LEONARDONASCIMENTOFERREIRA

UMTRADINGSYSTEMAUTNOMOBASEADOEMREDESNEURAIS

ARTIFICIAIS

Monografia de Graduao apresentada aoDepartamentodeCinciadaComputaodaUniversidadeFederaldeLavrascomopartedas exigncias do curso de Cincia daComputao para obteno do ttulo deBacharelemCinciadaComputao.

Orientador

Prof.CristianoLeitedeCastro

LAVRASMINASGERAISBRASIL

2009

LEONARDONASCIMENTOFERREIRA

UMTRADINGSYSTEMAUTNOMOBASEADOEMREDES

NEURAISARTIFICIAIS

Monografia de Graduao apresentada aoDepartamentodeCinciadaComputaodaUniversidadeFederaldeLavrascomopartedas exigncias do curso de Cincia daComputao para obteno do ttulo deBacharelemCinciadaComputao.

APROVADAem______de________de_________.

______________________________________Prof.ThiagodeSouzaRodrigues

______________________________________Prof.WilianSoaresLacerda

_________________________________Prof.CristianoLeitedeCastro

(Orientador)

LAVRASMINASGERAISBRASIL

2009

Aosmeuspais,SilvanaeLudgero

SUMRIO

ListadeFiguras................................................ 6

ListadeTabelas................................................ 8

Resumo.....................................................

9

1.Introduo..................................................

10

2.ReferencialTerico............................................132.1AnliseTcnica.......................................13

2.1.1AteoriadeDow............................... 142.1.2Omercadodescontatudo........................142.1.3Astendnciasdemercado.......................142.1.4Tendnciasdivididaemtrsfases................. 15

2.2GrficosdeCandlesticks................................162.3Indicadorestcnicos...................................20

2.3.1ndiceestocstico..............................212.4RedesNeuraisArtificiais................................

23

2.4.1Oneurnioartificial............................252.5TreinamentodoPerceptron..............................27

2.5.1OTreinamento................................272.5.2OAlgoritmo..................................292.5.3Momento....................................30

2.6PerceptrondeMltiplasCamadas.........................322.6.1Histrico.....................................322.6.2RedesdeNeurnios............................332.6.3Topologias...................................33

2.7TreinamentodeRedesPerceptron.........................362.7.1Introduo....................................362.7.2TiposdeTreinamento...........................372.7.3Treinamentoparaperceptrondemltiplascamadas...392.7.4Definiesdearquiteturaeparmetros.............41

2.8Trabalhoscorrelatos....................................

42

4

3.Metodologia..................................................433.1Introduo........................................... 433.2OParser.............................................44

3.2.1Processamento................................ 443.2.2Rotulao....................................453.2.3Armazenamento...............................463.2.4Normalizao.................................473.2.5Funcionamento................................47

3.3RedeMLP...........................................483.3.1Topologia.................................... 483.3.2FunodeAtivao............................493.3.3DefiniodeParmetros........................ 503.3.4Algoritmodetreinamento....................... 503.3.5Validao.................................... 50

3.4Tecnologia........................................... 513.4.1Implementao................................513.4.2FrameworkJOONE............................

51

4.Resultados...................................................534.1TradingSystem....................................... 534.2Teste................................................ 55

5.Concluso...................................................58

6.RefernciasBibliogrficas...................................... 61

AnexoA...................................................... 63

AnexoB...................................................... 65

5

LISTADEFIGURAS

Figura1 Candles............................................ 17

Figura2 Exemplosdegrficodecandlesticks..................... 17

Figura3 Candlesdediferentestamanhos......................... 18

Figura4 Candlessemsombra.................................. 19

Figura5 Padresqueprevemtendnciadealta.................... 19

Figura6 Padresqueprevemtendnciadebaixa.................. 20

Figura7 Grficodetemperaturaepressoparadiashistricos,contendoaretadeseparaodeclasses........................... 24

Figura8 Funcionamentodoneurnioartificial.....................25

Figura9 Problemanolinearmenteseparvel......................28

Figura10 Tempodeaprendizadosemmomento(esquerda)ecommomento(direita).................................... 31

Figura11 Aprendizadosemmomento(direita)ecommomento(esquerda).................................. 31

Figura12 Altataxademomentopodeprejudicartreinamento.......... 32

Figura13 NomenclaturaparaascamadasdasRedesdeNeurnios......34

Figura14 Redefeedforwarddenicacamada.......................35

Figura15 Redefeedforwarddemltiplascamadas...................35

Figura16 Exemploderederecorrente............................ 36

Figura17 Aprendizadosupervisionado............................ 38

Figura18 Aprendizadonosupervisionado........................ 38

Figura19 Aprendizadocomreforo.............................. 39

Figura20 FasesdoalgoritmosBackpropagation.................... 40

Figura21 AlgoritmoBackpropagation............................ 40

Figura22 Fluxogramadefuncionamentodosistema................. 43

6

Figura23 Representaodajaneladetemporotuladasalvaemarquivo.. 46

Figura24 EstruturadaRNAutilizada............................. 49

Figura25 Criao,treinamentoevalidaodeumaRNAutilizandooframeworkJOONE...................................

52

Figura26 Telaprincipaldosoftwaredesenvolvido...................54

7

LISTADETABELAS

Tabela1 Interpretaodoarquivodehistricodepreos.............. 45

Tabela2 Rtuloparapossveisclassificaodejaneladetempo........ 47

Tabela3 Aesprocessadas.................................... 56

Tabela4 ResultadosparadiferentestopologiasdeRNAediferentes

parmetros.......................................... 56

8

UMTRADINGSYSTEMAUTNOMOBASEADOEMREDESNEURAIS

ARTIFICIAIS

Resumo

Existemhojenomercadoinmerossistemaseletrnicosque,apartirdegrficoshistricosedadosatuais,conseguempreveratendnciadospreosdasaes. Essestradingsystemsfazemaanlise tcnicasdospreosobservandovriosndiceseprocurandoporpadresjconhecidosemsrieshistricas.Ograndeproblemacomessessistemasquesolimitadosaoconhecimentodoespecialista o qual determinouos padres. Assim, utilizando Redes NeuraisArtificiais e grficos de Candlesticks, propemse a criao de um tradingsystemque faaa analise grfica, aprenda de formaautnomaa reconhecerpadresemsriesedetermineautomaticamentegatilhosdecompraevendadeumadeterminadaao.

Palavraschave:RedesNeuraisArtificiais;AnliseTcnica;Candlesticks.

ANAUTONOMOUSTRADINGSYSTEMBASEDONARTIFICIAL

NEURALNETWORKS

Abstract

Recently, several computational systems have used historical pricesseriesandeconomicindexestopredictsharepricesinstockmarket.Ingeneral,thesetradingsystemsarebasedontechnicalanalysistoolswhichpreprocessdatainordertofindbuyingandsellingpatterns.Theproblemofthisapproachisthatthesepatternsshouldbeindicatedbyspecialistsinstockmarket.Toovercomethis problem, we propose an autonomous trading systembased on ArtificialNeuralNetworks,candlesticksgraphsandstochasticindex.Ourtradingsystemisabletolearnpatternsbyitselfandautomaticallytopredictbuyingandsellingtriggersofaspecificshare.

Keywords:ArtificialNeuralNetwork;TechnicalAnalysis;Candlesticks;

1.INTRODUO

Comosurgimentodas bolsas devalores, inmerosestudos foramrealizados

afimdetentarencontrarexplicaesparaavariaodospreosdasaes,mas

especificamente, tentar obter lucro com a compra e venda das aes. A

princpio, acreditavase que esse comportamento era apenas reflexo de

acontecimentosreferentesaempresacomoporexemplo,anotciadedescoberta

deouroporumamineradoraprovavelmenteelevariaopreodopapel.Porm,a

menosqueoinvestidortenhaacessoainformaesprivilegiadas,muitodifcil

acompanhareprevernotciascomoessas.

