105785_2
DESCRIPTION
105785_2TRANSCRIPT
-
Uma ferramenta computacional eficiente para identificao de
melhores gatilhos de compra e venda de ativos financeiros
Bruno C. Barroso1,Gustavo P. Hanaoka
1,Felipe D. Paiva
1,Rodrigo T. N. Cardoso
1
1CEFET MG Centro Federal de Ensino Tecnolgico de Minas Gerais (CEFET
MG)
30.421-169 Belo Horizonte MG Brazil
{[email protected], [email protected], [email protected],
Abstract. This paper presents a computational tool for identifying best
purchase and sale triggers of financial assets based on three graphical
analysis techniques: candlesticks, whose objective is the perception of
reversing trends (high or low) or continuity ones in the prices; stop, tool that
protects your investment in case of identification error of signals, and support
and resistance lines, which are values on which the asset price tends not to be
exceeded. An artificial neural network is used to predict future values with the
intention of confirming the signals. The methodology is validated by
simulating purchases and sales only at the instants specified by the algorithm,
using historical series of the stock exchange.
Resumo. Este artigo apresenta uma ferramenta computacional para
identificao de melhores gatilhos de compra e venda de ativos financeiros
baseada em trs tcnicas da anlise grfica: candlesticks, cujo objetivo a
percepo de tendncias de reverso (de alta ou de baixa) ou de continuidade
nos preos; stop, ferramenta que protege o investimento em caso de erro nas
identificaes de sinais; e linhas de suporte e resistncia, valores nos quais o
preo do ativo tende a no ultrapassar. Uma rede neural artificial utilizada
para a previso de valores futuros com a inteno de se confirmar os sinais
emitidos. A metodologia validada simulando compras e vendas apenas nos
momentos indicados pelo algoritmo, utilizando sries histricas da bolsa.
1. Introduo
De forma dispare h duas correntes de pensamento no mercado de investimentos de
ativos financeiros. A primeira e com amplo nmero de adeptos no meio acadmico, a
anlise fundamentalista, que concentra seus estudos nos fatores que afetam as situaes
de oferta e demanda de um mercado, com o objetivo de determinar o valor intrnseco de
um ativo (Chaves, 2004). Por meio de tal avaliao, o analista capaz de comparar os
preos encontrados com aqueles praticados pelo mercado e assim classific-los em sobre
avaliado, subavaliado ou condizente com o valor de mercado. Em vista disso, a anlise
fundamentalista define qual o ativo deve ser vendido ou comprado.
J a segunda corrente, de grande afeio dos profissionais de mercado, a
anlise tcnica, que firma seus estudos no comportamento histrico do mercado para
determinar o estado atual ou as condies futuras do mesmo (Murphy, 1986). O analista
-
tcnico observa tendncias de tal comportamento e avalia a reao do mercado a elas.
Em sua essncia, a anlise tcnica assume que os mercados exibiro comportamentos
futuros que so condizentes com o passado, ou seja, o tcnico se orienta pela repetio
de padres de comportamento do mercado. A anlise tem como objetivo a previso de
movimentao de preos, orientando a entrada ou sada do mercado.
De acordo com Rotella (1992), a anlise fundamentalista inerentemente
proftica, pois o analista faz projees que objetivam encontrar equaes futuras para as
curvas de oferta e demanda do mercado. O fundamentalista frequentemente visa obter o
dueto: causa e efeito de uma varivel e seus impactos sobre o mercado, ou seja,
preocupam-se em definir o motivo pelo qual os preos se direcionaro no futuro. Rotella
(1992) destaca que a anlise tcnica pode ser usada tanto de maneira reativa como
proftica. No primeiro mtodo, o analista responde a uma situao ocorrida. J atravs
do segundo mtodo, o tcnico tentar antecipar o que pode ocorrer no futuro, segundo
suas observaes do mercado. Segundo Rotella (1992), a premissa bsica para a anlise
tcnica est no fato de que todos os fatores que, direta ou indiretamente, afetam o
mercado, como as informaes fundamentalistas, comportamento emocional ou leis
naturais, so refletidos nas duas principais fontes para a anlise: o preo e volume
praticados pelo mercado.
