Beruflich Dokumente
Kultur Dokumente
1/7
8/10/2015
Este trabalho prope a utilizao das redes neurais na previso do comportamento do mercado financeiro para a
construo de uma estratgia de compra e venda de aes. A combinao dos indicativos fornecidos pela rede
com o histrico de dados permitir ao investidor tomar decises baseados na probabilidade de ser bem
sucedido.
O conjunto de dados que servir de alimentao para as Redes Neurais Artificiais dever conter informaes que
forneam condies de aprendizado. As variveis que precisam ser determinadas so:
Parmetros de sada que permitam a previso do comportamento do mercado acionrio.
Entradas que possuam um relacionamento direto com as sadas desejadas.
Como o objetivo do problema em questo a previso do comportamento do mercado acionrio, primeiramente
identificou-se as informaes a serem previstas: as cotaes de fechamento e volumes negociados.
Os parmetros de entrada tradicionalmente utilizados para a previso do mercado acionrio so as cotaes e
os volumes negociados passados.
A Rede Neural Artificial exposta aos dados de entrada, que podem conter rudos, e utiliza o algoritmo de
treinamento para criar um modelo que estar habilitado a determinar a sada atual utilizando os valores
passados e valores anteriormente previstos.
Terminologia Utilizada
A seguir apresentada a terminologia utilizada para os diversos parmetros de entrada testados:
p(t) - cotao do dia corrente.
p(t-n) - cotao do dia (t-n).
v(t) - volume do dia corrente.
v(t-n) - volume do dia (t-n).
m(t) - mdia mvel das cotaes dos dez dias anteriores ao dia corrente.
m(t-n) - mdia mvel das cotaes de dez dias anteriores a (t-n).
As mdia mveis so calculadas da seguinte forma:
m(t)= 0.75*m(t-1) + 0.25*p(t)
O objetivo da utilizao das mdias mveis das cotaes a filtragem das variaes bruscas das mesmas.
Desta forma, a curva que representa as cotaes suavizada.
pMAX (t), pMIN (t) - cotaes mximas e mnimas normalizadas do dia t.
Tr(t) Tendncia do Mercado.
A Tendncia do Mercado dada por:
1 (tendncia de alta) - Se no fechamento do prego havia compradores oferecendo mais do
que o valor do ltimo negcio efetuado.
0 (tendncia de baixa) - Se no fechamento do prego havia vendedores oferecendo a ao
por um valor abaixo do ultimo valor negociado.
(neutro) - Em caso contrrio.
Descreveremos a seguir os diversos conjunto de entradas utilizados.
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html
2/7
8/10/2015
Conjunto
1
Entradas
Total de Entradas
Sadas
Total de Sadas
20
p(t+1)
v(t+1)
10
p(t+1)
10
p(t+1)
23
p(t+1)
v(t+1)
TC
CE
CI
CS
FACI
FACS
AA
TA
Chenoweth
20
Hiperblica
Linear
Backpropagation
0.3
Randomized
Chung
10
Hiperblica
Linear
Backpropagation
1.0
0.5
Chung
10
Hiperblica
Logstica
Batch
0.5
0.7
0.5
Backpropagation
Shimshoni
23
Hiperblica
Logstica
Batch
Backpropagation
3/7
8/10/2015
a. O investidor agressivo aquele que aceita correr o risco de negociar em troca de um lucro real no perodo
(mximo de dez dias) de um por cento (1%).
b. O investidor moderado aceita o risco apenas se o investimento no perodo conferir um retorno real de ao
menos dois por cento (2%).
c. O investidor conservador aquele que concorda em aplicar em bolsas de valores se o retorno previsto, for
de, ao menos, trs por cento (3%) no perodo.
O lucro obtido a cada operao calculado atravs da diferena entre o preo de compra e o de venda. O
indicativo da operao a ser proposta baseada na seguinte filosofia:
4/7
8/10/2015
Seja o dia corrente chamado dia "T". Verifica-se no intervalo contendo os dez dias previstos pela
rede, qual o dia em que o valor da ao o mximo este seria, por hiptese, o dia de venda
chamado dia "D". Calcula-se o lucro atravs da diferena entre o valor da ao no dia corrente "T"
e o valor desta no dia "D" retirando-se o custo de operao pago corretora (taxa de corretagem).
Em seguida, calcula-se quanto o investidor obteria se, ao invs de operar, mantivesse este capital
em um fundo de renda fixa at o dia "D".
Os dois valores so ento comparados, obtendo o lucro real (LR) da operao. Baseado neste
valor, e de acordo com o perfil do investidor, fornecido ou no o indicativo de compra.
5/7
8/10/2015
geral, os bons resultados foram fruto do aproveitamento de fortes movimentos de alta ou baixa. A grande
maioria dos movimentos de compra ou venda foi equivocada, resultando sempre em pequenos prejuzos
ao investidor. H que se considerar o fator psicolgico dos investidores, potenciais usurios desta
ferramenta computacional. Se a rede erra a maioria dos movimentos, o investidor perde a confiana nas
previses e no aceita correr o risco de um provvel lucro futuro.
Os movimentos equivocados propostos pela rede so, em nossa opinio, decorrentes do curto intervalo
de tempo utilizado (10 dias). Este pequeno intervalo de observao no permite rede uma percepo de
movimentos consistentes de alta ou baixa de longa durao. Por exemplo, possvel pensar-se em um
movimento consistente de alta composto, na maior parte do tempo, por pequenas quedas.