No sculo XVIII, acreditase que um japons negociante de arroz

chamadoHommaMunehisa,inventouumgrficopararepresentaropreodas

aesconhecidocomoGrficodeCandlesticks.Essarepresentaopossibilitou

inmerosestudosmatemticos,masaindaseacreditavaquenoerapossvel,a

partirdegrficos,preverocomportamentodasaes.Pensavasequeoseventos

eramaleatrios.

NofinaldosculoXIX,ojornalistaamericanoCharlesHenryDowcriou

ateoria,quemaistardesustentouaAnliseTcnica.Essateoria,afirmaqueo

mercadodescontatudo,ouseja,emalgummomento,adescobertadeouropela

mineradoraserrefletidanosgrficosdepreo.Assim,passouseaacreditarque

todaaAnliseFundamentalista,aquelabaseadaemnotcias,estenglobadana

AnliseTcnica.

Com o passar do tempo e o avano nos estudos relacionados a

engenhariafinanceira,descobriusequeosgrficosdeCandlesticksfacilitavama

observaodepadresqueantecipavampontosdereversoouconfirmavama

tendncia dos preos. Alm desses padres, vrios indicadores, baseados

tambmemgrficosefrmulasmatemticas,foramcriadosparafuncionarem

como gatilhos, ou seja, para tentarem responder a pergunta que todos os

investidores gostariam de saber: Qual o melhor momento para comprar ou

venderumdeterminadopapel?

A resposta para essa pergunta ainda muito difcil de se descobrir,

pormcomosurgimentodoscomputadoreseainternet,ossistemaseletrnicos

aumentaram,deformasignificativo,ataxadeacertos.EssestradingSystems

viabilizaram o investimento almde popularizar o mercado entre pequenos

investidorestornandosepoderosasferramentasdeauxilioesuporteadeciso.

Sistemas de apoio tomada de deciso incorporam ferramentas

computacionaisparamineraodedados,previsoereconhecimentodepadres

comportamentaisdomercado.Dentreasferramentas,destacamse,noramoda

IntelignciaArtificial,asRedesNeuraisArtificiais(RNAs).RNAssomodelos

inspiradosnoaprendizadodosneurniosbiolgicosetmsidoextensivamente

utilizadasemaplicaesnareadepreviso(regresso)ereconhecimentode

padres. Especialmente, para o mercado de aes, inmeros trabalhos tm

reveladoaeficciadetalferramentacomoauxliodecisodoinvestidor.

No contexto de grficos de Candlesticks, Anlise Tcnica e RNAs,

propemseodesenvolvimentodeumtrandingsystemquefaaaanlisegrfica,

aprenda de forma autnoma a reconhecer padres em sries financeiras e

determineautomaticamenteospontosdereverso(gatilhosdecompraevenda)

paraumadeterminadaao.

Paraalcanaresseobjetivo,ser necessrioodesenvolvimentodeum

parserqueirpercorrerassriestemporaisearmazenarospadresdereverses

emumarquivoqueserutilizadocomoconjuntodetreinamentoparaumaRNA.

11

Aconstruodessesistemainteressantepoisaindanoseconheceum

sistema independente que utilize candlesticks. Apenas sistemas tutores e de

apoioadecisoforamimplementados.

12

2.REFERENCIALTERICO

Tendoemvistatodaaproblemtica,sevnecessrioumarevisobibliogrfica

abordandoosprincipaistpicoscitados.

2.1ANLISETCNICA

AAnliseTcnica,oestudodocomportamentodospreosdasaes

utilizandogrficos,porissotambmchamadadeAnliseGrfica[1].Apartir

desseestudo,muitasteoriassurgiramparatentarexplicarcomportamentoscomo

a reverso de tendncia nos preos. Vrios ndices, expressos em frmulas

matemticas, foram criados com o intuito de tentar prever e explicar

comportamentosnotadosnosgrficos.

AntesdosurgimentodaAnliseTcnica,acreditavasequesomenteera

possvel prever comportamento dos preos analisandoos fatos que ocorriam

envolvendo a empresa. Se a empresa est crescendo financeiramente

provavelmenteopreodasaes deveaumentar. Seumaempresapetrolfera

encontrarumpoodepetrleo,opreodoativodevesubir.Assim,umaanlise

interna da empresa feita estudando gastos, lucro, greves, fatores polticos,

notciasenvolvendoaempresaemgeral, afimdetentarobservarfatoresque

pudessemlevaraocrescimentoeconseqentemente,aoaumentodopreodo

papel.Esseestudo,tambmconhecidocomoAnliseFundamentalista,foiusado

durantemuitotempoeaindausado.Entretanto,tratasedeestudoespecficode

cadaempresa,sendomuitasvezesdifcildepreverouencontrarnotciascomo

essas.

2.1.1AteoriadeDow

OprincipalmotivoquedeuforaaAnliseTcnicaforamasteoriasdo

norteamericanoCharlesH.Dowqueapsrealizarestudosobrecomportamento

dospreosdasaesdabolsadeNovaIorque,levantoutrspontosprincipais

[1].Vejamossuasconcluses.

2.1.2Omercadodescontatudo

Issosignificaqueosndicesrefletemoconjuntodenegociaodetodos

osinvestidores,sejaesteuminvestidorleigoouumdetentordeumainformao

privilegiada. Conseqentementej estodescontadosnos ndicesinformaes

desconhecidas pelograndepblico. Voltandoaoexemplodamineradoraque

encontrou ouro, provavelmente os diretores da empresa seroos primeiros a

comprar aes da empresa, logo que possuem informao privilegiada em

relaoaosoutrosinvestidores.Issocomeaaelevarospreosantesmesmosdos

outrosinvestidoressaberemdanotcia.

Alm de informaes como essas, existem outros tipos de

acontecimentos que so imprevisveis. So exemplos as catstrofes naturais,

guerras,etc,quepodemgerarfortesoscilaesiniciaispormquecomopassar

dotempo,soabsorvidaspelomercado.

2.1.3Astendnciasdemercado

Astendnciassomovimentosnosgrficosondepredominouumadada

14

direo,sendoessadealtaoubaixanospreos.Elaspodemserobservadasem

diferentesespaosdetemposesoclassificadascomo:

Primrias:Sotendnciasobservadasemanos,porexemplo,1

ou2anos.

Secundrias: Esto contidas nas tendncias primrias e so

contadasemmesespodendosernotadasde2a5meses.

Tercirias: Possuem tempo menor e esto contidas nas

tendnciassecundriassendonotadasentresemanasedias.

Noexisteumnmeroexatoparadefiniroperodocorrespondentes

tendnciassendoanicaregraofatodastendnciasterciriasestaremcontidas

nassecundriaeessascontidasnasprimrias.

2.1.4Tendnciadivididaemtrsfases

Considerando uma tendncia de alta, desde o incio at o fim do

movimento,elapodeserdividaemtrsfases:

1fase:levealtanospreosdecorrentedacompradeaespor

investidores que provavelmente detm informaes

privilegiadas;

2fase:altamaisrpidarefletindoaentradasdosinvestidores

experientes;

3fase:perodoondeoinvestidorleigolevadopelaeuforiado

mercadoecompraaes.caracterizadoporgrandesaltasdo

preomasqueprovavelmenteseguidadereversodetendncia

15

quepercebidapeloinvestidorexperientequevendesuasaes.

Existem tambm3fases para a tendncia debaixaquenormalmente

ocorredepoisdeumatendnciadealta.Soelas:

1fase:iniciaquandooinvestidorexperientevendesuasaes;

2 fase: a incerteza do mercado faz comque os investidores

comecem a vender suas aes com receio de haver prejuzo

maior;

3fase:ondeosprejuzossoaltossendoseguidadereversode

tendncias.Nofimdessafaseoinvestidorexperientecompraa

aes.

2.2GRFICOSDECANDLESTICKS

OsgrficosdecandlestickssurgiramnoJapoduranteosculoXVIIIe

atribuise sua criaoaonegociante dearroz, Munehisa Honmaqueganhou

famarapidamentedevidoafacilidadedeobservaromovimentodospreosdas

aes[2].