Utilizando ferramentas da anlise tcnica, o presente trabalho objetiva prever
melhor os momentos de compra e venda atravs de candlesticks, uma tcnica japonesa
de reconhecimento de padres em sries temporais financeiras, com o suporte de
previses realizadas atravs de redes neurais. Dessa maneira, reconhecido um padro
indicativo de tendncia atravs dos candles, uma rede neural chamada para realizar a
previso do valor do ativo trs dias aps o indicativo fornecido. Caso a rede neural
confirme a tendncia indicado pelos candles, um sinal enviado para o investidor. Alm
disso, outras ferramentas da anlise tcnica so utilizadas, como as linhas de resistncia
e suporte e o stop. Caso sejam identificadas linhas de resistncia ou suporte, enviado
um sinal de compra ou de venda para o investidor no momento que o preo atingir o
valor identificado. No caso do stop, caso o preo atinja o seu valor determinado
automaticamente no momento da compra, um sinal de venda automaticamente
enviado.
Nessa mesma vertente, Mizuno et al (1997) propuseram a utilizao de redes
neurais para determinar melhores momentos de compra e venda. A previso da rede
neural servia como auxlio a medias mveis, outra ferramenta da anlise tcnica.
Marques (2009) apresenta um procedimento para a parametrizao do indicador de
anlise tcnica do mercado financeiro chamado Moving Average Convergence
Divergence (MACD), propondo a criao de uma nova ferramenta de auxlio tomada
de deciso em investimentos O sistema desenvolvido ainda utiliza algoritmos genticos
na busca dos melhores fatores de alisamento que compem o MACD e incorpora uma
mquina de inferncia fuzzy de forma a tornar o indicador mais seguro nas ordens de
compra e venda. Ferreira (2009) prope um trading system que realiza a anlise grfica
aprendendo de forma autnoma a reconhecer padres em sries e determinando
automaticamente gatilhos de compra e venda de uma determinada ao. Em seu
trabalho, utiliza redes neurais na inteno de prever padres de candlesticks. Dessa
forma, no se limita apenas aos padres j catalogados, pois a rede neural pode prever
algum outro tipo de sequencias de candles que determinam algum padro.
-
Este trabalho est organizado da seguinte forma: a Seo 2 apresenta uma
reviso bibliogrfica com os principais conceitos, a Seo 3 explica a metodologia do
trabalho, a Seo 4 apresenta os resultados e sintetiza algumas concluses, e a Seo 5
faz as consideraes finais, apresentando sugestes de trabalhos futuros.
2. Reviso Bibliogrfica
2.1. Ferramentas da anlise tcnica
As ferramentas da anlise tcnica tm como objetivo comum indicar gatilhos de compra
ou de venda de ativos. O presente trabalho considera os candlesticks, as linhas de
resistncia e suporte e ainda o stop como proteo de investimento.
2.1.1. Candlesticks
De acordo com Elder (1993), os grficos de candlesticks, ou simplesmente candles, so
constitudos por fileiras de corpos que apresentam sombras em ambos os lados. O corpo
representa a distncia entre os preos de abertura e de fechamento de um ativo em um
determinado perodo. Se o preo de fechamento for maior que o preo de abertura, ento
o corpo ser branco; caso contrrio, o corpo do candle ser preto. O extremo livre da
sombra superior indica o preo mximo do dia e, por sua vez, o extremo livre da sombra
inferior representa o preo mnimo do dia.
Figura 1. Representao grfica de um candle.
Nison (1991), considerado o introdutor das tcnicas de candlestick no ocidente,
relata que estes surgiram no Japo Feudal, desenvolvidas por Munehisa Homma, filho
de uma rica famlia de produtores. Ainda hoje os grficos de candlesticks so muito
utilizados e sua principal finalidade de prever tendncias de preos (Ferreira, 2009).
2.1.2. Indicao de tendncia atravs de Candlesticks
No fim do sculo passado surgiram vrios estudos no Ocidente analisando a capacidade
dos candles de retratar o andamento do mercado. Foram identificadas sequncias que,
historicamente quando apareciam, indicavam forte tendncia de previso. Um dos
-
estudos mais conhecidos foi realizado por Nison (1991), em que mais de 50 padres de
candles so identificados e explicados, servindo de base para o presente trabalho.
Por exemplo, um corpo preto significa que o preo esteve em queda no perodo
analisado, pois a abertura foi maior que o fechamento. Um corpo branco mostra o
contrrio, o mercado est em crescimento, pois o fechamento foi maior que a abertura.
Candles pequenos, ou seja, valor mximo prximo do valor mnimo indica que houve
pouca movimentao nesse ativo durante o perodo analisado.
