, a qual teve durao de 3 dias, temos que, no primeiro
dia, houve um ganho no valor de 2 (duas) unidades, no segundo dia de operao, o
ativo permaneceu com o seu preo inalterado, ou seja, o seu ganho acumulado
continuou em 2 (duas) unidades e no terceiro e ltimo dia houve o encerramento da
Operao 1, onde pode ser observado que o preo do ativo analisado valorizou-se
em mais 2 (duas) unidades, gerando um ganho acumulado total de 4 (quatro)
unidades para a Operao 1.
J na Operao 2, a qual tambm teve durao de 3 dias, pode-se observar
que, no primeiro e segundo dia, o ativo valorizou-se em 2 (duas) unidades por dia, o
que gerou um ganho acumulado de 4 (quatro) unidades no segundo dia de
operao. Porm, no ltimo dia de operao, houve uma desvalorizao do ativo de
6 (seis) unidades, o que gerou um ganho (prejuzo) acumulado no valor de -2
(menos duas) unidades envolvendo a Operao 2. Portanto, supondo que o preo
Tempo (dias)
Ganho (unidades)
1 2 3 4 5 6 7...
4

2

0

-2
Operao 1 Operao 2

51
do ativo analisado estivesse valendo 100 (cem) no primeiro dia da Operao 2, no
terceiro dia, este mesmo ativo estaria valendo 98 (noventa e oito).
Este tipo de grfico importante para mostrar o potencial de acertos (ou
erros) do sistema. Quanto maior for a quantidade de operaes com ganhos
positivos, maiores so os momentos em que o sistema manteve-se em operaes
vencedoras. Em contrapartida, quanto maior o nmero de operaes na regio
negativa do grfico, maiores tambm foram os momentos em que o sistema
permaneceu com uma posio perdedora (i.e. prejuzo)

Grfico 13:- Evoluo do Valor Acumulado por Operao do Sistema FUZZY
SEM regras de STOP/LOSS, no perodo de 2/1/1998 a 30/12/2006

No Grfico 13, pode-se observar que o Sistema FUZZY SEM regras de
STOP/LOSS permanece a maior parte do tempo em posies positivas. Porm,
devido a ausncia das regras de STOP/LOSS, muitas vezes todo o ganho
devolvido, ou mesmo um prejuzo pode ser computado ao invs de um lucro. Este foi
o motivo da criao do Sistema Fuzzy COM regras de STOP/LOSS, conforme
-3000
-2000
-1000
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Ganho por Operao (Valores Absolutos)
Sistema Fuzzy IBOVESPA

52
pode ser observado no Grfico 14, onde os ganhos, apesar de possurem uma
amplitude menor (j que suas posies so finalizadas precocemente), os prejuzos
podem ser minimizados, ou mesmo evitados.
No exemplo da Figura 8, caso a Operao 2 possusse uma alguma regra
simples de STOP/LOSS, como por exemplo, encerrar a posio se o valor atual do
papel for inferior a 10% sobre a mxima atingida nesta mesma operao, poder-se-
ia computar lucro ao invs de prejuzo. Neste caso, a mxima da operao foi
atingida quando o ativo havia se valorizado em 4 unidades. Assim, caso a regra de
STOP/LOSS fosse utilizada, ao invs de ter sido computado um prejuzo de 2 (duas)
unidades, seria computado um lucro de 3,6 unidades.

Grfico 14:- Evoluo do Valor Acumulado por Operao do Sistema FUZZY STOP
COM regras de STOP/LOSS, no perodo de 2/1/1998 a 30/12/2006

A tabela a seguir (Tabela 8) apresenta um resumo referente ao Grfico 11,
sendo que:
-3000
-2000
-1000
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP IBOVESPA

53
Retorno Anual: retorno anual calculado como a soma do Lucro/Prejuzo
dividido pelo valor do mercado inicial.

Frmula 5:- Clculo do retorno de um perodo.

onde: = preo final do perodo
= preo inicial do perodo
# Trades: nmero de operaes feitas pelo sistema naquele ano.
Volatilidade Anualizada: desvio-padro dos retornos dirios, em base
anual. O qual calculado do seguinte modo (KOTZAN, 2007):

Frmula 6:- Clculo da volatilidade anualizada.

onde: = desvio padro anualizado (base 252)
= desvio padro dirio (ou desvio padro sobre o retorno dirio dos
preos de fechamento, utilizando-se um perodo de 252 dias)
T = 252 (nmero aproximado de dias teis em um ano)

Tabela 8:- Resumo de desempenho descrito no Grfico 11

Na Tabela 9 realizada uma comparao mais ampla, onde tambm so
comparados os modelos tcnicos isoladamente, conforme apresentado no Grfico
12.


54
Tabela 9:- Desempenho detalhado descrito no Grfico 12


55
O Grfico 15 representa uma comparao entre o desempenho dos modelos
FUZZY, FUZZY STOP e Mercado, para um investimento inicial de R$100,00 durante
o perodo analisado.

Grfico 15:- Evoluo do desempenho dos Modelos do Sistema versus desempenho do mercado
considerendo-se um investimento inicial de R$100,00, no perodo de 2/1/1998 a 30/12/2006

4.3 LGICA FUZZY x REDES BAYESIANAS
Apesar do objetivo deste trabalho no ser o de realizar uma comparao
entre as tcnicas de Inteligncia Artificial que j foram utilizadas neste sistema
(HIRA, ITO, PEREIRA; 2004), mostra-se necessrio realizar uma breve descrio
dos principais alteraes, benefcios e prejuzos alcanados pela substituio das
Redes Bayesianas pela Lgica Fuzzy.
Uma breve explanao sobre Redes Bayesianas e os resultados alcanados
com a utilizao desta tcnica apresentado no APNDICE C Redes Bayesianas.
Apesar dos dois modelos de tomada de deciso serem muito parecidos do
ponto de vista superficial, pois utilizam as mesmas variveis de entrada e sada, e os
0
200
400
600
800
1000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Desempenho (Cenrio para um investimento inicial de R$100,00)
IBOVESPA

56
resultados obtidos atravs das respostas dos seus modelos terem sido bastante
semelhantes, o trato das informaes bem distinto.
Na Lgica Fuzzy, as entradas do sistemas so obtidas de forma direta, ou
seja, o valor numrico obtido diretamente atravs da consulta da resposta do
modelo tcnico. J nas Redes Bayesianas, isto ocorre de maneira indireta, onde
necessrio realizar um tratamento das respostas destes modelos de forma a
transform-los em uma probabilidade de acerto (ou erro) atrelado a cada modelo
tcnico.
Apesar do conhecimento do sistema especialista de ambas as tcnicas terem
sido construdas atravs de pesquisa realizadas junto a especialistas humanos
(analistas financeiros), a forma com que este conhecimento tratado (inferncia)
pelas duas tcnicas bastante distinta. Enquanto na Lgica Fuzzy este
conhecimento definido de modo simples na forma de regras (no formato Se-
Ento), nas Redes Bayesianas este conhecimento realizado atravs de rvores
contendo tabelas de probabilidades condicionais que, juntamente com as
evidncias, formam o conjunto de parmetros de entrada.
As Redes Bayesianas apresentam uma vantagem em relao a Lgica Fuzzy
que a possibilidade de realizar a modelagem da base de conhecimento
especialista de forma automatizada atravs da anlise da base de dados. Quando
uma Rede Bayesiana est ligada uma base de dados ela pode ser construda de
forma a se tornar adaptativa e se atualizar conforme as probabilidades estimadas a
partir dos dados armazenados (HABRANT, 1999). J na Lgica Fuzzy, isto s seria
possvel se fossem utilizadas outras tcnicas de inteligncia artificial (e.g. Redes
Neurais) que poderiam servir para atualizar suas regras ao longo do tempo
(ABRAHAM, 2001).