OGrficoformadoporcandles,querepresentamospreosdeabertura,

mximo,mnimoefechamentodeumdadopapelduranteodia[2].Ocandle

formadoporumabarraindicandoospreosdeaberturaefechamento,podendo

tertambmumalinhavertical,chamadadesombra,querepresentaospreosde

mximoemnimo.Ocorpodo candle podeserformadoporduascores,uma

determinadiadealtaeoutrabaixanospreos.Nafigura1,podeseobservar

doiscandleseafigura3ilustraumexemplodegrficodecandlesticks.

16

Figura1Candles.

Figura2ExemplodegrficodeCandlesticks.Fonte:http://www.fxribafree.com/

17

DiadeAlta DiadeBaixa

AberturaFechamento

Mximo Mximo

Fechamento

MnimoMnimo

Abertura

Comopassardotempo,osacionistascomearamanotarpadresnos

grficos e comearam a uslos para tentar prever o comportamento das

tendncias,sejaeladequedanospreos,altaouconfirmaodequeatendncia

atualaindacontinuar. Comeouseentoatentarextrairinformaescontidas

no grfico e interpretlas para tentar entender a dinmica e motivos que

levavamquedaoualtadospreos.

Assim, vrios relaes e explicaes foram retiradas a partir das

observaeseestudos.Umadelasfoiadiferenaentreotamanhodoscandles,

observadanafigura4:

Figura3Candlesdediferentestamanhos.

Segundo[1],Osmenorescandlessignificampoucanegociaoeexibem

uma possvel estagnao do preo. Por outro lado, os candles maiores

significavam alto nmero de negociaes em um nico dia, mostrando a

instabilidadedopapelepossvelquedaoualtadopreo.

Outraconclusode[1]foirealizadaquandoobservadoosgrficossem

sombras (linhas verticais). Notouse que quando o valor de fechamento

correspondia tambmao valor de mximo, significava que os compradores

sobressaram, indicandoaltasdos preos. Afigura5exibedois candles sem

sombra.

18

Figura4Candlessemsombra.

Vrios outros padres foramencontrados, inclusivepadres formados

pormaisdeumcandleederamseaelesnomessugestivos,emsuamaioriade

origemjaponesa[1].Algunspadrespodemserobservadosnasfiguras6e7.

Hoje, os grficos de candlesticks ainda so muito utilizados e sua

principalfinalidadedeprevertendnciasdospreos.

Figura5Padresqueprevemtendnciadealta.Fonte:http://www.grafbolsa.com

19

Figura6Padresqueprevemtendnciadebaixa.Fonte:http://www.grafbolsa.com

2.3INDICADORESTCNICOS

Almdeobservaraformaouaparnciadogrficoafimdeencontrar

padres,diversospessoascriaramfrmulasmatemticasqueutilizavamdiversos

valoresdeentradapara tambmtentar prevercomportamentos. Essesvalores

geralmentesopreosdeabertura, fechamento, mximo,mnimo,volumede

negociaes,etc.Valoresestes,observadosemumadadajaneladetempo,que

serviamdeentradaparaumaequaomatemticaeresultavamemumindicador

queprincipalmentetentaprevercomportamentodospreos[3].

Essesindicadoresgeralmentevosendocalculadosnamesmafreqncia

em que o grfico de preo atualizado, ou seja, tomando o grfico de

candlestickdiriocomoexemplo,acadanovodiaumnovocandleadicionado

aogrfico,damesmaforma,ondicerecalculado,agoraincluindoessenovo

candle,obtendoassimovalordoindicadorparaaqueledadomomento.Assim,

possvelplotarumgrficocomtodosessevalores,observarocomportamentodo

20

indicadoreutilizlocomosuporteparatomadadedecises.Analisandoesse

grfico possvel observar que alguns ndices oscilam em uma dada faixa

numricaeporissosotambmchamadosdeosciladores[1].

Otamanhodajaneladetempoutilizadaparaesteclculotemimportante

influncia.Janelasdetemposmaiscurtassomaissensveiseprevemmais

rapidamente um acontecimento, pormesto mais sujeitas a erros logo que

percebemoscilaesacurtoprazo.Poroutrolado,janelasdetempomaislongas

so menos sensveis e mais confiveis, porm, s vezes, so perdidas

oportunidadesdecompraouvendadeumativodeixandodelucrar.

2.3.1ndiceestocstico

Dentre os indicadores, ser utilizado nesse trabalho o oscilador

estocstico.Segundo[1],essendicemedeaforadoscompradoresemlevaro

preodefechamentodeumpapelmaisprximodopreomximoalcanadono

diaedaforadosvendedoresdelevaropreodefechamentomaisprximodo

preomnimo.

Existem algumas variaes para o clculo desse indicador. Neste

trabalho,optousepeloclculodalinharpida.Essalinha,denotadapor %K ,

medearelaoentreasforasdecompraevenda.Essalinhamaissensvele

indicamaisrapidamenteumpossvelaumentodasforascompradorase,devido

asuarapidez,podeseobterfalsosresultados.

Afrmulamatemticaparaessalinha:

%K=FechhojeMinnMaxnMinn

100(1)

21

OndeFechhojepreodofechamentodehoje,MinneMaxnsoospreos

mximoemnimoalcanadosnajaneladetempoquegeralmentedecinco

dias.

Comomencionadoacima,aprincipalfinalidadedondiceestocstico

definirseopapelestsobrevendidoousobrecomprado.Paraisso,soutilizadas

margenssuperioreinferiorparadeterminarsituaesdecompraouvendadeum

ativo.Quandoondiceestocsticoultrapassaramargemsuperior,significaqueo

papelestsobrecomprado,indicandoumaboafaseparaavendadopapel,logo

que uma reverso de tendncia para queda est prxima. O mesmo ocorre

quandoondiceultrapassaamargeminferior.Quandoissoocorre,opapelesta

sobrevendido,ouseja,amaiorforafoidosvendedores.Issoimplicaemum

baixopreodopapeleumaboaoportunidadedecompra,logoqueumareverso

detendnciadealtanospreosdeveocorrerembreve.

Costumase utilizar 85%para definir a margemsuperior e 15%para

definir a margem inferior [4]. ndices inferiores a 15% indicam reversode

tendnciaparaalta, logodevesecompraropapel. ndicessuperioresa85%

indicamreversodetendnciaparabaixaesugeremavendadopapel.Valoresde

ndicesdentrodessafaixaindicamapermannciadopapel.

Osvaloresparaessasmargenspodemseralteradassegundooperfildo

investidor. Investidores mais ousados podem aumentar o intervalo de

permannciaeutilizarvalorescomo10%paralimiteinferiore90%paralimite

inferior.Issofazcomquepontosqueeramdereversoparamargensde15%e

85%deixemdesereconseqentementeoinvestidorpermanecermaistempo

comumpapel,dadoqueoindicadorirdemorarmaisparaapontarreversode

tendncia.

Aumentarafaixadepermannciapodetrazermaislucro.Tomandocomo

22

exemploumasemanaondeshouvealtanospreos.Oestocsticocommargens

de15%e85%poderiainformarnaquintafeiradessasemanaquetendnciade

baixaestprevista,fazendocomqueoinvestidorvendaseupapelnaqueledia.

Porm,seestetivessepermanecidocomopapeleleterialucradomais,logoque

na sextafeira ainda houve valorizao. Portanto, se este investidor tivesse

utilizadocomomargens10%e90%,eleterialucradomais.Issopodeparecer

umaboaprtica,pormdeveseterprecauo,poisquandoseaumentaessafaixa

depermanncia,diminuiseafaixasdesobrecompradoesobrevendido.Assim

umasituaoinversapodeocorrer.Supondoagoraquenestasemanatodosos

diasforammarcadosporbaixanospreos,oestocsticocommargensde15%e

85%indicaria naquintafeira para vender o papel. O investidor que utilizou

margensde10%e90%venderiaopapelnasextafeiraeteriaprejuzomaior.

Assim, cada investidor deve ajustar esses limites segundo seu perfil de

investimento,sejaeleprecavidoouousado.

