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