8/10/2015

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

Cludia Rdel Bosaipo

MSc em Engenharia de Sistemas e Computao COPPE UFRJ
email: tenclaudia@openlink.com.br

Resumo. 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 permite ao
investidor tomar decises com uma maior probabilidade de ser bem
sucedido.
Introduo
Por volta dos anos 80, a rea financeira sofreu uma revoluo tecnolgica que resultou no relacionamento dos
mercados globais e intensificou a necessidade de uma perspectiva global de negociao.
A tendncia em torno da globalizao interconectando os mercados resultou da convergncia de dois fatores
principais: o avano das telecomunicaes e das tecnologias computacionais.
Mtodos dinmicos analticos adaptativos, capazes de determinar padres e relacionamentos nos dados globais
do mercado, mostram-se importantes na identificao das oportunidades mercantis.
Uma metodologia alternativa beneficia-se do uso da tecnologia da inteligncia artificial e vrias outras
ferramentas computacionais apropriadas. Atravs destas tcnicas, relacionamentos no lineares e padres
complexos dos mercados globais podem ser identificados e quantificados. Isto feito atravs da captura de
informaes que reflitam a dinmica do mercado.
Existem aplicaes interessantes de redes neurais encontradas na rea de finanas, recursos humanos,
marketing, mdica, engenharia e muitas outras. Esta tecnologia de informao baseada no funcionamento do
crebro humano. Ela prope o uso de um enorme volume de dados disponveis que, muitas vezes, so pouco ou
mal utilizados, transformando-os em informao til tomada de decises.
As Redes Neurais Artificiais so sistemas no lineares que imitam o mecanismo de processamento do crebro
humano. A sua habilidade em formar mapeamentos no lineares tem tornado as RNAs prsperas na modelagem
e previso de sistemas complexos.
Em geral, as observaes do passado so utilizadas para produzir conhecimento a respeito da dinmica do
sistema representado pelo modelo de rede. Desta forma, pode-se prever o comportamento futuro do sistema
modelado.
As Redes Neurais Artificiais utilizam o processamento distribudo, onde muitos elementos chamados neurnios
ou unidades de processamento comunicam-se atravs de arestas exibindo um peso associado a cada uma
destas. Cada uma dessas unidades efetua um certo nmero de operaes e transmite seus resultados s
unidades vizinhas. Estas operaes consistem na multiplicao do valor de cada entrada pelo respectivo peso
associado e na posterior soma para resultar em um valor. Geralmente este valor passado atravs de uma
funo de ativao.
De forma similar ao ser humano, as Redes Neurais Artificiais so capazes de aprender comportamentos atravs
de exposio de exemplos dos mesmos. Este processo denominado treinamento da rede. A informao
armazenada na rede e incorporada mesma durante a fase de treinamento.
Se os dados podem ser representados numericamente, eles podem ser utilizados como entradas para as Redes
Neurais Artificiais. Portanto, as informaes tcnicas e fundamentais relacionadas a um mercado especfico
podem ser incorporadas como entradas s redes neurais.
Metodologia
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html

1/7

8/10/2015

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

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

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

Conjunto
1

Entradas

Total de Entradas

Sadas

Total de Sadas

p(t) p(t-1) ... p(t-10)

20

p(t+1)

v(t) v(t-1) ... v(t-10)

v(t+1)

p(t) p(t-1) ... p(t-10)

10

p(t+1)

m(t) m(t-1) ... m(t-10)

10

p(t+1)

p(t) p(t-1) ... p(t-10)

23

p(t+1)

v(t) v(t-1) ... v(t-10)

v(t+1)

pMAX (t), pMIN (t), Tr(t)

Tabela 1 - Conjuntos elaborados
Descreveremos agora as arquiteturas empregadas:
MD Modelo.
TC Total de Camadas.
CE Total de elementos na camada de entrada.
CI Total de elementos na camada intermediria.
CS Total de elementos na camada de sada.
FACI Funo de ativao na camada intermediria.
FACS Funo de ativao na camada de sada.
AA Algoritmo de aprendizagem.
TA Taxa de aprendizado.
M Momentum.
MD

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

Tabela 2 - Modelos construdos

Primeiro modelo, construdo por CHENOWETH et all [26] .
Segundo modelo, elaborado por CHUNG [1].
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html

3/7

8/10/2015

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

Terceiro modelo, estudado por CHUNG [1].