Entretanto, a maioria dos padres de identificao de tendncia composta por
mais de um candle. importante ressaltar que os candles so desenhos que contm
informaes sobre as movimentaes no perodo analisado, dessa forma, os padres
identificados atravs dos candles so nada mais do que identificaes analisadas no
prprio mercado, dessa forma cada padro pode ser explicado atravs do que aconteceu
com o mercado de aes. A figura 2 contm alguns exemplos de padres que sero
explicados a seguir. O engolfo de alta quando, aps um momento de queda, o valor do
ativo no perodo analisado possui uma abertura inferior ao candle anterior, sinalizando
que a queda provavelmente continuaria. Porm, no fim do perodo, o fechamento
ultrapassa o valor inclusive da abertura do dia anterior, isto , as movimentaes
daquele perodo foram capazes de reverter a tendncia de queda e subiram o preo do
ativo. Essas caractersticas indicam que, provavelmente o preo ir subir, pois as
movimentaes conseguiram parar a queda que vinha acontecendo. O engolfo de baixa
segue a mesma explicao que o engolfo de alta, porm, ocorre aps um mercado em
alta e indica tendncia de queda. J o beb abandonado mostra que aps uma queda de
preo, as compras se equipararam s vendas, estabilizando o preo. Esse equilbrio entre
compras e vendas significa que a abertura e o fechamento possuem valores prximos, o
que mostrado pelo segundo candle do beb abandonado. Aps isso, o mercado comea
a subir, e possivelmente continuar assim, pois finalmente as compras conseguiram se
sobressair s vendas. O beb abandonado de baixa segue a mesma explicao do beb
abandonado, porm, ocorre aps um perodo de alta e indica tendncia de baixa.
Figura 2. Alguns padres de candlesticks
A ideia , a cada padro associar um indicativo de reverso ou continuidade de
tendncia, de modo que a identificao de uma futura tendncia de alta gera sinais de
compra e a identificao de futura tendncia de baixa gera sinais de venda.
Cada padro possui sua prpria eficincia de acerto, assim como sua frequncia de
aparecimento. Dessa forma, alguns se tornam mais confiveis para a tomada de deciso,
enquanto outros precisam de outras formas de confirmao. Nison (1991) mostra em seu
livro essa frequncia e eficincia, medida atravs de inmeros estudos com milhares de
dados. importante ressaltar que todos os padres, segundo o livro e tambm atravs
-
dos testes, possuem eficincia maior que 50%, ou seja, acertam mais previses do que
erram.
2.1.3. Stop
O conceito de stop muito utilizado no mercado financeiro devido sua grande
capacidade de reduzir perdas (Espindola, 2011). O stop uma ferramenta que realiza a
venda do ativo quando o preo da ao ultrapassar o preo pr-determinado pelo cliente
como preo de disparo da ordem. Esse preo geralmente corresponde de 5% a 10% de
perda do valor original do ativo. Dessa maneira, caso ele ultrapasse, o stop ser utilizado
e o ativo ser vendido.
O objetivo do seu uso, num primeiro momento, resguardar o capital mesmo
que com uma pequena perda, para que se possa voltar ao mercado em outro momento.
Num segundo momento, se a operao inicial estiver evoluindo favoravelmente, sua
funo passa a ser a de proteger uma parte dos lucros auferidos at ento (Noronha,
1995).
2.1.4. Linhas de suporte e de resistncia
Segundo Noronha (1995), suportes so nveis de preos onde as compras feitas pelos
investidores so fortes o suficiente para interromper durante algum tempo e,
possivelmente, reverter um processo de queda, gerando um ponto de retorno. J
resistncias so nveis de preos onde as vendas feitas pelos investidores podem gerar
um processo de subida. Dessa maneira, as linhas de suporte e resistncia atuam como
valores provveis de mudana de tendncia do mercado, se tornando momentos
interessantes para a realizao de transaes.
O valor do ativo pode, porm, ultrapassar esse valor, geralmente acarretando
uma extino desse valor de resistncia ou suporte antigo, e possibilitando a criao de
uma nova barreira. Um ponto importante que os analistas tcnicos costumam ressaltar
que quando uma resistncia ou um suporte rompido existe uma tendncia destes
pontos se reverterem, ou seja, no caso de um suporte este poder virar uma resistncia e
vice-versa. Entretanto, a significncia ser to relevante quanto mais significante for o
rompimento.