57
As sadas dos sistemas tambm so bastante diferentes, na Lgica Fuzzy, o
chamado processo de defuzzyficao transforma o conjunto nebuloso de sada em
uma sada precisa (ou crisp), j na rede bayesiana, a resposta dada na forma de
probabilidades.
De forma geral, ambas as tcnicas so de simples implementao, podendo
ser construdas utilizando-se planilhas Excel. Porm, dependendo do nmero de
probabilidades condicionais envolvidas bem como o nmero de ramificaes de seus
grafos (no caso das redes bayesianas), ou no nmero de regras e parties dos
conjuntos fuzzy (no caso da Lgica Fuzzy), isto pode se tornar invivel.
Comparando-se os dois trabalhos realizados, a complexidade da montagem da rede
bayesiana mostrou-se maior que na montagem da Lgica Fuzzy. Para a rede
bayesiana, foi necessrio utilizar funes especficas (bibliotecas externas a planilha
Excel) para a montagem do sistema. J para a Lgica Fuzzy, foi necessria apenas
a utilizao de operaes bsicas matemticas.
Comparando-se os resultados obtidos atravs da simulao do IBOVESPA
para os dois sistemas (no perodo de janeiro/1998 a dezembro/2003
**
), verificou-se
que, conforme apresentado na Tabela 10, a Lgica Fuzzy obteve um retorno
anualizado inferior ao das redes bayesianas, porm, se comparado quanto ao
nmero de operaes (#Trades) e a volatilidade anualizada, o desempenho da
Lgica Fuzzy foi superior.

**
Foi utilizado este perodo para a comparao pois no havia informao atualizada a respeito das simulaes
realizadas com as redes bayesianas. Utilizando-se portanto o mesmo perodo da elaborao do primeiro trabalho
(APNDICE C Redes Bayesianas).

58
Tabela 10:- Resumo de desempenho: Redes Bayesiana x Lgica Fuzzy


59
5 CONSIDERAES FINAIS
O sistema consegue gerar resultados positivos (para o caso avaliado -
IBOVESPA), de forma consistente e com menor volatilidade que o mercado.
O fato de o sistema ter apresentado um desempenho em ganhos acumulados
inferior (Grfico 11), porm muito prximo ao mercado (no perodo considerado), no
indica um fracasso do sistema, pois, como foi demosntrado, tanto no modelo que
utiliza regras de STOP/Loss quanto no modelo que no utiliza tais regras, o retorno
foi positivo ou maior que o mercado em quase todos os anos analisados e o risco
(ou volatilidade anualizada) mostrou-se muito inferior se comparada ao mercado.
Alm disto, durante os 10 (dez) anos de anlise, apenas nos anos de 2001 e
2005 o modelo que utilizou regras de STOP/Loss apresentou desempenho
negativo, sendo que, no ano de 2005, o modelo STOP/Loss apresentou perdas
semelhantes ao mercado. Uma provvel soluo para este problema, seria a
recalibrao do sistema para os anos subsequentes, conforme sugerido por Murphy
(2003), (respeitando-se o princpio de no utilizar dados futuros nesta tarefa,
evitando-se assim a maximizao dos resultados), e no utilizar apenas uma pr-
calibrao do sistema antes do incio das simulaes, j que as caractersticas dos
ativos podem variar ao longo do tempo (MURPHY; 2003).
Apesar dos Indicadores Tcnicos RSI, MA e MACD apresentarem, para
alguns anos, um desempenho em ganhos absolutos superior aos modelos do
Sistema Fuzzy, as perdas e o risco envolvido nessas operaes mostraram-se muito
maiores que nestes (Grfico 12 e Tabela 9), portanto, a utilizao desses modelos
de forma isolada pode trazer grandes retornos momentneos, porm, traz tambm
grande risco para o investidor.

60
O modelos FUZZY e FUZZY STOP apresentaram um grande potencial de
ganho por operao durante o perodo (Grfico 13 e Grfico 14). Onde as operaes
positivas apresentaram valores qualitativos e quantitativos superiores s operaes
negativas, ou seja, na maior parte do tempo os modelos forneceram informaes
corretas a respeito da tendncia de curto prazo do mercado.
O ganho financeiro apresentado na simulao do modelo FUZZY STOP para
um investimento inicial de R$100,00 (Grfico 15) muito superior ao desempenho
do mercado, apesar disto, mostra-se necessrio ressaltar que o sistema no um
Trading System e, portanto, no deveria ser utilizado como tal. Este sistema
apenas uma ferramenta de anlise e, portanto, deve ser visto como algo a apoiar o
processo decisrio (conjuntamente com outras ferramentas e/ou informaes).
Apenas, e exclusivamente, para validao e demonstrao da potencialidade do
sistema, considerou-o como um Trading System.
As simulaes realizadas para alguns ativos (APNDICE B Resultado das
simulaes para outros ativos) mostra que os modelos FUZZY e FUZZY STOP
conseguem resultados equivalentes ou superiores aos modelos tcnicos, porm,
quando o desempenho dos modelos tcnicos so ruins ou muito divergentes um do
outro, os modelos FUZZY e FUZZY STOP no conseguem gerar bons resultados
(isto ocorreu nas simulaes realizadas para algumas commodities). Alm disto, as
simulaes mostraram que o potencial de ganho por operao durante o perodo foi
positivo para todos os ativos analisados.
A utilizao da Lgica Fuzzy permitiu tratar, numericamente, expresses
como: muito positivo, baixo, grande. Alm disto, por ser de fcil aplicao,
permitiu que toda a sua manipulao fosse realizada em planilhas Excel, o que

