um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando...
TRANSCRIPT
Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica
André Santos Teixeira de Carvalho - 108090694Matheus Motta de Almeida - 108135054
Orientador:João Carlos Pereira da Silva
Universidade Federal do Rio de JaneiroInstituto de Matemática - IMDepartamento de Ciência da Computação - DCC
Sumário
● Motivação● Objetivo● Mercado de Ações● Análise Técnica● Algoritmos Genéticos● Experimentos● Conclusão● Trabalhos Futuros
Motivação
● Crescente popularização da bolsa● Difícil aplicação manual dos métodos de
análise● Analisar o comportamento do Mercado de
Ações é um problema interessante
Objetivo
Investigar e avaliar a utilização de Algoritmos Genéticos na busca de melhores estratégias de compra e venda de ações.
Mercado de Ações
● Investir em ações:○ Renda variável○ Alto potencial de lucro com alto risco → requer
estudo e análise!○ Ordem de “stop”
● Como Analisar?○ Análise Fundamentalista○ Análise Técnica
Análise Técnica
● Charles H. Dow e a Teoria de Dow
Análise Técnica - Estratégias
Cruzamento de Médias Móveis
Zonas IFR
Algoritmo Genético
Pseudocódigo de um AG
Método de busca e otimização inspirado no processo de evolução natural das espécies
Experimentos
Tecnologias e Ferramentas Utilizadas
Primeiro Experimento - Modelagem
● pi → Peso da estratégia i → [0,1]● ei → Sinal da estratégia i → {-1, 0, 1}
Se resultante > 0 → CompraSe resultante = 0 → Não faz nadaSe resultante < 0 → Vende
Primeiro Experimento - GenéticoIndivíduo formado por genes reais
● p1 → Peso da “Cruzamento de Médias [9, 40]”● p2 → Peso da “Zonas de IFR 14”● stop → Porcentagem de “Stop” utilizada
Crossover Simples e Mutação Aleatória
Primeiro Experimento - Avaliação
Primeiro Experimento - Estados
Transição de estados dos indivíduos
Primeiro Experimento - Resultados1. Treinamento ano a ano
● Bons resultados no treinamento não implicam em bons resultados no teste
Primeiro Experimento - Resultados2. Treinamento acumulado
● Melhor que o ano a ano● Aumento do período de
treinamento não afeta o lucro de forma crescente○ 2001-2004 e 2001-
2005
Primeiro Experimento - ConclusãoPesos tem pouca influência nos resultados
Próximo experimento → Aumentar a influência dos pesos
Segundo Experimento - ModelagemModificações no Primeiro Experimento
● Adição da estratégia Topos e Fundos OBV● Capital utilizado na operação proporcional ao módulo
da resultante● Adição de um “gap”
Se resultante > 0.5 → CompraSe -0.5 <= resultante <= 0.5 → Não faz nadaSe resultante < -0.5 → Vende
Segundo Experimento - GenéticoIndivíduo formado por genes reais
● p1 → Peso da “Cruzamento de Médias [9, 40]”● p2 → Peso da “Zonas de IFR 14”● p3 → Peso da “Topos e Fundos do OBV”● stop → Porcentagem de “Stop” utilizada
Crossover Aritmético e Mutação Gaussiana
Segundo Experimento - Resultados1. Treinamento ano a ano
● Melhora frente ao primeiro experimento
● Bom resultado no treinamento não implica em bom resultado no teste (2008 - 2009 )
Segundo Experimento - Resultados2. Treinamento acumulado
● Melhora frente ao primeiro experimento
● Melhor que o “ano a ano”● Comportamento
crescente no treinamento
Segundo Experimento - ConclusãoAumento da influência dos pesos
Próximo experimento → Mudança de direção do projeto
Terceiro Experimento
● Decisão baseada apenas em 1 estratégia○ Variar os parâmetros da estratégia para encontrar a
combinação mais lucrativa
● Avaliar o impacto dos parâmetros do genético na exploração○ Representação Binária (32 bits/gene) x Real○ Operadores
Terceiro Experimento - GenéticoDuas representações experimentadas
● mme (1º gene) → Período da média exponencial● mms (2º gene) → Período da média simples● stop (3º gene) → Porcentagem de “Stop” utilizada
Real Binária
Terceiro Experimento - Resultados
Exploração do espaço de busca com mutação e elitismo
Real Binária
Terceiro Experimento - Resultados
Evolução do melhor indivíduo (Representação Binária)
Sem elitismo e sem mutação Com elitismo e mutação
Terceiro Experimento - ResultadosChoque de Mutação
Terceiro Experimento - ExaustivoDez mil melhores soluções
Terceiro Experimento - Conclusão● Difícil manipulação utilizando a representação real● Concentração de máximos locais dificultou a
convergência○ Choque de mutação
● Elistimo é um mecanismo importante● Parâmetros do próximo experimento:
○ Representação binária, Elitismo, Mutação e Choque de Mutação
Quarto Experimento - Modelagem
● Adição dos parâmetros de uma nova estratégia, “Zonas de IFR”
● Adição do operador lógico (AND, OR, XOR, NAND)○ Lógica booleana
■ Verdadeiro → compra■ Falso → Não opera
○ Saída de operações apenas por “Stop”
Quarto Experimento - Genético
Parâmetros representados nos indivíduos
Quarto Experimento - Resultado1. Treinamento ano a ano
● Melhora em relação aos outros experimentos
● Mesmo problema: bons resultados no treinamento não implica em bons resultados no teste (2007, 2008)
Quarto Experimento - Resultado2. Treinamento acumulado
● Melhor resultado do projeto
● Resultados ruins nos últimos anos levam a crer que existe um problema em usar um horizonte de treinamento muito longo
Quarto Experimento - Conclusão● Operador NAND aparecendo em mais de 90% dos
melhores indíviduos○ Baixa aparição do AND
● Os resultados podem indicar o grau de incerteza existente na Análise Técnica ○ Melhores parâmetros encontrados divergem dos
vendidos pelas corretoras
Comparação - Acumulados
Comparação - Contra renda fixa
Conclusões
● Uma aplicação de algoritmos genéticos para a tomada de decisão na Bolsa de Valores foi apresentada;
● A escolha dos operadores e parâmetros do AG foi decisiva para o sucesso do quarto experimento;
● Foram obtidos resultados satisfatórios○ Lucro médio superior a variação anual com metade
do desvio padrão (risco)
Trabalhos Futuros● Maior leque de operações disponíveis;
○ Vendas a descoberto (no quarto experimento), posições parciais, análise de risco e investimento em múltiplas ações
● Adicionar outras informações à tomada de decisão;○ Indicadores Fundamentalistas e notícias
● Generalizar o processo de treinamento e teste;○ Utilizando diversas ações e índices
■ Escolher a melhor ação para ser investida dependendo das condições atuais
Obrigado!
Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica
André Santos Teixeira de Carvalho - 108090694Matheus Motta de Almeida - 108135054
Orientador:João Carlos Pereira da Silva
Universidade Federal do Rio de JaneiroInstituto de Matemática - IMDepartamento de Ciência da Computação - DCC