2.2. Redes neurais artificiais
2.2.1. Definio
Redes neurais artificiais so modelos matemticos e computacionais que se assemelham
s estruturas neurais biolgicas, com capacidade de aprendizado e generalizao, que se
do pela adaptao e otimizao de parmetros ao meio externo (Braga et al., 2007). Os
neurnios so unidades de processamento que aps realizar operaes matemticas com
os valores recebidos, sejam de entrada ou de camadas anteriores, propagam o sinal,
valor ajustado, para que a rede retorne uma sada calculada.
O aprendizado da rede neural pode ser obtido de trs formas distintas de
treinamento: supervisionado, por reforo e no supervisionado. As redes neurais mais
utilizadas: Perceptron, ADALINE e MLP (Multilayer Perceptron) realizam sua
aprendizagem por treinamento supervisionado, em que existem resultados desejados que
-
sero comparados com os calculados para a realizao do ajuste dos pesos nos
neurnios. O algoritmo utilizado para o aprendizado deve adaptar os parmetros (pesos)
buscando convergir para um resultado dentro um nmero finito de iteraes, que
significa dar a modelagem mais precisa possvel ao problema estudado, observada sua
complexidade (Haykin, 2001).
2.2.2. Rede Recorrente de Elman
A Rede Elman, ou rede recorrente simples, descrita em Elman (1990), uma rede onde
a realimentao capacita a realizao de tarefas que se estendem no tempo. Esta
caracterstica as torna uma opo para anlise de sries temporais, j que h a
capacidade de memorizao. Na rede Elman ocorre a recorrncia de sinais, pois alm do
fluxo de sinais da camada de entrada para a camada de sada, h fluxo de sinais que
realimentam as entradas, ou seja, o sinal de sada tomado como entrada em dado
ponto. Os neurnios ocultos contm conexes recorrentes para uma camada de unidades
de contexto que consiste de atrasos unitrios, e assim, tm um registro das suas
ativaes passadas, o que capacita a rede a realizar tarefas que se estendem no tempo.
Nas redes de Elman o estado interno da rede (contexto) em um determinado
instante depende de duas coisas: da entrada da rede no momento considerado e no
instante anterior. O papel das unidades de contexto fornecer memria dinmica rede,
pois a camada de contexto tem a capacidade de codificar toda a informao de entrada
desde o comeo da sequncia apresentada rede (Stoianov, 2001). Essa memria de
grande profundidade e pouca resoluo: as unidades de contexto conservam um registro
exponencialmente decrescente do valor anterior de sada dos neurnios da camada
oculta da rede (Koskela et al, 1996).
Dessa forma, redes do tipo recorrente so de particular interesse na previso de sries
temporais, j que a capacidade de realimentao possibilita a elas o reprocessamento
dinmico do erro destas sadas.
2.2.3. Uso de redes neurais em finanas
Devido a sua alta capacidade de previso em geral, as redes neurais tm sido utilizadas
tambm na rea de finanas. Por exemplo, Matsumoto (2008) utilizou informaes
financeiras e contbeis com o objetivo de classificar a rentabilidade futura das empresas
em ruim mdia ou tima. Segundo ele, os experimentos realizados evidenciam que as
redes neurais geram resultados satisfatrios e melhores que os modelos de regresso
linear e logstica. Neto (2008) verificou a utilizao de prottipos de vrios modelos de
redes neurais para a previso de cotaes, e mostrou a relevncia da utilizao de sries
exgenas para melhoras na preciso das previses geradas por redes neurais.
Hanaoka et al. (2011) discutem a possibilidade de sries financeiras
apresentarem ligeira previsibilidade, atravs de tcnicas de deteco de caos, refutando a
pura aleatoriedade embasada pela Hiptese do Mercado Eficiente. Em seu trabalho,
foram realizados testes com as redes neurais MLP, Narxnet e Elman para a previso de
valores futuros de um ativo da bolsa de valores, sendo que esta ltima foi a rede que
obteve melhores resultados. J Zanetti Jr. e Almeida (1998) avaliaram a capacidade das
redes neurais em prever o retorno das aes da Telebrs, mas concluram que a grande
intensidade de oscilaes dirias dificultou a adequao do modelo.
-
3. Metodologia
Buscou-se com o presente trabalho desenvolver uma ferramenta computacional de apoio
compra e venda de ativos de uma carteira de investimentos usando a tcnica dos
candlesticks, com o auxlio de previses de preos futuros feitas por uma rede neural
recorrente Elman. Como complementao, utiliza sinais de stop e anlise das linhas de
resistncia e suporte da srie no perodo analisado.