61
garante grande portabilidade, alm de fornecer maior transparncia e controle dos
clculos realizados.
5.1 CUMPRIMENTO DOS OBJETIVOS
A proposta apresentada neste trabalho, de criar um modelo que utiliza
indicadores tcnicos e Lgica Fuzzy no auxlio a tomada de deciso para compra e
venda de ativos financeiros, mostrou resultados que, de acordo com as simulaes
apresentadas, possvel reduzir o risco e obter um melhor desempenho se
comparado com o mercado ou com o desempenho dos modelos tcnicos
trabalhando de forma isolada.
Apesar deste sistema estar longe de alcanar um dos principais desafios que
existe no mercado financeiro (o qual, de acordo com o conhecimento e tecnologia
atual, impossvel), de tentar construir um sistema que consiga prever com exatido
o comportamento do mercado, foi possvel demonstrar que, utilizando tcnicas de
inteligncia artificial (neste caso, Lgica Fuzzy) associada a utilizao de modelos
empregados em anlise tcnica, possvel simular o comportamento de um analista
financeiro, de forma racional, imparcial, gil e com baixo risco, conforme proposto
inicialmente.
5.2 CONTRIBUIES
A aplicao da Lgica Fuzzy para simular o comportamento humano possui
vasta literatura, de acordo com Bittencourt e Osrio (2002), a teoria fuzzy tem sido
aplicada com sucesso em diversas reas, destacando-se o uso em controladores
fuzzy de usinas nucleares, refinarias, processos biolgicos e qumicos, em produtos
como mquina de lavar, cmeras fotogrficas, sistemas de ventilao, na rea
mdica, ou seja, em qualquer rea aonde necessrio trabalhar com incertezas.

62
Porm, poucos estudos foram apresentados com aplicaes voltadas para o
mercado financeiro, mais especificamente, na previso do comportamento de um
ativo financeiro (aes, moedas, commodities) com a utilizao de indicadores
tcnicos. O modelo proposto neste trabalho apresentou uma nova forma de
simulao do conhecimento especialista utilizando indicadores tcnicos e Lgica
Fuzzy.
5.3 TRABALHOS FUTUROS
A utilizao de novos modelos tcnicos, ou mesmo a substituio por
modelos mais eficientes poder melhorar ainda mais os resultados obtidos neste
trabalho, por exemplo, a utilizao de modelos que analisam outros pontos no
abordados pelas Mdias Mveis, MACD ou RSI, como Ociladores Estocsticos
(indicador de momento, o qual fornece informaes sobre presses de compra ou
venda), Bollinger Bands e ATR (ambos medidores de volatilidade) conforme
apresentado por Murphy (2006), isto permitiria uma ampliao do leque de anlises
realizadas sobre o ativo.
Outros trabalhos que poderiam surgir a partir deste, seria a substituio e/ou
incorporao nas regras atuais, utilizadas nas inferncias Fuzzy, por meta-regras ou
regras-sobre-regras, as quais permitiriam criar situaes onde cada modelo
funcionaria de forma dependente ou condicional a fatores como crises econmicas,
guerras, escndalos polticos, retorno da carteira etc.
Apesar da utilizao da Lgica Fuzzy no Sistema de Tomada de Deciso para
Compra e Venda de Ativos Financeiros ter cumprido com xito os objetivos
propostos neste trabalho, possvel que a contribuio desta tcnica seja ainda
mais relevante se for utilizada em conjunto com outras tcnicas de inteligncia
artificial, como Redes Neurais (ABRAHAM, 2001), Algortmos Genticos (JACKSON,

63
1997), (THAMMANO, 1999) ou Redes Bayesianas. Essas tcnicas poderiam auxiliar
na etapa de criao das regras utilizadas na Lgica Fuzzy, permitindo assim, a
montagem de regras de forma dinmica, as quais poderiam variar ao longo do
tempo. Desta forma, teramos sistemas hbridos, onde seria possvel aproveitar ao
mximo os benefcios de cada tcnica.


64
REFERNCIAS

ABRAHAM, A. Neuro Fuzzy Systems: State-of-the-art Modeling techniques, In
Proceedings of the Sixth International Work Conference on Artificial and Natural
Neural Networks, IWANN 2001.

AIKEN, M., BSAT, M. Forecasting Market Trends With Neural Networks. Information
System Management 16 (4), pp. 42-48. 1999.

ANDRADE, M. T. Computao Fuzzy Notas de aula da disciplina de ps
graduao do Departamento de Engenharia Eltrica Sistemas Digitais (341)
EPUSP So Paulo. 2005.

APPEL, G. The Moving Average Convergence Divergence Method, Great Neck, NY:
Signalert, 1979.

BERTOLO, L. A. Curso de Matemtica Financeira FAFICA - Catanduva-SP, 2002.

BITTENCOURT, J. R.; OSRIO - F. FuzzyF Fuzzy Logic Framework : Uma
Soluo Software Livre para o Desenvolvimento, Ensino e Pesquisa de Aplicaes
de Inteligncia Artificial Multiplataforma. 2002.

BONESIO, M.; DUDZIAK, E.; REIS, M. Diretrizes para Apresentao de
Dissertaes e Teses EPUSP 3 Edio 2006.

BOVESPA Introduo ao Mercado de Capitais 38pg, So Paulo 1999.

BOVESPA Metodologia Completa do IBOVESPA 2007. Disponvel em:
<http://www.bovespa.com.br> Acesso em: 27 jan., 2008.

BROCK, W.; LAKONISHOK, J.; LEBARON, B. Simple Technical Trading Rules and
the Stochastic Properties of Stock Returns, The Journal of Finance, Vol. 47, No. 5,
pp. 1731-1764. 1992

COSTA, N., BORBA, J., MURCIA, F., MAIOR, C. O Indice IBOVESPA e a Lgica
Fuzzy: Uma Nova Estratgia de Investimento. III Convibra. Novembro. 2006

FAMA, E. F. "Efficient Capital Markets: A Review of Theory and Empirical Work,"
Journal of Finance, 25:2, 383-417. 1970.

FORTUNA, E. Mercado Financeiro Produtos e Servios, QUALITYMARK, Ed.
2007.

HIRA, Celio; ITO, D. H.; PEREIRA, C.; Trabalho de Formatura: Sistema de Tomada
de Deciso para Compra e Venda de Ativos Financeiros, EPUSP, So Paulo, Brasil
64 p. 2004.

A ordenao da Referncia Bibliogrfica obedece a ordem alfabtica


65

HOLBERT, K. E.; PANT, S. N. Fuzzy Logic in Decision Making and Signal
Processing - Fulton School of Engineering. 2004. Disponvel em:
<http://enpub.fulton.asu.edu/PowerZone/FuzzyLogic/index.htm> Acesso em: 27 jan.,
2008.

HUARNG, K.; YU, H. A type 2 fuzzy time series model for stock index forecasting.
Physica A. Vol. 353, p. 445-462, 2005.

JACKSON, A. Genetic Algorithms for Use in Financial Problems, AFIR Vol 2, 481-
503. 1997.

JENSEN, M.; BENNINGTON, G. Random walks and technical theories: Some
additional evidences, Journal of Finance 25, 469-482. 1970.

KIM, S., CHUN, S. Graded forecasting using an array of bipolar predictions:
application of probabilistic neural networks to a stock market index. International
Journal of Forecasting. 14, pp. 323-337. 1998.

KIRKPATRICK, C. D. DAHLQUIST, J. R. Technical Analysis, The Complete
Resource for Financial Market Technicians. 2006.