2.4REDESNEURAISARTIFICIAIS

As Redes Neurais Artificiais (RNAs) so modelos computacionais

inspiradosnasredesdeneurniosbiolgicosexistentesnocrebrohumano.So

caracterizadasporprocessaremosdadosdeformaparaleladamesmaformaque

ocrebrofazeutilizaoneurniocomounidadebsicadeprocessamentoque

capazdeaprenderegeneralizar[5].

Sua principal caracterstica, a generalizao, permite que depois de

treinadoeaprendidoaresoluodeumproblema,sejapossvelseobteruma

resposta boa para um problema semelhante ainda desconhecido. Outra

caracterstica muito importante capacidade de aproximar qualquer funo

23

matemticasejaelacontnuaouno,sendooaprendizadodaRNAnadamais

queatentativadeencontraramelhorfunoqueseaproximaafunodesejada

[5].

Existem inmeras aplicaes para essa ferramenta que resolve

principalmenteproblemasdeclassificao,reconhecimentodepadres,previso

eextraodeinformaesdesconhecidas.

Tomandocomoexemplo oproblemade previsode tempo, podemos

facilmentecriarumaRNAqueprevseoprximodiairchoveroufazersol.

Parasimplificaroproblema,seroutilizadasapenasvaloresdetemperaturae

pressoparadefinirseodiachuvosoouensolarado(comcertezaoproblema

noseresume estasduasentradas), podemosplotarumgrficocomdados

histricosjclassificadoseobterumgrficodeduasdimensessemelhantea

figura8.

Figura7Grficodetemperaturaepressoparadiashistricos,contendoaretadeseparaodeclasses.

Assim,possveltreinarumaRNAcomosdadoshistricos,edepoisde

treinada, possvel apresentar um par de valores de temperatura e presso

desconhecido,queaRNAirpreverseodiaserensolaradoouchuvoso.Esse

24

umaaplicaosimplesedidticodeRNApodendoseraplicadasaproblemas

comnmerosmaioresdevariveisdeentradaeclasses.

2.4.1Oneurnioartificial

Aestruturadoneurnioartificialcompostadetrspartesqueformamo

neurniobiolgico.Soelas:dendritos, corpo(tambmchamadodesoma)e

axnio[5].Osdendritosrecebemosestmuloseltricosdeoutrosneurniose

solevadosaocorpoquesomaosestmulos,excitandoounooneurnio.Se

este receber estmulosuficiente, o corpoir deixar comqueoestmuloseja

transmitidopeloaxnioparaqueosoutrosneurniosligadosaelerecebamo

pulsoeltrico.Assim,oneurniosemelhanteaumafunomatemticaque

recebevaloresdepulsoeltricoedefineumasada.Afigura9mostraaestrutura

doneurnioartificial,tambmchamadodeperceptron.

Figura8Funcionamentodoneurnioartificial.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Os dendritossoossinaisdeentrada,representadosporx1,x2, ...xm.

Estessinaissomultiplicadosporseusrespectivospesos,representadosporwk1,

25

wk2,...wkm.Ospesosdeterminamoquoinfluenteaentradanoprocessode

excitaodoneurnio.Almdasvariveisdeentrada,existeumaentradafixa

quedeterminaograude influncia das entradas, tambmchamadode bias.

Depoisdemultiplicartodososvaloresdeentradaporseusrespectivospesos,o

corpodoneurnio(junoaditiva)realizaasomaponderadadasvariveisde

entrada(uk)eutilizaumafunodeativaoparadefinirovalordesadado

neurnio(yk).

As funes de ativao mais utilizadas so a tangente hiperblica,

sigmoidalelimiar,conformeilustradopelasequaes2,3e4.

f=tanh soma (2)

f=1

1exp soma(3)

f=0 sesoma0 (4)

Assim, o funcionamento do perceptron pode ser expresso atravs da

seguinteexpressomatemtica:

yk= f uk= f j=1

m

wkj x jbk (5)

Ondeykasadadoneurnio, ukasomaponderada, fafunode

ativao, monmerodeentradas, wovetordepesosdaentrada, xovetorde

26

entradaebobias.

Voltandoaoexemplodeclassificaodediasdesolechuva,podese

observarnafigura8 quepossveltraarumaretadeseparaoentreasduas

classes. Pares de temperatura e pressoquese encontramacimadareta de

separaosodaclasse sol e pares inferiores a reta sodaclasse chuva. A

frmulamatemticaparaessaretailustradapelaequao6.

w1 x1w2w2b=0 (6)

2.5TREINAMENTODOPERCEPTRON

2.5.1Treinamento

Otreinamentodoperceptronseresumetarefadetentarencontraros

melhorespesosparasejapossveltraar melhorhiperplanodeseparaoentre

classes.

Essatarefapodesertrivialparaproblemaslinearmenteseparveis,como

oexemplodeclassificaodediasdesolechuva(introduzidonaseo2.4),

ondepossveltraarumaretaqueseparaasclasses.Porm,essatarefapodeser

muitodifcil ouat mesmoimpossvelquandooproblemanolinearmente

separvel,conformeilustradonafigura10.Supondoqueaoplotarosvaloresde

temperaturaepressodosdadoshistricos,fosseobtidoogrficodafigura10.

impossvelencontrarumaretadeseparao.

27

Figura9Problemanolinearmenteseparvel.

Pararealizarotreinamento necessrioquesetenhadadoshistricos

previamente rotulados. Para o problema de classificao de dias, podese

analisarosdiasdoanopassadoeclassificarcadadiacomosendochuvosoou

ensolarado.Esseconjuntodedias,tambmchamadodeconjuntodetreinamento,

soapresentadosaoneurnioqueirutilizlosparaajustarseusparmetros.

O conjunto de treinamento tem papel fundamental no aprendizado.

Assim, quanto maior o nmero de amostras analisadas, melhor ser a

generalizaodomodelo.Outrocuidadocomdisposiodosdadosdentrodo

espaode entradas possveis. Se utilizarmos apenas dias com temperatura e

pressoaltascomoconjuntodetreinamento,operceptronprovavelmentenoir

aprenderaclassificardiascomtemperaturabaixa.Paraqueoaprendizadoseja

eficiente,devesetentarapresentaraoperceptrondiascomomaiornmerode

combinaesdetemperaturaepressopossveis.

Segundo[7],oalgoritmodetreinamentodoperceptronsempreencontra

umbomhiperplano de separaopara problemas linearmente separveis em

28

tempofinito.interessanteressaltarqueumbomhiperplanodeseparaono

precisanecessariamentedividirexatamenteasclasses,sendoquepequenoserros

declassificaopodemocorrer.

2.5.2OAlgoritmo

Oalgoritmodetreinamentodoperceptronsegueosseguintepassos[6]:

1. Apresentartodososdadosdoconjuntodetreinamentoparao

perceptron.Esseperodochamadodepoca;

2. Paracadadadodapoca,ajustarospesosutilizandoaregra

delta;

3. Oconjuntodetreinamentoapresentadonovamenteatque

setenhaalcanadoonmerodepocasdesejadasouatque

oerrosejamenorouigualaoerrodetolerncia.

Aregradelta umaexpressomatemticaqueatualizacadapesode

entrada com base no erro atual da poca e a taxa de aprendizado, sendo

calculadapelaseguinteequao:

w n1=w ne x n(7)

Onde: w(n+1)opesoatualizado;

w(n),opesoatual;

, ataxadeaprendizado,queindicaavelocidadecomqueovetordepesoseratualizado.

29

e, o erro atual, que a diferena entre a sada atual do

perceptroncomasadadesejada,conformeequao8;

x(n),ovalordeentrada.

e=yesperadoyobtido (8)

A princpio, o vetor de pesos e o bias so iniciados com valores

aleatrios e costumase utilizar valores entre 0,2 e 0,8 para a taxa de

aprendizado.Noexisteumafrmulaparacalcularosmelhoresparmetrospara

oalgoritmodetreinamento1. Utilizarvalormuitoaltodetaxadeaprendizado

podefazercomqueopassosejatoalto,queoalgoritmonuncaencontraruma

boasoluo.Assim,testesdevemserrealizadosparatentarencontraramelhor

combinaoparatentardiminuirotempodeaprendizado.