Quarto modelo, implementado por SHIMSHONI e INTRACTOR [27].
A partir dos dados informativos das aes escolhidas (cotaes de fechamento, volumes negociados, mdias
mveis, cotao mxima, cotao mnima, tendncia do mercado, etc ) constri-se os conjuntos de entradas
mencionados anteriormente.
Durante esta fase, os dados de teste foram aplicados s arquiteturas j treinadas de forma a validar as mesmas.
O conjunto de teste consistiu de dados extrados da Bolsa de Valores de So Paulo (BOVESPA) referentes
cada ao (Telebras, Banco do Brasil, Petrobras e Bradesco) em um perodo de tempo diferente daquele usado
durante o treinamento.
Cada um dos padres de entrada foi fornecido rede e o resultado obtido realimentando entrada da mesma de
modo a obter a previso para um determinado nmero de dias no futuro. O mecanismo de realimentao (multistep) se d deslocando-se os valores mais antigos das cotaes e volumes e inserindo-se os valores gerados
pela rede no novo padro de entrada corrente, ocupando a posio daqueles mais recentes.
O procedimento anterior repetido at que dez valores sejam gerados pela rede. Desta forma, a partir de cada
padro individual, constri-se a curva composta por dez valores previstos pela rede uma previso de cotaes
com dez dias em avano.
A estratgia de mercado elaborada leva em considerao a curva traada a partir do processo descrito
anteriormente (uma janela temporal contendo dez dias de cotaes).
A curva relaciona os dias com as cotaes previstas, isto , o eixo das ordenadas representa os dias , e o eixo
das abscissas representa as cotaes previstas. A partir da possvel fazer uma estimativa de curto prazo e
consegue-se visualizar a tendncia do mercado (se o preo da ao sofre alta, baixa ou mantm-se constante).
Dessa forma, a cada dia, fornecido um indicativo de compra, venda ou de no operao.
Estratgia de Negociao
A estratgia de negociao utilizada parte do princpio de que o investidor s pode realizar uma operao de
compra de aes se anteriormente foi realizada uma operao de venda. Isto significa que no permitido
efetuar operaes parciais, isto , ao comprar, o investidor utiliza todo o seu capital, ficando sem disponibilidade
para realizar nova operao de compra. O mesmo raciocnio aplicado no caso das operaes de venda. Ao
realizar uma operao de venda, o investidor negocia a totalidade de suas aes.
Os indicativos de compra e venda levam em considerao o perfil do investidor: conservador, moderado ou
agressivo. Alguns testes foram efetuados de modo a garantir um nmero de negcios razovel por ano aos trs
perfis de investidor. Os perfis foram ento, quantificados da seguinte forma:

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:

a. Fornecimento do indicativo de compra (o usurio no tem as aes):

A pergunta que estar buscando-se responder a seguinte:
"Se eu comprar as aes hoje, consigo vend-las em um perodo de dez dias com lucro
compensador?"
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html

4/7

8/10/2015

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

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.

b. Fornecimento do indicativo de venda ( o usurio detm as aes):

A pergunta que estar buscando-se responder a seguinte:
"Devo vender as aes hoje ou haver um momento melhor nos prximos dez dias?"
Seja o dia corrente chamado "T". Verifica-se, a partir da curva traada pela rede, qual o dia em que
o valor da ao mximo seja este o dia "D". Em seguida, calcula-se quanto o investidor obteria
caso vendesse a ao no dia corrente (descontada a taxa paga corretora) e colocasse o capital
em um fundo de renda fixa at o dia "D". Este valor ento comparado quele obtido se a
operao fosse efetuada no dia "D". Da diferena entre os dois valores obtm-se , ento, o lucro
real (LR). Baseado neste valor, e de acordo com a definio do perfil do investidor, fornecido ou
no o indicativo de venda.
Resultados
Aps o treinamento dos modelos de Redes Neurais Artificiais com os conjuntos de entradas previamente
elaborados houve o fornecimento dos conjuntos de entradas reais para a avaliao do desempenho do mtodo.
Este procedimento foi realizado para todas as aes escolhidas levando-se em conta os diversos perfis de
investidores (conservador, moderado e agressivo) .
Foi feito um histrico de cada ao, onde, a cada ms, operaes de compra ou venda eram realizadas
baseadas na emisso dos indicativos fornecidos pelo sistema. De maneira a validar os resultados obtidos, estes
foram comparados rentabilidade da ao no perodo de Janeiro de 1997 a Dezembro de 1997.
Este trabalho compreendeu um estudo experimental detalhado de Redes Neurais aplicadas previso do
comportamento do mercado acionrio. Para fim de avaliao dos resultados obtidos, foram estudados os
comportamentos de algumas blue-chips integrantes do ndice BOVESPA.
Diversas arquiteturas, provenientes de extensa pesquisa literria, foram experimentadas e algumas modificaes
sobre essas arquiteturas foram introduzidas.
Testes comparativos exaustivos indicaram um melhor desempenho da rede com as seguintes caractersticas :
Algoritmo de treinamento : Backpropagation Randomized
Uma camada intermediria contendo 6 neurnios
Camada de entrada composta por 20 neurnios (cotaes e volumes nos 10 dias anteriores ao dia de
anlise)
Camada de sada composta por 2 neurnios (cotao e volume no dia posterior ao da anlise)
Funo de ativao hiperblica entre a camada de entrada e a intermediria
Funo de ativao linear entre a camada intermediria e a de sada
Learning rate : 0,3
Concluso
As redes obtiveram bons resultados financeiros. No entanto, uma anlise mais detalhada mostra que, em
http://www.ccuec.unicamp.br/revista/infotec/artigos/claudia.html

5/7

8/10/2015

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

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

Artigo: Aplicao das Redes Neurais na previso do comportamento de mercados financeiros

[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