KOTZAN, A. A. Introduction to Volatility and how it can be Calculated in Excel -
Financial Chaos Theory Excel for Financial Markets, 2007.

KUO, R., LEE, C. Integration of Artificial Neural Networks and Fuzzy Delphi for
Stock Market Forecasting. IEEE, June, pp. 1073-1078. 1996.

LARSEN P. M. Industrial applications of fuzzy logic control. Int. Journal in man,
machine studies, vol. 12, num. 1, pp. 3-10, 1980.

LEMOS, M. A.. Controle Fuzzy na Qualidade de Imagens de um Sistema de
Aquisio de Imagens para Aplicao de Multas de Transito, EPUSP 2003.

LIMA, I. S.; LIMA, G. A.; PIMENTEL, R. C. Curso de Mercado Financeiro, FIPECAFI,
editora Atlas, 2006.

MALKIEL, B. A Random Walk Down Wall Street, 2 ed. (Norton, New York). 1981.

MAMDANI E. H., "Applications of Fuzzy Set Theory to Control Systems: A Survey," in
Fuzzy Automata and Decision Processes, M. M. Gupta, G. N. Saridis and B. R.
Gaines, eds., North-Holland, New York, pp. 1-13. 1977.

MURPHY, J. J. Technical Analysis of the Financial Markets, NYIF 2003.

MURPHY, J. J. Stockcharts web financial chart. 2006. Disponvel em:
<http://stockcharts.com/school/doku.php?id=chart_school> Acesso em: 27 jan.,
2008.


66
SHLEIFER, A. Inefficient Markets: An Introduction to Behavioral Finance, Oxford
University Press. 1999.

SOUZA, L., AGUIAR, R., SALES, R. Um Modelo Fuzzy Comportamental para
Anlise de Sobre-reao e Sub-reao no Mercado de Aes Brasileiro. Vol 48 -
Nmero 3 - Julho-Setembro. 2008

STEVEN, V. An Introduction To Global Financial Markets, Macmillan Press Ltd. 4th
Edition. 2006.

SWEENEY, R. Some new filter rule tests: Methods and results, Journal of Financial
and Quantitative Analysis 23, 285-300. 1988.

THAMMANO, A. Neuro-fuzzy Model for Stock Market Prediction, in Dagli. (ANNIE
99) New York: ASME Press, 1049-1054. 1999.

TSAIH, R.; HSU, Y.; LAI, C. C. Forecasting S&P 500 stock index futures with a
hybrid AI system. Decision Support Systems. Vol. 23, p. 161-174, 1998.

WHITE, H. Economic Prediction Using Neural Networks: The Case of IBM Daily
Stock Returns, in Proceedings of the Second Annual IEEE Conference on Neural
Networks. II, pp. 451-458. 1988.

WILDER, H. W. Jr., New Concepts in Technical Trading Systems, Trend Research.
1978.

YU, H. A refined fuzzy time-series for forecasting. Physica A. Vol. 346, p. 657-
681, 2005.

ZADEH, L. A.; Outline of a new approach to the Analysis of Complex Systems and
Decision Processes, Journal IEEE Trans. On Systems, Man, And Cybernetics, Vol.
SMC-3, N
o
1, January 1973.


67
REFERNCIAS COMPLEMENTARES
COPELAND T.E.; WESTON J.F. Financial Theory and Corporate Policy, Addison-
Wesley, West Sussex. 1988.

FLETCHER, R. Practical methods of Optimization, 2nd ed, John Wiley, New York,
1989.

HABRANT, J. Structure learning of Bayesian Networks from Databases by Genetic
Algorithms, 1999.

KOEHLER, C.; NASSAR, S. M. Modelagem de Redes Bayesianas a partir de base
de dados mdicas. In: SIMPSIO ARGENTINO DE INFORMTICA EM SADE,
2002.

LUGER, G.; STUBBLEFIELD, W. Artificial Intelligence: Structures and Strategies for
Complex Problem Solving (5th ed.), The Benjamin/Cummings Publishing Company,
Inc., pp. 720. 2004.

ROSS T. J. Fuzzy Logic with Engineering Applications, McGraw-Hill, Inc, 1995.
SHAW, I. S. Controle e Modelagem Fuzzy. ED. Edgard Blucher, So Paulo. 1999.
SHIMIZU, T. Deciso nas Organizaes, So Paulo, ed. Atlas, 2006

SHAPIRO, A. F. Soft Computing and Financial Engineering, Smeal College of
Business, Penn State University. 2002

SPIEGEL, M. R.; Probabilidade e Estatstica, Ed. McGrawHill, So Paulo. 1978.

WINSTON, W. A. Introduction to Mathematical Programming, 2nd ed. Duxbury
Press, 1995.

68
APNDICE A ADAPTAES NOS MODELOS TCNICOS
Pelo fato dos sinais fornecidos pelos modelos tcnicos (Mdias Mveis,
MACD e RSI) serem sinais pontuais, ou seja, um sinal de compra ou venda s
ocorre nos momentos em que mdias se cruzam (e.g. Mdias Mveis e MACD), ou
quando uma curva sai de determinada regio (e.g. RSI), foram criadas algumas
regras de modo a ampliar a capacidade de fornecimento de informaes de compra
ou venda pelos modelos.
A seguir so apresentadas as regras utilizadas no sistema Proteu FUZZY no
processo de leitura dos sinais para cada um dos modelos tcnicos utilizados:

Mdias Mveis (MA)
Se MA
t
(rpida) > MA
t
(lenta) ento
Se MA
t
(rpida) > MA
t-1
(rpida) Ento Comprar
Se MA
t
(rpida) < MA
t-1
(rpida) Ento Zerar
Se MA
t
(rpida) < MA
t
(lenta) ento
Se MA
t
(rpida) < MA
t-1
(rpida) Ento Vender
Se MA
t
(rpida) > MA
t-1
(rpida) Ento Manter
Onde:
MA
t
(rpida) = Mdia Mvel de 10 a 50 dias
MA
t
(lenta) = Mdia Mvel de 50 a 200 dias
MA
t-1
= Mdia Mvel do perodo anterior

O grfico a seguir exemplifica o que foi explanado anteriormente, onde a
regio verde, indica situaes de compra, a regio vermelha indica venda e a regio
amarela indica que a posio deve ser zerada:

69

MACD
Se MACD
t
> Trigger ento
Se MACD
t
> MACD
t-1
Ento Comprar
Se MACD
t
< MACD
t-1
Ento Manter
Se MACD
t
< Trigger ento
Se MACD
t
< MACD
t-1
Ento Comprar
Se MACD
t
> MACD
t-1
Ento Manter
Onde:
MACD
t
= Linha de MACD
MACD
t-1
= Linha de MACD do perodo anterior
Trigger = Mdia Mvel Exponencial de 9 dias sobre o MACD
-1
1
40000
42000
44000
46000
48000
50000
52000
54000
56000
58000
60000
159
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5
8
9
9
3
9
7
1
0
1
1
0
5
1
0
9
1
1
3
1
1
7
1
2
1
IBOVESPA Mdia Mvel (10 Dias) Mdia Mvel (50 Dias)
Z
E
R
A
R
V
E
N
D
E
R
C
O
M
P
R
A
R