A fim de validar a metodologia proposta, foram feitas simulaes utilizando um
banco de dados contendo 3902 valores de fechamento, abertura, mximo e mnimo de
cinco ativos da BOVESPA (PETR4, VALE5, ELET6, USIM5, CMIG4),
correspondentes ao perodo entre 02/01/1995 at 28/12/2010 (contabilizando um total
de 3902 dados). O software comercial MATLAB foi utilizado para realizao de todos
os clculos e programas. Foram realizados 13 testes utilizando 300 dados para cada
ativo, percorrendo assim um total de 3900 dias para cada ativo. Cada simulao
corresponde aproximadamente a um ano de bolsa de valores aproximadamente, pois se
descontam os dias que a bolsa no abre (feriados, sbados e domingos).
Primeiramente, realizado o clculo das partes dos candles: sombra superior,
sombra inferior e corpo, prosseguindo com a classificao dos mesmos, identificando a
qual grupo ele pertence, bem como os padres de reverso de tendncias, de acordo com
a sequncia dos candles necessria (catalogada) para a formao de cada padro. Neste
trabalho foram utilizados 20 padres conhecidos, sendo escolhidos os padres mais
frequentes na prtica. A identificao de uma futura tendncia de alta gera sinais de
compra, e a identificao de futura tendncia de baixa gera sinais de venda. A cada dia
que os padres de tendncia so identificados, uma rede neural solicitada para prever o
valor de trs dias posteriores. Caso a rede preveja o mesmo que a anlise dos candles,
criado um sinal de compra ou venda.
So realizados experimentos utilizando rede neural recorrente de Elman, com
duas camadas intermedirias de trs neurnios cada, taxa de aprendizado de 0,1, e os 14
dias anteriores como treinamento. Como entrada da rede utiliza-se o fechamento dos
dias anteriores, para obter como sada a abertura de trs dias posteriores. As funes de
ativao utilizadas foram sigmoidal logstica para a 1 camada intermediaria, tangente
hiperblica para a 2 camada intermediaria e linear para a camada de sada. Para efeitos
de validade estatstica, so realizados 30 experimentos e o sinal aceito caso seja
confirmado em pelo menos 80% dos testes.
Como forma de proteger o investidor em caso de algum sinal de transao
equivocado o programa utiliza o stop, conceito muito utilizado no mercado financeiro.
O valor do stop definido automaticamente no ato da compra dos ativos, considerando
90% do valor do ativo no momento da compra. Dessa forma, caso ocorra uma queda no
preo que atinja esse valor determinado, um sinal de venda enviado. Vale ressaltar que
o preo do stop varia com o aumento do ativo. Isto , caso o preo do ativo estivesse em
R$ 20,00 no momento da compra, mas cresceu para R$ 30,00 em uma semana, o valor
do stop passa a ser 90% dos R$ 30,00, e no dos R$ 20,00 do momento da compra. Por
fim, o programa utiliza a ferramenta chamada linha de resistncia e linha de suporte, que
consiste em algum valor de preo que um ativo tende a no ultrapassar. Essa
ferramenta foi introduzida criando-se um algoritmo que identificava os mnimos e
mximos locais e comparava-os com os anteriores, dessa forma, quando era identificado
-
um valor comum, esse valor tornava-se uma linha de resistncia ou de suporte em
potencial. Assim, caso o preo volte a atingi-las, um sinal de venda ou de compra
enviado para o programa.
O programa implementado simula transaes de compra e venda ao receber os
sinais, comprando ou vendendo em uma porcentagem determinada pela previso da rede
(quanto mais testes confirmarem, maior a porcentagem) e pelo estudo da eficincia dos
candles (quanto maior a eficincia histrica, maior a porcentagem). De posse desses
sinais de compra e venda, de stop e das linhas de resistncia, foi feito o experimento
reproduzindo um investidor durante um intervalo de tempo especificado, comprando e
vendendo apenas ao receber esses sinais. O programa tem como parmetros de entrada
um valor em dinheiro, uma quantidade de aes, porcentagem para stop e um fator de
investimento, que ser explicado posteriormente. Na sada, o programa retorna o
dinheiro total, correspondente quantidade de dinheiro que sobrou mais o valor das
aes no ltimo dia, o lucro total, e ainda faz algumas comparaes com outros
investimentos, comparando caso o dinheiro fosse aplicado em renda fixa, e comparando
caso no fosse realizada nenhuma transao, ou seja, merc da valorizao das aes,
investimento realizado por muitos investidores. Para efeito de comparao, foram
realizados testes sem utilizar a rede neural como filtro das informaes dos candles.