2.5.3Momento

Umatcnicaqueaceleraotempodeaprendizadochamadademomento

econsisteemadicionarumfatoraoclculodeatualizaodospesosdaregra

delta[6].Fazendoumaanalogiaaosistemasmecnicos,omomentofunciona

comoainrciaquefazcomqueumaesferaquedeslizesobreumasuperfcie

inclinadaecontinueseucaminhoatqueoatritofaacomqueaesferapare.De

formaanloga,ocircuitoondeaesferacaminhapodeserogrficodeerropara

umperceptrondenicaentradaeaposiodaesfera,oerroquadrticodapoca

atual.

1 NoAnexoIencontraseaimplementaodoalgoritmodetreinamentoemformadescriptparaserexecutadonoAmbienteScilab.

30

Figura10Tempodeaprendizadosemmomento(esquerda)ecommomento(direita).

Nafigura11,podemosnotarqueoaprendizadocommomentotendea

levarmenospocasparaencontraropontodemenorerro.

Omomentotambmtilpararesolveroproblemadosmnimoslocais.

Esse problema ocorre quando a funo de custo possui mnimos locais,

tornandose armadilhas para o algoritmo de treinamento. Assim, tomando

comoexemploafigura12aseguir,podeserquearegradeltaficarpresano

mnimo local, onde o gradiente da funo de custo nulo. Pormse fosse

utilizadomomento,aregradeltaalcanariaomnimoglobal.

Figura11Aprendizadosemmomento(direita)ecommomento(esquerda).

31

Ousodemomentoaconselhadoparadiminuirotempodetreinamento

esolucionaroproblemadosmnimoslocaisecostumaseutilizarvaloresentre

0,1 e 0,5. Altas taxas de momento podem fazer com que o algoritmo de

treinamentopassepelomnimoglobal, prejudicandootreinamento,conforme

mostradopelafigura13.

Figura12Altataxademomentopodeprejudicartreinamento.

2.6PERCEPTRONDEMLTIPLASCAMADAS

2.6.1Histrico

Em1969,MinskyePapertprovaramqueoperceptronsimples(deuma

camada)scapazderesolverproblemaslinearmenteseparveis,logoques

consegue traar hiperplanos. Afirmaram tambmque por mais que j fosse

provadoqueotreinamentodeperceptronsimplesconverge,omesmonoocorre

pararedesperceptrondemaisdeumacamada.Essetrabalhoteverepercusso

negativaedesanimouospesquisadoresacontinuarnessarea.Contudo,alguns

pesquisadores continuaram com seus trabalhos e mostraram mais tarde que

32

MinskyePapertforampessimistas[5].

Em 1974, Paul Werbos props o algoritmo backpropagation, porm

somenteem1986oalgoritmoganhoureconhecimentoatravsdotrabalhode

DavidE.Rumelhart,GeoffreyE.HintoneRonaldJ.Williams.Acriaodesse

algoritmomarcouaretomadanosestudosemRNAs[5].

2.6.2RedesdeNeurnios

As Redes de neurnios so arquiteturas onde vrios neurnios esto

conectadosentresi.Asligaesentreosneurniossochamadasdesinapses

quetransferemasadadeumneurnioentradadoneurnioseguinte.Possuem

asmesmasqualidadesdeumnerniosimples,pormsomaispoderosasemais

eficientespodendoaproximarfunescomplexas[6].

2.6.3Topologias

Existemtrstiposprincipaisdearquitetura,sendoelas:

Feedforwarddenicacamada;

Feedforwarddemltiplascamadas;

Redesrecorrentes.

As redes Feedforward, socaracterizadas pelo seu funcionamento de

alimentaoparafrente,ouseja,nenhumasadadeumneurniovoltaparasua

entradaouparaaentradadeneurniosanteriores.Podempossuirumaoumais

camadassendoaprimeirachamadadecamadadeentrada,asseguintessoas

intermedirias(tambmchamadasdecamadasescondidas)eltimaacamadade

33

sada.interessanteressaltarque,diferentedoperceptronsimples,aredepode

terumvetordevaloresdesada,logoqueformadadevriosneurnios.

Figura13NomenclaturaparaascamadasdasRedesdeNeurnios.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Ofuncionamento simples. Inicialmente, soapresentadasosvalores

para os neurnios da camada de entrada (neurnios sensoriais). Esses

simplesmenterepassamainformaoparaosneurniosdacamadaescondida,

queirodefatoprocessaraentrada.Assim,paracadacamadaescondida,os

valoressoreprocessadoseenviadosparaprximacamada.Seestaforaltima

camada, entoser realizadooltimoprocessamentoequeresultar emum

vetordesadasdetamanhoigualaonmerodeneurniosdaltimacamada.

Paraasredesfeedforwarddenicacamada,osdadossoprocessadossomente

umavezresultamnovetorderespostas.

34

Figura14Redefeedforwarddenicacamada.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Figura15Redefeedforwarddemltiplascamadas.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Asredesfeedforwarddemltiplascamadas,tambmconhecidascomo

perceptrondemltiplascamadas(doinglsMultiLayerPerceptronMLP),so

asmaisconhecidasemaisutilizadas.Podemterqualquernmerodecamadas

escondidas. Entretanto, segundoCybenkon[8], umaredeMLPquecontenha

umacamadaescondidapodeaproximarqualquerfunomatemticacontnuae

sehouveremduascamadasescondidas,aredepodeaproximarqualquerfuno

35

contnuaoudescontnua. Assim,nosonecessriasmaisqueduascamadas

escondidaspararesolverumproblema.

Redes recorrentes [5], ao contrrio das redes feedforward, utilizama

sadadoneurniocomoentradadeneurniosdamesmacamadaoucamadas

anteriores.Existemvriastopologiasparaessetipoderede,pormnoobjeto

deestudodestetrabalho.

Figura16Exemploderederecorrente.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

2.7TREINAMENTODEREDESPERCEPTRON

2.7.1Introduo

Otreinamentodeumaredeneuralconsisteemtreinartodososneurnio

da mesmapara tentar aproximar a umadada funo, sendoconsideradosua

principalfuncionalidade[6].Esseprocessocaracterizadoportentarencontrar

36

osmelhorespesosparatodososneurniospodendoserfinalizadoquandoarede

provumaboageneralizao.

Existemvrios algoritmos de treinamento para vrios tipos de redes

neuraisdiferenciandoapenasemcomoseroatualizadosospesos.Sendoassim,

deformagenrica,oalgoritmodetreinamentonadamaisdoqueabuscapelos

pesoscorretos.

2.7.2TiposdeTreinamento

Existemtrstiposprincipaisdetreinamento[6],sendoeles:

supervisionado;

nosupervisionado;

comreforo.

Noaprendizadosupervisionadoexisteopapeldoprofessor,queconhece

asrespostas.Paraoproblemadeclassificaodediasdesolechuvapropostona

introduo da seo 2.4, o professor conhece todos os pares de entrada

(temperaturaepresso)esuasrespectivassadas.Eleresponsvelemguiaro

aprendizado,corrigindoospesosseestesestiveremerrados.

37

Figura17Aprendizadosupervisionado.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Na figura 18, podese observar que o ambiente fornece os dados

conhecidos (conjunto de treinamento). Cada amostra desse conjunto

apresentadaaoprofessor,queconhecearesposta,eparaosistemaquedeseja

aprender.Arespostadosistemadeaprendizadocomparadacomasadado

professoresehouverdivergncia,lanadoumsinaldeerroparaosistemade

aprendizadoqueatualizaseuspesos.Istoocorreatqueoerrosejaconsiderado

tolervelouatatingirnmeromximodepocasdetreinamento[6].

Esse tipode treinamento utilizado quandose temmuitos dados de

treinamentoeseconheceseusvaloresdesada,porm,existemsituaesonde

noseconheceessesvalores,logonohopapeldoprofessor.Paraessecaso

utilizado o aprendizado no supervisionado. O funcionamento deste tipo de

aprendizadorealizadoatravsdaapresentaodosdadosdoambienteeaRNA

aprendeadisposiodosdados.