70
regio verde, indica situaes de compra, a regio vermelha indica venda e a regio
amarela indica que a posio deve ser zerada:

OBS: Eixo Primrio: Ibovespa
Eixo Secundrio: MACD e Trigger

RSI
Se RSI
t
> 50 ento Comprar
Se RSI
t
< 50 ento Vender

regio verde, indica situaes de compra e a regio vermelha indica venda.
-2000
-1500
-1000
-500
0
500
1000
1500
2000
40000
42000
44000
46000
48000
50000
52000
54000
56000
58000
60000
16
1
1
1
6
2
1
2
6
3
1
3
6
4
1
4
6
5
1
5
6
6
1
6
6
7
1
7
6
8
1
8
6
9
1
9
6
1
0
1
1
0
6
1
1
1
1
1
6
1
2
1
IBOVESPA MACD Trigger
Z
E
R
A
R
V
E
N
D
E
R
C
O
M
P
R
A
R

71

OBS: Eixo Primrio: Ibovespa
Eixo Secundrio: RSI

0
10
20
30
40
50
60
70
80
90
100
40000
42000
44000
46000
48000
50000
52000
54000
56000
58000
60000
159
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
5
3
5
7
6
1
6
5
6
9
7
3
7
7
8
1
8
5
8
9
9
3
9
7
1
0
1
1
0
5
1
0
9
1
1
3
1
1
7
1
2
1
IBOVESPA RSI
V
E
N
D
E
R
C
O
M
P
R
A
R

72
APNDICE B RESULTADO DAS SIMULAES PARA OUTROS ATIVOS
Nas pginas a seguir so apresentados os resultados das simulaes para os
demais ativos (ndices de Bolsas de Valores de alguns pases, Commodities, OURO
e DLAR).
Ativo
Cdigo do Ativo
Tipo Pas
SPX SPX Index ndice EUA
DAX DAX Index ndice Alemanha
UKX UKX Index ndice Inglaterra
CAC CAC Index ndice Frana
NIKKEI NKY Index ndice Japo
SPTSX SPTSX Index ndice Canad
MILHO C 1 Comdty Commodity EUA
PETRLEO CL1 Comdty Commodity EUA
SOJA S 1 Comdty Commodity EUA
OURO GOLDS Curncy Moeda EUA
DLAR x REAL BRL Curncy Moeda Brasil

Para cada ativo ser apresentado uma seqncia de 4 (quatro) grficos e
uma tabela, onde o primeiro grfico representa uma comparao entre os resultados
acumulados do mercado e do sistema (SEM regras de STOP/LOSS e COM regras
de STOP/LOSS), alm dos indicadores tcnicos MA, MACD e RSI.
No segundo grfico, pode-se observar a comparao entre o desempenho
dos modelos FUZZY, FUZZY STOP e Mercado, para um investimento inicial de
R$100,00 durante o perodo analisado.
O terceiro e quarto grfico representam o ganho acumulado por operao
realizada durante o perodo analisado para os modelos FUZZY e FUZZY STOP,
respectivamente.

Descrio detalhada dos ativos no ANEXO A, fonte: Bloomberg
Padro Utilizado no Sistema Bloomberg

73
Ao final de cada seqncia de grficos apresentado uma tabela onde
realizada uma comparao mais detalhada, apresentando-se os resultados de
desempenho ano aps ano para os modelos FUZZY, FUZZY STOP, modelos
tcnicos e mercado.
Os dados apresentados na tabela so descritos a seguir:
Retorno Anual: retorno anual calculado como a soma do Lucro/Prejuzo
dividido pelo valor do mercado do incio daquele ano.
Volatilidade Anualizada: desvio-padro dos retornos dirios, em base
anual.

Assim como foi apresentado na anlise realizada para o ndice bovespa
(IBOVESPA), no captulo 4.2 RESULTADOS, a estrutura dos grficos e tabelas
utilizadas obedecem o mesmo padro, inclusive de cores, dispensando-se, portanto,
comentrios adicionais quanto ao procedimento para leitura dos mesmos.


74
SPX

Resultado da simulao para o ndice S&P500 (SPX).

-1000
-500
0
500
1000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
SPX
50
75
100
125
150
175
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
SPX

75

-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy SPX
-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP SPX

76


77
DAX

Resultado da simulao para o ndice da Bolsa de Frankfurt (DAX).

-3000
-2000
-1000
0
1000
2000
3000
4000
5000
6000
7000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
DAX
0
50
100
150
200
250
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
DAX

78

-1000
0
1000
2000
3000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy DAX
-1000
0
1000
2000
3000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP DAX

79


80

UKX

Resultado da simulao para o ndice FTSE 100 da Bolsa de Londres (UKX).

-8000
-7000
-6000
-5000
-4000
-3000
-2000
-1000
0
1000
2000
3000
4000
5000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
UKX
50
100
150
200
250
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
UKX

81

-750
-500
-250
0
250
500
750
1000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy
UKX
-750
-500
-250
0
250
500
750
1000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP UKX

82


83
CAC

Resultado da simulao para o ndice CAC 40 da Bolsa de Pars (CAC).

-5000
-4000
-3000
-2000
-1000
0
1000
2000
3000
4000
5000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
CAC
50
100
150
200
250
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
CAC

84

-500
0
500
1000
1500
2000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy CAC
-500
0
500
1000
1500
2000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP CAC

85


86
NIKKEI

Resultado da simulao para o ndice Nikkei 225 da Bolsa de Tquio (NKY).

-10000
-5000
0
5000
10000
15000
20000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
NKY
0
50
100
150
200
250
300
350
400
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
NKY

87

-2000
-1000
0
1000
2000
3000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy NKY
-2000
-1000
0
1000
2000
3000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP NKY

88


89
SPTSX

Resultado da simulao para o ndice S&P da Bolda de Toronto (SPTSX).

-2000
-1000
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
SPTSX
50
100
150
200
250
300
350
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
SPTSX

90

-500
0
500
1000
1500
2000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy SPTSX
-500
0
500
1000
1500
2000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP SPTSX

91


92
MILHO (C 1)

Resultado da simulao para a commodity Milho.

-200
-100
0
100
200
300
400
500
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
C 1 - Milho
0
100
200
300
400
500
600
700
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
C 1 - Milho

93

-50
-25
0
25
50
75
100
125
150
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy C 1 - Milho
-50
-25
0
25
50
75
100
125
150
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP C 1 - Milho

94


95
SOJA (S 1)

Resultado da simulao para a commodity Soja.

.

-500
-250
0
250
500
750
1000
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
S 1 - Soja
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
S 1 - Soja

96

-200
-150
-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy S 1 - Soja
-200
-150
-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP S 1 - Soja

97


98
Petrleo (CL 1)

Resultado da simulao para a commodity Petrleo.