O principal parmetro de entrada do programa um fator de investimento entre 0
e 1, que representa o perfil de risco/lucro do investidor. Quanto mais prximo de 1, mais
o investidor busca apenas a valorizao do seu ativo, no preocupando com o risco. Este
fator de investimento multiplicado pela eficincia histrica do padro identificado e
pela porcentagem de previso da rede. Esse resultado gera a porcentagem de compra ou
venda do ativo. Por exemplo, caso o investidor tenha entrado com um fator de
investimento de 50%, a eficincia histrica do padro identificado seja de 80% e a rede
tenha confirmado o sinal em 95% das vezes, o programa efetuar a compra de ativos
com 38% do dinheiro ou a venda de 38% de aes.
importante ressaltar que o programa simula um investidor real, uma vez que
em momento algum so utilizados dados do momento de compra ou de venda, bem
como de dias posteriores: as decises so tomadas considerando-se apenas os valores
anteriores de abertura, fechamento, mximos e mnimos.
4. Resultados e Concluses
Os resultados representam a mdia das 13 simulaes realizadas para cada ativo,
considerando a durao de cada uma como aproximadamente um ano de investimentos.
de se esperar que os valores apresentem um desvio-padro grande, pois cada ano de
um ativo possui momentos de compra e valores de preos diferentes entre si.
Inicialmente importante analisar o lucro obtido por cada tipo de investimento.
Para tal, foram considerados quatro investimentos diferentes. O primeiro representa os
lucros do programa utilizando a rede neural para validar os sinais dos candles, alm das
linhas de resistncia e suporte e do stop. O segundo indica os lucros obtidos utilizando
os candles, as linhas de resistncia e de suporte e o stop, ou seja, apenas no utiliza a
rede neural como auxlio s previses. O terceiro representa os lucros obtidos aplicando
o montante inicial (correspondente ao dinheiro inicial mais o dinheiro investido em
aes) em um investimento com renda fixa, simulando uma poupana (investimento 1).
-
Este um investimento muito utilizado por pessoas que temem a grande variao da
bolsa de valores, preferindo um investimento fixo e mais seguro. Para tal, foi
considerada uma taxa de 0,6% ao ms de rentabilidade. Finalmente, o quarto indica os
lucros obtidos aplicando o dinheiro no investimento de renda fixa, novamente taxa de
0,6% ao ms, e no fazendo movimentaes com as aes, ou seja, deixando as aes
merc de sua valorizao (investimento 2). Esse investimento tambm feito por muitos
investidores da bolsa de valores, que por no terem tempo ou conhecimento acabam
comprando aes e no efetuando transaes. A Tabela 1 mostra a mdia dos 13
resultados de 300 dias para cada investimento, e tambm seu desvio padro. O montante
inicial totalizou R$ 2.000,00 sendo R$ 1.000,00 como dinheiro e outros R$1.000,00
investidos em aes.
Tabela 1. Mdia e desvio-padro de lucro dos investimentos em quarto
cenrios, para cinco ativos da Bolsa. A primeira linha representa a mdia, e a
segunda o desvio-padro, ambos em porcentagem do valor inicial investido.
Ativos CMIG4 ELET6 PETR4 USIM5 VALE5
Lucro utilizando o algoritmo
(mdias e desvios)
12,58% 5,05% 9,20% 8,98% 17,24%
18,36% 13,22% 10,39% 26,65% 20,73%
Lucro sem RNA (mdias e
desvios)
9,34 % 5,19% 8,22% 6,84% 14,85%
15,25% 17,03% 10,15% 20,01% 19,07%
Lucro Investimento 1 (mdias e
desvios)
6,14% 6,14% 6,14% 6,14% 6,14%
0% 0% 0% 0% 0%
Lucro Investimento 2 (mdias e
desvios)
9,91% 5,27% 7,46% 6,43% 13,45%
14,19% 8,28% 14,84% 17,82% 16,37%
Atravs dos resultados pode-se concluir que o algoritmo criado obteve, em
mdia, melhores resultados comparados aos outros investimentos. Apenas no ativo
ELET6 os investimentos comparados foram, em mdia, superiores ao algoritmo. O
desvio padro apresenta valores bastante elevados, pois os lucros variam dependendo do
perodo analisado. Ainda que nem sempre o algoritmo tenha se mostrado superior aos
outros investimentos, em mdia, em 75% das vezes se apresentou melhor que o
investimento 1, e em 70% das vezes em relao ao investimento 2.