Figura18Aprendizadonosupervisionado.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

38

O aprendizado no supervisionado [5] aplicado principalmente a

problemasondesedesejaextrairinformaesestatstica,aindadesconhecidas,

relacionadoaosdados,sendotilparaproblemasdeclassificao.

Existe um terceiro tipo de aprendizado chamado de aprendizado por

reforo que muitas vezes considerado na literatura como um subtipo do

aprendizadosupervisionado.Nesteesquemanoexisteopapeldoprofessor,mas

sim o papel de um crtico que valida a sada do sistema de aprendizado

informandoseestboaouruim[5].

Segundo[9], se a ao tomadapelosistemadeaprendizado for boa,

entoosistematendeafortalecerestao,casocontrrio,osistematendea

enfraquecer e buscar novas solues. Esse tipo de aprendizado utilizado

principalmenteemsistemasondepermitidoquehajamerros.

Figura19Aprendizadocomreforo.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

2.7.3Treinamentoparaperceptrondemltiplascamadas

O funcionamento do algoritmo de treinamento de MLPs,

Backpropagation, composto por duas etapas. A primeira, chamada de

propagao(forward),caracterizadapelaapresentaodosdadosredeque

processa os dados e emite uma sada. A segunda etapa, chamada de

39

retropropagao (backward), realiza a comparao da sada obtida com a

desejada[6]. Sehouvererro, ele retropropagadodacamadadesadaat a

camadadeentrada,fazendocomquecadaneurnioatualizeseuspesos.Esse

processorepetidoatqueoerrosejamenorouigualaovalordetolernciaou

quandoonmerodepocasmximodesejadoforatingido.

Figura20FasesdoalgoritmosBackpropagation.Fonte:SlidesdeauladadisciplinadeRNAUFLA,2009[6]

Assim,oalgoritmoBackpropagation,podeserdescritoresumidamente

atravsdopseudocdigocontidonafigura22.

Inicializapesos(geralmentedeformarandmica)faa

Paracadaamostra"a"doconjuntodetreinamentos=sada_da_rede(RNA,a);t=sada_do_professos(a);erro=ts;Calcula,atravsdaregradelta,ospesosdosneurniosdascamadasescondidas;Calcula,atravsdaregradelta,ospesosdosneurniosdacamadadeentrada;AtualizaospesosdaRNA;

fimdapocaat quetodososexemplosestejamsendoclassificadoscorretamenteouatinjacritriodeparada;

Figura21AlgoritmoBackpropagation

40

OalgoritmoBackpropagationutilizaosmesmoparmetrosutilizadosno

treinamento do perceptron simples. So eles: taxa de aprendizado, bias,

momento,nmeromximodepocaseerrodetolerncia,sendoosdoisltimos

utilizadoscomocritriodeparadadoalgoritmo.

2.7.4Definiesdearquiteturaeparmetros

Umadasprincipaisquestesquesurgemdurantea implementaode

umaRNAcomrelaoaonmerodeneurniosnascamadasescondidas.Esse

problema geralmente no ocorre para a camada de entrada pois sabemos o

nmerodecaractersticasquecompemasamostrasdoconjuntodetreinamento.

Omesmono ocorre para a camada de sada pois conhecemos o resultado

esperado para o tipo de problema em questo. Assim, o problema est na

definio da quantidade de neurnios que ir melhor aproximar a funo

desejada.

Onmerodeneurniosdascamadasescondidas definidodurantea

construodarede,porm,noexisteumaformadesaberexatamentequantos

neurniossonecessrios.Asoluoparaesseproblemaemprica,ouseja,

testesdevemserfeitostreinandoredesdevriastopologiasecomparandosuas

sadasafimdeobtermelhorgeneralizao.

Omesmoproblemaocorreparaosparmetrosdetreinamento.Costuma

seutilizarfaixasdevaloresparaataxadeaprendizadoeparaomomento.Porm

no se sabe uma forma de obter os parmetros que treinarama RNAmais

rapidamente. Da mesma forma, so necessrios testes com diferentes

combinaesdeparmetrosafimdeminimizarotempodeaprendizado.

41

2.8TRABALHOSCORRELATOS

UmdosprimeirostrabalhosfoideKimotoetal [11]queutilizouRNA

paratentarpreverondicedabolsadevaloresdeTquio.Maistarde,Mizunoet

al[12]utilizounovamenteRNAparatentarpreversinaisdecompraevendade

umpapel.Phuaetal [13] utilizouRNAjuntamentecom algoritmoGentico1

para tentar prever a tendncia do mercado. Lee [14] utilizou sistemas

especialistasparatreinaromodeloareconhecerpadresdecandlesticks.

OtrabalhodeLee[14]apresentouumgrandeproblemanomomentode

treinamento. O aprendizado foi limitado ao especialista que determinou os

padresdeCandlesticks,ouseja,nenhumnovopadronotado.

1 Modelocomputacionalbaseadonocomportamentoevolutivobiolgico.

42

3.METODOLOGIA

3.1INTRODUO

Neste Captulosoapresentadosos mtodose as ferramentas usadospara o

desenvolvimentodo sistemaproposto.Afigura22aseguir,correspondeaum

fluxogramaquemostratodasasetapasdosistemaepermiteterumavisogeral

dofuncionamentodomesmo.

Figura22Fluxogramadefuncionamentodosistema

Inicialmente,oparserrealizaoprocessamentodassrieshistricasde

preos,utilizandoasconfiguraesdousurioparaclassificarcadajanelade

ParserDados

Histricos

ConjuntodeTreinamento

RNA

Configuraesdousurio

Compra Venda Permanncia

tempo como padres de compra, venda ou permanncia de uma papel. Ao

mesmotempo,oparsergravaemumarquivotextocadajanelaanalisadaeseu

respectivortulo.Essearquivoentousadocomoconjuntodetreinamentopara

aRNA.Apsaetapadetreinamento,aRNApodegeneralizaroconhecimento

obtido classificando novos padres que no faziam parte do conjunto de

treinamento.

3.2OPARSER

3.2.1Processamento

Como citado na introduo, o parser tem a funo de processar os

arquivosdepreos,classificandoasjanelasdetempo.Paraisso,estabeleceuse

quecadajaneladetempodeveriacontercincodias.Essaescolhafoifeitadevido

aofato de queos padresconhecidos emgrficosde candlesticks possuem

tamanhomximodecincodias.

Ofuncionamentodoparserconsisteumextrairosvaloresdeabertura,

mximo, mnimo e fechamento dos arquivos histricos obtidos no site da

BOVESPA [17]. Este arquivo possui vrias informaes, e nesse trabalho

somenteasinformaesnecessriasparamontaroscandlesforamextradas.

O arquivos histricos disponibilizados gratuitamente pela BOVESPA

possuemformatotxtecontmtodasastransaesocorridasaolongodeum

ano. A interpretaodeste arquivo realizada segundo as determinaes da

BOVESPAeasinformaesteisparaestetrabalhosoextradasdeacordocom

atabela1.

44

Tabela1Interpretaodoarquivodehistricodepreos

Informao Seqnciade

Caracteres

Casasdecimais

CdigodaAo

12a23

Abertura 56a66 67a68

Mximo 69a79 80a81

Mnimo 82a92 93a94

Fechamento 108a118 119a120

Cadalinhadoarquivodehistricodepreoscorrespondesinformaes

relativasaumdadoativoduranteumdia.AcolunaSeqenciadeCaracteres,

da tabela 1, informa o intervalo de caracteres da linha, que corresponde a

informaodesejada.Se,estevalorreferenteumdadopreo,acolunaCasas

decimais informa a seqncia de caracteres que correspondem as casas

decimaisparacomporovalordopreo.

Assim,cadalinhalidaeverificaseseoseucdigocorrespondeao

desejadopelousurio.Casoissoocorra,esse candle entoarmazenadoem

memria, segundo a ordem que foi lido. O perodo desejado para esse

processamentoinformadopelousurio.

3.2.2Rotulao

Aps o processamento dos arquivos histricos e armazenamento em

memriados candles desejados,realizadaaetapaderotulao. Essaetapa

consiste em processar janelas de tempo de cinco dias a partir dos candles

45

obtidos.