-50
-25
0
25
50
75
100
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
CL1 - Petrleo
0
100
200
300
400
500
600
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
CL1 - Petrleo

99

-10
0
10
20
30
40
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy CL1 - Petrleo
-10
0
10
20
30
40
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP CL1 - Petrleo

100


101
OURO (GOLDS)

Resultado da simulao para o Ouro.

-250
0
250
500
750
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
OURO - GOLDS
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
OURO - GOLDS

102

-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy OURO - GOLDS
-100
-50
0
50
100
150
200
250
300
1
/
1
/
1
9
9
8
1
/
7
/
1
9
9
8
1
/
1
/
1
9
9
9
1
/
7
/
1
9
9
9
1
/
1
/
2
0
0
0
1
/
7
/
2
0
0
0
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP OURO - GOLDS

103


104
DLAR

Resultado da simulao para o Dlar (Real x Dlar Americano).

-1
0
1
2
3
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
BRL - DLAR
50
100
150
200
250
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
BRL - DOLAR

105

-0,5
-0,25
0
0,25
0,5
0,75
1
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy BRL - DLAR
-0,5
-0,25
0
0,25
0,5
0,75
1
1
/
1
/
2
0
0
1
1
/
7
/
2
0
0
1
1
/
1
/
2
0
0
2
1
/
7
/
2
0
0
2
1
/
1
/
2
0
0
3
1
/
7
/
2
0
0
3
1
/
1
/
2
0
0
4
1
/
7
/
2
0
0
4
1
/
1
/
2
0
0
5
1
/
7
/
2
0
0
5
1
/
1
/
2
0
0
6
1
/
7
/
2
0
0
6
1
/
1
/
2
0
0
7
1
/
7
/
2
0
0
7
1
/
1
/
2
0
0
8
Sistema Fuzzy com STOP BRL - DLAR

106


107
APNDICE C REDES BAYESIANAS
INTRODUO

Atualmente, os estudos em inteligncia artificial podem ser divididos em duas
grandes reas: o desenvolvimento de sistemas que agem como humanos e o
desenvolvimento de sistemas que agem racionalmente. Dentro do contexto dos
sistemas que agem racionalmente, duas abordagens principais podem ser utilizadas:
raciocnio lgico e raciocnio probabilstico.
O raciocnio lgico pondera sobre o conhecimento prvio a respeito do
problema e, sobre esta base de conhecimento retira suas concluses. Esta
abordagem, apesar de poderosa, pode no ser til em situaes onde no se
conhece previamente todo o escopo do problema, para estes casos, o raciocnio
probabilstico surge como uma boa opo.
Um sistema que possa atuar em situaes de incerteza deve ser capaz de
atribuir nveis de confiabilidade para todas as sentenas em sua base de
conhecimento, e ainda, estabelecer relaes entre as sentenas. As Redes
Bayesianas oferecem uma abordagem para o raciocnio probabilstico que engloba
teoria de grafos, para o estabelecimento das relaes entre sentenas e ainda,
teoria de probabilidades, para a atribuio de nveis de confiabilidade.

A principal vantagem de raciocnio probabilstico sobre raciocnio lgico o
fato de que agentes podem tomar decises racionais mesmo quando no existe
informao suficiente para se provar que uma ao funcionar
(Charniak, Eugene).

Matematicamente, uma Rede Bayesiana uma representao compacta de
uma tabela de conjuno de probabilidades do universo do problema. Por outro lado,
do ponto de vista de um especialista, as Redes Bayesianas constituem um modelo
grfico que representa de forma simples as relaes de causalidade das variveis de
um sistema.
Uma Rede Bayesiana consiste do seguinte:
Um conjunto de variveis e um conjunto de arcos ligando as variveis.
Cada varivel possui um conjunto limitado de estados mutuamente
exclusivos.
As variveis e arcos formam um grafo orientado sem ciclos (DAG).
Para cada varivel A que possui como pais B1, ..., Bn, existe uma tabela P(A|
B1, ..., Bn), ou seja, a probabilidade de que ocorra a hiptese A dado as evidncias
B1,, Bn. A evidncia de uma varivel uma declarao de uma certeza de seu
estado.
Observa-se que, caso A no possua um pai, a tabela de probabilidades
reduzida para uma probabilidade condicional P(A). Uma vez definida a topologia da
rede, basta especificar as probabilidades dos ns que participam em dependncias
diretas, e utilizar estas para computar as demais probabilidades que se deseje.

108
REGRA DE BAYES

A seguir, mostrado um breve resumo com os clculos envolvidos na
determinao da Regra de Bayes:
I. Regra fundamental: P(A|B) = P(A,B) / P(B), ou P(A|B)*P(B) = P(A,B). Onde
P(A,B) a probabilidade conjunta do evento A B.
II. P(A,B)=P(B,A), ento de I, chegamos em P(A|B)*P(B) = P(B|A)*P(A), que
resulta em: P(B|A) = P(A|B)*P(B)/P(A), chamada Regra de Bayes.
III. Em alguns casos podemos estar interessados em uma probabilidade segundo
uma evidncia e, neste caso, aplica-se: P(A|B,e)P(B|e) = P(A,B|e).
Pela teoria de probabilidade, temos que, a probabilidade condicional P(A|B) = x,
pode ser interpretada como: Dado o evento B, a probabilidade do evento A x.

PARMETROS DE ENTRADA DA REDE BAYESIANA

A base de conhecimento de uma Rede Bayesiana so as tabelas de
probabilidade, que, juntamente com as evidncias, formam o conjunto de
parmetros de entrada. Para detalharmos a teoria envolvida nas Redes
Bayesinanas, utilizaremos um modelo simplificado, onde so utilizados apenas 2
(dois) modelos (MACD e MA). Consideremos que ambos os modelos possuem 2
estados: Palpite de Compra e Palpite de Venda.
Portanto, pela Regra Fundamental, temos:

) , (
) , , (
) , | (
MACD MA P
Sim Alta MACD MA P
MACD MA Sim Alta P
) , (
) ( * ) | , (
MACD MA P
sim Alta P Sim Alta MACD MA P
(1)

Partindo da premissa que MA e MACD so eventos mutualmente exclusivos, ou
seja, MA e MACD podem ocorrer em conjuno com Alta = Sim ou Alta = No,
temos:

) , , ( ) , , ( ) , ( No Alta MACD MA P Sim Alta MACD MA P MACD MA P (2)

Substituindo-se (2) em (1), temos:

) , , ( ) , , (
) ( * ) | , (
) , | (
No Alta MACD MA P Sim Alta MACD MA P
Sim Alta P Sim Alta MACD MA P
MACD MA Sim Alta P
No Sim Alta
Alta P Alta MACD P Alta MA P
Sim Alta P Sim Alta MACD P Sim Alta MA P
,
) ( * ) / ( * ) | (
) ( * ) | ( * ) | (

Portanto, os dados de entrada da rede so P (MA | Alta), P (MACD | Alta) e
P(Alta), onde podemos, a partir da, obter P(Alta = Sim | MA, MACD).
De forma anloga, podemos determinar P (Alta = Sim | MA, MACD, RSI).