Estes resultados j indicam uma melhora com a utilizao da rede neural, uma
vez que ela filtra os sinais enviados pelos candles, eliminando sinais que no coincidem
com a previso. Com isso, o nmero de transaes realizadas ao utilizar a rede sempre
menor ou igual a quando no se utiliza. Esse detalhe importante, pois cada transao
possui um custo de corretagem e impostos, por isso interessante tentar reduzir as
transaes sem reduzir o lucro. Por isso calculado a mdia de lucro por cada transao,
resultado que mostra qual foi o lucro mdio a cada transao, que mostrado na Tabela
2. Estes resultados acima evidenciam ainda mais a melhora do lucro com a utilizao da
rede neural. As transaes se mostram mais eficientes, j que aquelas sugeridas pelo
candle e certificadas pela rede neural em geral trazem maior lucratividade.
-
Tabela 2. Mdia e desvio-padro de lucro por cada transao. A primeira linha
representa a mdia, e a segunda o desvio-padro.
Ativo CMIG4 ELET6 PETR4 USIM5 VALE5
Lucro por transao
utilizando o algoritmo
(mdias e desvios)
R$ 42,55 R$ 16,79 R$ 60,14 R$ 63,35 R$ 117,80
R$ 64,26 R$ 50,11 R$ 94,30 R$ 88,53 R$ 74,55
Lucro por transao sem
RNA (mdias e desvios)
R$ 23,37 R$ 9,68 R$ 29,01 R$ 32,56 R$ 64,08
R$ 38,50 R$ 44,43 R$ 39,54 R$ 113,26 R$ 130,29
Por fim, foi verificada a eficincia de cada sinal enviado pelo candle, ou pelo
candle certificado pela rede neural. Para estudar essa eficincia foi considerado um
intervalo de trs dias. Aps tal perodo, uma comparao feita com o dia em que
apareceu o sinal. Sinais de venda significam que o preo ir cair, e sinais de compra que
o preo ir subir. Dessa maneira, calculam-se quantas vezes os sinais acertaram e
quantas erraram, gerando assim uma eficincia de acerto, mostrada na Tabela 3.
Tabela 3. Mdia e desvio-padro das eficincias do algoritmo. A primeira linha
representa a mdia, e a segunda o desvio-padro.
Ativos CMIG4 ELET6 PETR4 USIM5 VALE5
Mdia das eficincias do algoritmo
(mdias e desvios)
75,6% 79,6% 85,6% 79,0% 72,9%
15,2% 12,8% 13,9% 22,3% 26,3%
Mdia das eficincias sem RNA
(mdias e desvios)
69,1% 84,0% 80,2% 69,8% 71,1%
17,8% 27,5% 13,2% 21,2% 23,1%
destacvel que a mdia da eficincia da previso do programa sempre
superior a 50%, inclusive sendo superior a 75% em quatro dos cinco ativos. Isso indica
que, em um intervalo de trs dias, a previso feita pelos candles e pela rede neural
acertou trs vezes mais do que errou. Apenas em um ativo a eficincia do algoritmo foi
inferior eficincia apenas utilizando candle. importante ressaltar que os sinais
enviados pelos candles so de reverso, por isso esse resultado de eficincia se mostra
bastante satisfatrio, uma vez que as previses feitas, em sua grande maioria vo contra
a tendncia do mercado at aquele momento, mostrando uma grande capacidade de
previso da rede neural mesmo em um momento de reverso de tendncia, se o
treinamento realizado for bem sucedido.
5. Consideraes Finais
O estudo dos candlesticks tm se mostrado bastante eficiente e popular. Utilizar uma
inteligncia computacional para se aliar ao estudo histrico dos movimentos nas bolsas
de valores algo interessante e, sem dvidas, existem vrias formas de concili-las.
Atravs deste trabalho foi possvel concluir que esta combinao bastante proveitosa,
j que se mostrou superior a outros investimentos realizados pelos investidores em
geral, e em todos os testes, foi superior ao estudo utilizando apenas os candles. Ainda
necessrio adicionar os valores de custos de transaes na bolsa de valores.