Para cada janela de tempo, calculase o ndice estocstico utilizando

como faixa de permanncia os valores entre 15% e 85%, ou seja, valores

menoresque15%serorotuladoscomocompra,valoressuperioresa85%sero

rotuladoscomovendaedentrodessafaixaserorotuladoscomopermannciade

estadodopapel.

3.2.3Armazenamento

Aps a da fase de rotulamento, cada janela de tempo gravada em

arquivotexto(formato.txt)seguindoaordemdedisposiodoscandles.So

salvos todososquatrovaloresdecada candle. Cadapadrocontmportanto

vintevalorespois,cada janelaformadaporcincodias.Almdo candle, o

rtulotambmgravado.Aordememqueos candles eortulososalvos

ilustradanafigura23.

Figura23Representaodajaneladetemporotuladasalvaemarquivo.

Ortulocompostoportrsvaloresesorepresentadosseguindoas

possveissadasdaRNA2sendoilustradasnatabela2.

2 AspossveissadasdaRNAserodetalhadasnaseo3.3.1

46

Tabela2Rtuloparapossveisclassificaodejaneladetempo.

Classificao Rtulo

Compra 1;0;0

Venda 0;1;0

Permanncia 0;0;13.2.4Normalizao

Antesderealizaroprocessodearmazenamentodospadresnoarquivo

texto,feitaanormalizaodecadajaneladetempo.Issoconsisteemrealizar

umaoperaomatemticasobreosdadosafimderepresentlosutilizando a

mesmafaixadevalores.

Optouse por realizar a diviso de todos os preos que compe os

candles dajanelapelomaiorvalor.Issopossibilitoutransformarospreosem

valoresreaisentre0e1.Anormalizaodospreosfoirealizadaparapadronizar

osvaloresdeentradadaRNAfacilitandooaprendizadodamesma.

3.2.5Funcionamento

Oprocessodefuncionamentocompletodoparserpodeserdescritopelos

seguintespassos:

1Usurio informa perodo histrico para que o conjunto de

treinamentosejagerado;

2Usurio informa o conjunto de cdigos de papis que sero

processados;

3Oparser,ltodosarquivosdepreoearmazenaemmemriaos

47

candlesrelevantes;

4Rotulaajanela;

4.1Obtmajaneladetempo;

4.2Obtmmaiorvalordepreodajanela;

4.3Normaliza

4.4Calculaseondiceestocsticoparaajanela;

4.5Classificasegundooestocstico;

5Salvaemarquivoajanelanormalizadajuntamentecomseurtulo

segundoaclassificaodatabela2;

6Repete os passos 4 e 5 at que todas as janelas tenham sido

rotuladas.

7Oconjuntodetreinamentogerado.

3.3REDEMLP

3.3.1Topologia

A topologia da rede perceptron de mltiplas camadas utilizada neste

trabalhopossui vinte unidades deentrada, quecorrespondemaos valores de

preoscontidonajaneladetempo,umacamadaescondidadeneurnioseuma

camadadesada.

Assinapses que ligamas camadassocompletas, ouseja, todosos

neurnios deumacamadaestoligadoscomtodosos neurniosdaprxima

camada.AestruturadaRNApodeserobservadanafigura24.

48

Figura24EstruturadaRNAutilizada.

AcamadadesadadaRNApossuitrsneurniosquecorrespondemaos

possveis rtulos da janela de tempo. O primeiro neurnio (sada y1),

responsvel por detectar padres de compra, o segundo (sada y2) detecta

padresdevendaeoterceiro(saday3),sinalizapermannciadopapel.

Onmerodeneurniosdacamadaescondidainformadopelousurio

antesderealizarotreinamento.

3.3.2Funodeativao

Foi utilizada a funo de ativao sigmoidal para os neurnios das

camadasescondidaedesada.Asadalineardosneurniosdacamadadesada

portanto psprocessada por uma funo para que seja transformada em

valoresbinrios. Essafuno3 transformaasadadoneurnioem1casoseu

valorlinearsejamaiorouiguala0.5ouem0,casocontrrio.

3 Funoquedeterminaosrtulosdeclassificaoparaatabela2

49

.

.

.

x2

x20

x1

x3

Camadadeentrada

Camadadesada

y1

y2

y3

Camadaescondida

3.3.3Definiodeparmetros

Comovistoanteriormente,algunsparmetrosdetreinamentodevemser

definidos. Para amaioria deles, o usurio deve informar, antes de realizar o

treinamento, as configuraes desejadas. So elas: taxa de aprendizado,

momentoenmeromximodepocas.

3.3.4Algoritmodetreinamento

OalgoritmoutilizadoparaotreinamentodaRNAoBackpropagation

sendoimplementandopelo framework JOONE4.Paracadalinhadoarquivodo

conjuntodetreinamento,utilizaseosvinteprimeirosvalores(separadospor;)

comoentradadaRNA.Asada comparadacomaclassificaocontidano

arquivo(ostrsltimosvaloresdalinhaatual)e,emcasodeerro,atualizaseos

pesossegundooalgoritmobackpropagation.

Umapocade treinamento finalizadaquandooalgoritmoprocessa

todosospadres.Ocritriodeparadaadotadofoionmeromximodepocas,

quedeveserpassadopelousurio.

3.3.5Validao

Utilizando a mesma metodologia para a gerao do conjunto de

treinamento, foi gerado um conjunto para realizar a validao da RNA. O

procedimentodevalidaosegueosseguintespassos:

1Criaseumconjuntodevalidao;

2ApresentaseesseconjuntoumaRNAjtreinada;

4 Serintroduzidonaseo3.3.2.

50

3Paracadavalordesseconjunto;

3.1Compara sada da RNA com a contida no conjunto de

validao;

3.2Sesoiguais,incrementacontadordeacertos;

3.3Casocontrrio,incrementacontadordeerros;

4Calculaporcentagemdeacerto;

3.4TECNOLOGIA

3.4.1Implementao

ParaaimplementaodoparseredaRNA,utilizousealinguagemde

programaoJavacomoparadigmadeorientaoaobjetos.Aversodokitde

desenvolvimentojavadaSunMycrosystems[18](emingls,SunJavaDeveloper

KitSunJDK)a1.6.Utilizousetambmcomoambientededesenvolvimento

integrado(emingls,IntegratedDevelopmentEnvironmentIDE)oNetbeans

verso 6.5.1 [19]. Utilizouse tambmum framework de cdigo aberto para

manipulaodeRNAs,oJOONE[20].

3.4.2FrameworkJOONE

Em ingls, Java Object Oriented Neural Engine JOONE, um

frameworkparaconstruir, treinarevalidarRNAutilizandoatecnologiaJava.

Escolheusesuautilizaopelafacilidadedeimplementao,porserrobusto,de

cdigo aberto e principalmente por atender todas necessidades provenientes

51

destetrabalho.

Entresuasprincipaisfuncionalidades,podemoscitar:

Aprendizadosupervisionado:

RedesFeedForward;

Redesrecursivas;

AlgoritmoBackpropagationclssico;

AlgoritmoBackpropagationcomvariaes;

Aprendizadonosupervisionado;

Possuiambientegrficoondesepodecriar,treinaretestarRNAsde

formavisual;

Umexemplo5 interessanteretiradodadocumentaodo framework o

cdigoaseguirquecria,treinaevalidaumaRNAutilizandoapenastrslinhas

decdigo:

//CriaumaredeMLPcom3camadaspossuindodoisneurniosnas//camadasdeentradaeescondida,eumneurniodesadautilizando//funologsticacomoativaoNeuralNetnnet=JooneTools.create_standard(newint[]{2,2,1},

JooneTools.LOGISTIC);//TreinaaRNApor5000pocasouatqueoerrosejamenorque//0.01.Bastaapenasinformarovetordeentradaeovetordesejado.doublermse=JooneTools.train(nnet,inputArray,desiredArray,5000,

0.01,0,null,false);//RealizavalidaodaRNApassandoumvetordetestedouble[]output=JooneTools.interrogate(nnet,testArray);

Figura25Criao,treinamentoevalidaodeumaRNAutilizandoframeworkJOONE

5 NoanexoBencontraseoexemplodeimplementaoumaRNApararesolveroproblemadaportalgicaOUexclusivo,utilizandooJOONE.

52

RESULTADOS

4.1TradingSystem

OTradingSystemdesenvolvidocontmoparserparaprocessamentodosdados

histricosetodaapartequeenvolveRNA.Atelaprincipaldestesoftwarepode

serobservadanafigura25.