109
APRENDIZAGEM DAS REDES BAYESIANAS

O processo de aprendizagem das Redes Bayesianas pode ser dividido em
duas abordagens diferentes (KOEHLER, NASSAR; 1988) e (HABRANT; 1999):
o aprendizado da estrutura, que consiste em encontrar a topologia da rede e,
assim, determinar os relacionamentos de dependncia entre as variveis
envolvidas.
o aprendizado das probabilidades dado uma estrutura, que consiste em
aprender os parmetros da rede com a computao das probabilidades
condicionais.

APRENDIZADO DA ESTRUTURA DA REDE BAYESIANA

Uma das partes crticas deste projeto a aprendizagem da estrutura, j que a
determinao dos relacionamentos entre as variveis fundamental para atingirmos
os objetivos inicialmente propostos. Uma topologia mal construda certamente nos
levaria a resultados incoerentes e/ou no conclusivos.

MTODO PARA CONSTRUO DE UMA REDE BAYESIANA

A construo de uma Rede Bayesiana exige que certos cuidados sejam
tomados de forma a permitir que a tabela de probabilidades condicional resultante
seja uma boa representao do problema.
P(x
1
, ..., x
n
) = P(x
i
|Pais(x
i
)) para 0 i n, pode ser reescrita para:
P(x
1
, ..., x
n
) = P(x
n
| x
n-1
, ... x
1
) P(x
n-1
, ... x
1
)
Este processo ser repetido, reduzindo cada conjuno de probabilidades em
uma probabilidade condicional e uma conjuno menor.
P(x
1
, ..., x
n
) = P(x
n
| x
n-1
, ... x
1
) P(x
n-1
| x
n-2
, ... x
1
)... P(x
2
| x
1
) P(x
1
)
P(x
1
, ..., x
n
) = P(x
i
|x
i-1
, ... x
1
) para 0 i n
Comparando esta equao com P(x
1
, ..., x
n
) = P(x
i
|Pais(x
i
)) para 0 i n,
observamos que a especificao de uma tabela de conjuno de probabilidades
equivalente com a declarao geral:
P(x
i
|x
i -1
, ..., x
1
) = P(x
i
|Pais(x
i
)) para Pais(x
i
) C { x
i-1
, ... x
1
}
Esta equao expressa que, uma Rede Bayesiana a representao correta
de um domnio se e somente se, cada n condicionalmente independente de seus
predecessores, dado seu pai. Portanto, para se construir uma rede cuja estrutura
represente devidamente o domnio do problema, necessrio que, para todo n da
rede, esta propriedade seja atendida. Intuitivamente, os pais de um n x
i
devem
conter todos os ns x
1
, ..., x
i-1
que influenciem diretamente x
i
.
Ento, um procedimento geral para construo de redes Bayesianas seria:
1. Escolha um conjunto de variveis x
i
que descrevam o domnio.
2. Escolha uma ordem para as variveis.
3. Enquanto existir variveis:
a. Escolha uma varivel x
i
e adicione um n na rede.
b. Determine os ns Pais(x
i
) dentre os ns que j estejam na rede e que
satisfaam a equao P(x
1
, ..., x
n
) = P(x
i
|Pais(x
i
)) para 0 i n.
c. Defina a tabela de probabilidades condicionais para x
i
. O fato de que
cada n conectado aos ns mais antigos na rede garante que o grafo
ser sempre acclico.

110

APRENDIZADO DAS PROBABILIDADES

Depois de definida a topologia da rede, o prximo passo ser a aprendizagem
dos parmetros, ou seja, a probabilidade associada a cada varivel da rede, dados
os pais e os estados da varivel. Para isso ser necessrio um banco de dados com
dados histricos reais contendo as vrias combinaes de estados para cada
varivel da rede, observadas num determinado perodo.
As probabilidades associadas a cada varivel da rede constituiro as tabelas
de probabilidade, que so a base de conhecimentos deste Sistema Especialista
Probabilstico.

REDES BAYESIANAS APLICADAS AOS MODELOS ECONMICOS

Neste projeto, consideraremos a existncia de trs modelos tcnicos para a
previso de ativos financeiros (Mdias Mveis, MACD e RSI). Cada modelo pode
fornecer as seguintes previses para o ativo:
Palpite de Compra: indicando uma tendncia de alta no valor do ativo;
Palpite de Venda: indicando uma tendncia de queda no valor do ativo;
Existe ainda uma terceira possibilidade, onde o sistema no indica qualquer
palpite, ou seja, indica que no existe tendncia de alta ou baixa.
Alm disso, cada modelo possui um determinado grau de acerto (ou seja, a
probabilidade de acertar sua previso).
Como estes modelos possuem graus de acerto diferentes um do outro, h a
necessidade de se ponderar cada um destes modelos de forma que o investidor
obtenha as informaes para tomar sua deciso.
Na prtica, um analista tcnico, baseado na sua experincia, realiza os
clculos e medies necessrias para cada modelo tcnico e pondera (de forma
subjetiva) estas informaes para tomar sua deciso.
Uma das maneiras de se realizar esta tarefa computacionalmente atravs da
construo de Redes Bayesianas e das tabelas de probabilidades condicionais para
os modelos em questo.

RESULTADOS

ESTRUTURA DOS GRFICOS E TABELAS DE AVALIAO

Para o ativo a seguir (IBOVESPA), so apresentado as seguintes informaes:
1 O primeiro grfico representa uma comparao entre os resultados
acumulados do mercado e do sistema. Ambos foram inicializados com posio inicial
igual a zero. O profit/loss (P/L) mensurado na mesma unidade do mercado, ou
seja, se o sistema compra o ativo a 60,00 e vende a 70,00, seu lucro de 10,00.
Vale ressaltar que nenhuma corretagem, ou taxa por operao computada. Alm
disto, no existe qualquer tipo de remunerao no perodo que o sistema no opera.
2- No segundo grfico, podemos observar o mark to market (MTM) dirio das
posies do sistema. Este grfico mostra o quanto o sistema no possui qualquer
tipo de Stop loss (zerar posio quando se atinge determinado nvel de perda),
operando exclusivamente nas informaes fornecidas pelo sistema.

111
3- A tabela apresenta um resumo referente aos dois primeiros grficos. As
definies de cada campo so descritas a seguir:
Retorno: retorno anual calculado como a soma de P/L dividido pelo nvel do
mercado do incio daquela ano.
Volatilidade: desvio-padro dos retornos dirios, em base anual.
4- No terceiro grfico, podemos observar uma situao hipottica no qual um
investidor, operando exclusivamente pelo sistema, investe R$100,00 no primeiro dia
de 1998 e opera, de acordo com as sugestes do sistema, at o final de 2003. Este
resultado comparado com o cenrio onde este mesmo investidor, aplica seus
R$100,00 no ativo em questo e permanece com a mesma posio at o final de
2003 (ou seja, compra e permanece comprado). As restries e consideraes feitas
para o primeiro grfico se aplicam a este.