Bibliografia
[1] CHUNG, L., K., KIN, L., An alternative choice of output in Neural Network for the generation of trading signals
in a financial mark et, URL: http://hkusub.hku.hk:800/kclam/report/paper.htm, 1996.
[2] GATELY, E., Neural Network s for financial forecasting. 1 ed. EUA, Jonh Wiley & Sons, Inc, 1996.
[3] KUTSURELIS, J. E., Forecasting financial mark ets using neural network s: an
analysis of methods and accuracy. Ms.C dissertation, Naval Post Graduate School, Monterey, California, USA,
1998.
[4] CHENOWETH, T., OBRADOVIC, Z., A Multi-Component Nonlinear Prediction System for the S&P 500 Index,
School of Electrical Engineering and Compute Science, Departament of Management and Systems, Department
of Economics, Washington State University, Pullman, Washington, USA, 1996.
[5] PODDING, T., Short-Term Forecasting of the USD/DM-Exchange Rate, Universitt of Bamberg, Germany,
1995.
[6] BLUME, L., EALSLEY D., "Evolution in market behavior", Journal of Economic Theory, v. 58, pp 9-40, 1990.
[7] FLIGLEWSKY, S., "Market efficiency in a market with heterogeneous information", Journal of Political
Economy, v. 86, n. 4, pp 581-517, 1978.
[8] BRAY, M., "Learning, estimation, and the stability of rational expectations", Journal of Economic Theory, v.
26, pp 318-339, 1982.
[9] BOSSAERTS, P., Time series analysis of inefficient mark ets, Technical report, California Institute of
Technology, Pasadena, CA, 1994.
[10] LETTAU, M., Risk - tak ing bias in a financial mark et with adaptative agents, Technical report , Tilburg
University, Tilburg, The Netherlands, 1993.
[11] ROUTLEDGE, B. R., Artificial selection: Genetics algorithms and learning in a rational expectations model,
Tehnical report, University of British Columbia, Vancouver, British, Columbia, 1994.
[12] BELTRATI, A., MARGARITA, S., Evolution of trading strategies among heterogeneous artificial economic
agents, Technical report, Instituto di Ecoomia G. Prato, Universita di Torino, Torino, Italy, 1992.
[13] RIECK, C., "Evolutionary simulation of asset trading strategies". In: Many-Agent Simulation and Artificial
Life, IOS press, 1994.
[14] MARENGO, L., TORDJMAN, H., Speculation, heterogeneity, and learning: A model of exchange rate
dynamics, Technical report WP-95-17, International Institute for Applied Systems Analysis, Vienna, Austria,
1995.
[15] GARLIAUSKAS, A., GARLIAUSKIENE, A., Novel Neural Network in a Prediction for Foreign Exchange
Rates, Department os Neuroinformatics, Institute of Mathematics and Informatics, Vilnius, Lithuania, 1996.
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html
6/7
8/10/2015
[16] GENAY, R., LIU, T., Nonlinear Modelling and Prediction with Feedforward and Recurrent Network s,
Department of Economics, University of Windsor, Canada, 1996.
[17] ZHANG G. P., PATUWO B. E., HU M. Y., Nonlinear time series forecasting with artificial neural network s,
Department of Decision Sciences, Georgia State University, Atlanta, USA, 1999.
[18] McCULLOCH, W. S., PITTS, W., "A logical calculus of the ideas immanent in nervous activity", Bulletin of
mathematical biophisics, v. 5, pp. 115-133, 1943.
[19] ROSENBLATT, F., "The perceptron: A probabilist model for information storage and organization in the
brain", Psychological Review, v. 65, pp. 386-408, 1958.
[20] MINSKY, M., PAPERT, S., Perceptron: Na Introduction to Computation Geometry, Cambridge, USA: The
MIT press, 1969.
[21] HINTON, G.,E., SEJNOWSKI, T., "Learning and relearning in Boltzmann Machines". In D.E.Rumelhart &
J.L. McClelland (eds), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, 1 ed,
chapter 7, pp.282-317, Cambridge, USA: Bradford Books/MIT Press, 1984.
[22] ABU-MOSTAFA, Y., S., JACQUES, J., M., S., "Information Capacity of the Hopfield Model", IEEE
Transactions on Information Theory, v.31,n.4, pp 461- 464, 1985.
[23] ALMEIDA, L., B., "Back-Propagation in Non-Feedforward Networks", In: I. Aleksander (ed), Neural
Computing Architetures, pp. 74-91, London, UK:North Oxford Academic, 1989.
[24] HORNIK, K., STINCHCOMBE, M., WHITE, H., "Multilayer Feedforward Networks are Universal
Approximators", Neural network s, 2, 359-366, 1989.
[25] HECHT-NIELSEN, R., Neurocomputing, USA: Addison-Wesley Publishing Co, 1990.
[26] CHENOWETH, T., OBRADOVIC, Z., LEE, S.S., Embedding Technical Analysis into Neural Network s based
in Trading Systems, School of Electrical Engineering and Compute Science, Departament of Management and
Systems, Department of Economics, Washington State University, Pullman, Washington, USA, 1996.
[27] SHIMSHONI, Y., INTRATOR, N., A framework for combining multiple ANN experts in financial forecasting,
School of Mathematical Sciences, Tel Avi University, Te1 Avi, Israel, 1996.
O que voc achou deste Artigo ?
Qualidade
Excelente
Mdio
Abordagem do Assunto
Fraco
Objetiva
Enviar
Limpar
Extensa
Reduzida
Comentrio:
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html
7/7