-
Dessa forma, um dos projetos futuros a integrao da metodologia a outras
tcnicas de inteligncia artificial, como por exemplo, o uso de algoritmos genticos para
a identificao de porcentagens timas. Outra possibilidade a montagem de uma
carteira de investimentos on-line, com as transaes sendo realizadas no mercado
diariamente. Por fim, existem diversas ferramentas da anlise tcnica que podem ser
integradas e verificadas atravs de uma previso de rede neural, sendo assim
interessante integrar outras formas de indicativos de tendncias da anlise tcnica.
Agradecimentos
Os autores agradecem ao CEFET-MG e s agncias FAPEMIG, CAPES e CNPq pelo
apoio financeiro recebido.
Referncias
Braga, A. de P. e Carvalho, A. C. P. de P. L. F. de, Ludemir, T. B. (2007) Redes
neurais artificiais: teoria e aplicaes, 2 ed., LTC, Rio de Janeiro, Brasil.
Chaves, D. A. T. (2004), Anlise tcnica e fundamentalista> divergncias,
similaridades e complementariedades, Monografia, So Paulo, Brasil.
Economatica (2012), http://www.economatica.com, Janeiro.
Elder, A. (1993), Trading for a living, John Willey & Sons Inc..
Elman, J. (1990), Finding structure in time, Cognitive Science.
Espindola, R. (2011), Estratgia de venda coberta de opes dentro do dinheiro no
mercado acionrio brasileiro. Monografia, Florianpolis, Brasil.
Ferreira, L. N. (2009), Um trading system autnomo baseado em redes neurais
Artificiais, Monografia, Lavras, Brasil.
Hanaoka, G. P., Barroso, B. C., Paiva, F. D., Cardoso, R. T. N. (2011), Um estudo
comparativo utilizando Redes Neurais na previso de tendncias em sries temporais
financeiras para composio tima de carteiras, em Encontro Mineiro de Modelagem
Computacional, Brasil.
Haykin, S. (2001), Redes Neurais: princpios e prtica, 2 ed., Bookman, Porto
Alegre, Brasil.
Investmax (2011), Introduo do modelo grfico Candlestick,
http://www.investmax.com.br/iM/content.asp?contentid=628, Junho.
Koskela, Timo et al. (1996), Times series prediction with multilayer perceptron, FIR
and Elman neural networks In: Proceedings of the World Congress on Neural
Networks, INNS Press.
Marques, F. C. R.; Gomes, R. M.; Almeida, P. E. M. (2009) Maximizao de Lucros
em Investimentos: uma abordagem a partir do MACD com emprego de algoritmos
genticos e lgica fuzzy, IX Congresso Brasileiro de Redes Neurais / Inteligncia
Computacional (IX CBRN), Brasil.
-
Matsumoto, E. Y. (2008) Aplicao de Redes Neurais na Classificao de
Rentabilidade Futura de Empresas. Dissertao (Mestrado em economia). Fundao
Getlio Vargas, So Paulo, Brasil.
Mizuno, H., Kosaka, M. and Yajima, H. (1997), Stock Market Prediction System
Based On Technical Analysis of Stock Index Using Neural Network,in Proceedings of
the 15th IMACS World Congress on Scientific Computation, Modelling and Applied
Mathematics (IMACS '97).
Murphy, J. (1996) Technical Analysis of the Future Markets, New York Institute
Finance, New York, USA.
Neto, A. M. C. de. (2008) Previso Sries Temporais Usando Sries Exgenas e
Combinao de Redes Neurais Aplicada ao Mercado Financeiro, Dissertao
(Mestrado em cincia da computao). Universidade Federal de Pernambuco,
Pernambuco, Brazil.
Nison, S. (1991), Japanese candlestick charting techniques, New York Institute of
Finance, New York
Noronha, M. (1995), Anlise Tcnica: Teorias, Ferramentas, Estratgias, Editec, Rio
de Janeiro, Brazil.
Rotella, R. P. (1992), The Elements of Successful Trading, Institute of Finance Simon
& Schuster, New York, USA.
Stoianov, I. (2001), Recurrent neural networks: design and applications, Boca Raton:
CRC Press.
Zanetti Jr, L. A. Almeida, F. C. de. (1998), Explorao do Uso de Redes Neurais na
Previso do Comportamento de ativos Financeiros. In: III Semead, Univeridade de So
Paulo, So Paulo, Brazil.