IBOVESPA (IBOV)

Grfico 1 : evoluo do Valor Acumulado do Sistema versus Valor Acumulado do mercado, no perodo de 2/1/1998 a
2/1/2004

MTM
-3000
-2000
-1000
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
2
/
1
/
1
9
9
8
2
/
4
/
1
9
9
8
2
/
7
/
1
9
9
8
2
/
1
0
/
1
9
9
8
2
/
1
/
1
9
9
9
2
/
4
/
1
9
9
9
2
/
7
/
1
9
9
9
2
/
1
0
/
1
9
9
9
2
/
1
/
2
0
0
0
2
/
4
/
2
0
0
0
2
/
7
/
2
0
0
0
2
/
1
0
/
2
0
0
0
2
/
1
/
2
0
0
1
2
/
4
/
2
0
0
1
2
/
7
/
2
0
0
1
2
/
1
0
/
2
0
0
1
2
/
1
/
2
0
0
2
2
/
4
/
2
0
0
2
2
/
7
/
2
0
0
2
2
/
1
0
/
2
0
0
2
2
/
1
/
2
0
0
3
2
/
4
/
2
0
0
3
2
/
7
/
2
0
0
3
2
/
1
0
/
2
0
0
3
2
/
1
/
2
0
0
4
MTM do Sistema
IBOV

112
Grfico 2 : evoluo do MTM do Sistema, no perodo de 2/1/1998 a 2/1/2004

Tabela 1, resumo do desempenho descrito nos grficos 1 e 2.

Grfico 3 : evoluo de um investimento inicial de R$100,00 operado-se pelo Sistema e Mercado, no perodo de
2/1/1998 a 2/1/2004

Mercado Sistema Mercado Sistema
1998 -35.26% 39.47% 22 57.36% 50.64%
1999 151.93% 140.88% 18 46.32% 44.66%
2000 -10.72% -35.78% 27 32.82% 30.61%
2001 -11.02% 16.49% 34 33.78% 31.46%
2002 -17.01% 10.67% 23 32.75% 30.62%
2003 97.33% 68.67% 16 24.13% 22.44%
IBOV
ANO
Retorno Anual
# Trades
Volatilidade Anualizada
Cenrio para um investimento inicial de R$100,00 - Sistema X Mercado
R$ 0.00
R$ 50.00
R$ 100.00
R$ 150.00
R$ 200.00
R$ 250.00
R$ 300.00
R$ 350.00
R$ 400.00
R$ 450.00
2
/
1
/
1
9
9
8
2
/
4
/
1
9
9
8
2
/
7
/
1
9
9
8
2
/
1
0
/
1
9
9
8
2
/
1
/
1
9
9
9
2
/
4
/
1
9
9
9
2
/
7
/
1
9
9
9
2
/
1
0
/
1
9
9
9
2
/
1
/
2
0
0
0
2
/
4
/
2
0
0
0
2
/
7
/
2
0
0
0
2
/
1
0
/
2
0
0
0
2
/
1
/
2
0
0
1
2
/
4
/
2
0
0
1
2
/
7
/
2
0
0
1
2
/
1
0
/
2
0
0
1
2
/
1
/
2
0
0
2
2
/
4
/
2
0
0
2
2
/
7
/
2
0
0
2
2
/
1
0
/
2
0
0
2
2
/
1
/
2
0
0
3
2
/
4
/
2
0
0
3
2
/
7
/
2
0
0
3
2
/
1
0
/
2
0
0
3
2
/
1
/
2
0
0
4
Sistema
Mercado
IBOV

113
ANEXO A - DESCRIO DOS ATIVOS NO SISTEMA BLOOMBERG

Breve descrio dos ativos analisados de acordo com o Sistema Bloomberg
(em Ingls):

IBOV Index
The Bovespa Index is a total return index weighted by traded volume and is
comprised of the most liquid stocks traded on the Sao Paulo Stock Exchange. The
Bovespa Index has been divided 10 times by a factor of 10 since January 1, 1985,
those dates are: 12/02/85, 04/14/89, 05/28/91, 01/26/93, 02/10/94, 08/29/88,
01/12/90, 01/21/92, 08/27/93, 03/03/97. Shares in Index displayed in Millions.

SPX Index
Standard and Poor's 500 Index is a capitalization-weighted index of 500
stocks. The index is designed to measure performance of the broad domestic
economy through changes in the aggregate market value of 500 stocks representing
all major industries. The index was developed with a base level of 10 for the 1941-43
base period.

DAX Index
The German Stock Index is a total return index of 30 selected German blue
chip stocks traded on the Frankfurt Stock Exchange. The equities use free float
shares in the index calculation. The DAX has a base value of 1,000 as of December
31, 1987. As of June 18, 1999 only XETRA equity prices are used to
calculate all DAX indices.

114

UKX Index
The FTSE 100 Index is a capitalization-weighted index of the 100 most highly
capitalized companies traded on the London Stock Exchange. The equities use an
investibility weighting in the index calculation. The index was developed with a base
level of 1000 as of January 3, 1984.

CAC Index
The CAC-40 Index is a narrow-based, modified capitalization-weighted index
of 40 companies listed on the Paris Bourse. The index was developed with a base
level of 1,000 as of December 31, 1987. As of December 1, 2003 the index has
become a free float weighted index.

NKY Index
The Nikkei-225 Stock Average is a price-weighted average of 225 top-rated
Japanese companies listed in the First Section of the Tokyo Stock Exchange. The
Nikkei Stock Average was first published on May 16, 1949, where the average price
was 176.21 with a divisor of 225.

SPTSX Index
The S&P/Toronto Stock Exchange Composite Index is a capitalization-
weighted index designed to measure market activity of stocks listed on the TSX. The
index was developed with a base level of 1000 as of 1975. The sectors available
under SPTSX Index do not price intraday. This index contains investment trusts
effective 12/19/05..

115

C 1 Comdty
No. 2 Yellow at par and substitutions at differentials established by the
exchange.

CL1 Comdty
Specific domestic crudes with .42% sulfur by weight or less, not less than
37bp API gravity no more than 42bp API gravity. With the expiration of the
December, 2006 contract, exchange will list 72 continuous monthly contracts.

S 1 Comdty
One grade of soybean meal only with minimum protein of 48 percent.

GOLDS Curncy
The Gold Spot price is quoted as US Dollars per Troy Ounce.

BRL Curncy
USD-BRL BRAZILIAN REAL SPOT 1 Real = 100 Centavos
The Brazilian real is the official currency of the Federative Republic of Brazil.
The conventional market quotation is the number of reals per US dollar. It is an
independent free-floating currency.

Tese Logica Fuzzy

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tese Logica Fuzzy

Hochgeladen von

Copyright:

Verfügbare Formate

Claudio Robinson Tapi Pereira

SISTEMA DE TOMADA DE DECISO PARA COMPRA E VENDA DE

A ordenao da Referncia Bibliogrfica obedece a ordem alfabtica

Das könnte Ihnen auch gefallen