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

{bbarrosobh@gmail.com, gustavopph@gmail.com, fpaiva@dcsa.cefetmg.br,

rodrigoc@des.cefetmg.br}

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.