Ospassosparageraroconjuntodetreinamentoso:

1.Configurar a pasta onde se encontram os arquivos de dados

histricos.Paraisto,bastaclicarnoprimeiroboto...quese

encontranacaixadegrupoCaminhosdeArquivo,aoladoda

caixadeediodaconfiguraodeHistricodepreos;

2.Usurio deve informar suas configuraes para o ano inicial e

final,sendoestesoperodooqualserprocessadoosdados.

3.Usurio tambmdeve informaros nomesdos papis desejados,

separados por vrgula, na caixa de edio Nomes que se

encontranogrupoPapel;

4.ClicarnobotoGerarConjunto.

Figura26Telaprincipaldosoftwaredesenvolvido.

54

OspassosparatreinarumaRNAso:

1.Configurarapastaondesersalvooarquivodetreinamento.Para

isto,bastaclicarnosegundoboto...queseencontranacaixa

degrupoCaminhosdeArquivo,aoladodacaixadeedioda

configuraodeConjuntodeTreinamento;

2.Ousuriodeveinformartodososparmetroscontidosnogrupo

Treinamento;

3.ClicarnobotoTreinar;

ParasevalidaraRNAtreinada,bastarealizarosseguintespassos:

1.Gerarconjuntodevalidaoqualquer;

2.Configurarcaminhodoarquivogeradoatravsdoboto...que

seencontranogrupoCaminhosdeArquivos,aoladodacaixa

deediodaconfiguraodeConjuntodeTeste;

3.ClicarnobotoTestareobservarataxadeerro.

4.2Testes

Paragerar o conjuntode treinamento, foramutilizadosos papis que

obtiverammaiorvolumedenegociaonoperodode2000at2006.Noforam

utilizadas negociaes muitoantigas, pois ao longodotempo, algunspapis

mudaramdenomeouforampoucorepresentativosdurantealgumperodo.Os

ativosutilizadossoapresentadosnatabela3.

55

Tabela3Aesprocessadas

Ao Cdigo

AMBEV AMBV4

ARACRUZ ARCZ6

CEMIG CMIG3

ITAUBANCO ITAU4

Utilizouse o conjunto de treinamento gerado para treinar diferentes

RNAscomnmerosdiferentesdeneurniosnacamadaescondida.Almdisso,

para a mesma topologia de RNA, foram realizados testes para diferentes

parmetrosdetreinamento.Osresultadosobtidossoilustradosnatabela4.

Tabela4ResultadosparadiferentestopologiasdeRNAediferentesparmetros

Neurniosna

camadaescondida

TaxadeAprendiza

doMomento pocasdeTreinamento

ErrodeTreinamento

Acurciaparaconjuntode

teste

1 0,2 0,1 100 43,05% 56,00%

1 0,5 0,3 100 45,43% 56,00%

1 0,8 0,5 100 43,72% 56,00%

5 0,2 0,1 100 24,74% 97,00%

5 0,5 0,3 100 24,71% 93,00%

5 0,8 0,5 100 25,96% 93,00%

10 0,2 0,1 100 23,22% 93,00%

10 0,5 0,3 100 23,44% 97,00%

10 0,8 0,5 100 25,18% 93,00%

15 0,2 0,1 100 22,94% 94,00%

15 0,5 0,3 100 23,29% 93,00%

56

15 0,8 0,5 100 24,03% 92,00%

20 0,2 0,1 100 22,88% 92,00%

20 0,5 0,3 100 22,71% 94,00%

20 0,8 0,5 100 24,21% 94,00%

Utilizouse o perodo de 2006 at 2007para se gerar o conjunto de

validaoetestaracapacidadedegeneralizaodaRNA.

57

5.CONCLUSOETRABALHOSFUTUROS

Observando os objetivos propostos no inicio do trabalho e os resultados

alcanados, concluise que o trading system desenvolvido atendeu s

espectativas,podendoserutilizadocomoferramentadeinvestimentoembolsas

devalores.

Osmelhoresresultadosforamobservadosquandoutilizousededeza

vinteneurniosnacamadaescondidadaRNA,taxadeaprendizadoiguala0,2e

0,1paraomomento.Estacombinaodeparmetromostrouseeficientemesmo

paraotreinamentocompoucaspocas.

Algunspontospositivosdestetradingsystemso:

BonsresultadosparaRNAbemtreinadas;

Anlise Tcnica realizada de forma automtica, sendo

desnecessrio realizar clculos de ndices todos os dias,

eliminandootrabalhorepetitivo;

Ageneralizao permite que uma RNA, depois de treinada,

apontereversesdetendnciasparaqualquerativo;

O investidor no precisa conhecer como funciona a anlise

tcnicaparaoperarosistema;

Ospontosnegativos:

Ousurio deve possuir algumconhecimento de RNAs. Seria

interessanteseofuncionamentodosoftwarefossetransparente

aousurio,ouseja,oprpriosoftwaredeterminasseosmelhores

parmetrosdetreinamentodaRNA;

Muitostestesdevemserrealizadosparasedescobrirmelhores

parmetros de treinamento. Assim, se perde muito tempo

tentandoencontrlos,logoqueotreinamentoumprocessode

altocustocomputacional.

Muitas melhorias podemser adicionadas a este trabalhoa fimde se

construirumtradingsystemcommaisrecursos.Asprincipaisso:

Utilizaroutrosndicesdaanalisetcnica.Seriainteressanteseo

investidor pudesse escolher o ndice que deseja escolher at

mesmoparacompararqualdelesclassificamelhorospadresde

reversoepermannciadeativo;

Utilizar outros algoritmos de treinamento e previso, sendo

possvel descobrir qual melhor tcnica de aprendizado de

mquinaoutcnicadepreviso;

Realizarperiodicamentedownloaddascotaesdepreosdirio

einformaraoinvestidorquaisdecisesdevemsertomadas;

As configuraes dos parmetros de treinamento da RNA

poderiamsercamufladadetalformaqueumusurioleigoem

RNApossaoperarosistema;

Poderiamexistirconfiguraesquantoaoperfildosinvestidores,

fazendocomqueo tradingsystem seja mais ousadooumais

cuidadosoemsuasdecises;

Desenvolverdiferentesinterfaces,permitindoqueosinvestidores

acessemosistemaviainternetousistemasmveis;

Proverinformaesemtemporealdeativosnabolsadevalores,

ondeusuriopoderiaacompanharcomportamentodabolsasde

59

valores.

SeriainteressanteutilizarRNAparacatalogarnovospadresnos

grficosdecandlesticks,contribuindocomaanlisetcnica.

De forma geral, foi possvel concluir que RNA uma poderosa

ferramenta para resoluo de problemas de previso onde esto disponveis

dadoshistricos, sendopossvel obter bons resultados, se utilizadade forma

correta.

60

6.REFERNCIASBIBLIOGRFICAS

[1]NELOGICA,novembro2008.http://www.nelogica.com

[2]C.A.Debastiani.Candlestick.Novatec,2007.

[3]C.A.Debastiani. AnliseTcnicadeAesIdentificandoOportunidades decompraevenda.Novatec,2008.

[4]CONEXODINHEIRO,fevereiro2009.http://www.conexaodinheiro.com

[5]A.P.Braga,T.B.Lurdemir,andA.C.P.L.F.Carvalho. RedesNeuraisArtificiais:teoriaseaplicaes.LTC,2000.

[6] Lacerda, W.S. NotasdeauladadisciplinadeRedesNeuraisArtificiais.2009

[7]F.Rosenblatt.Theperceptron:Aprobabilistcmodelforinformationstorageandorganizationinthebrain.Psychol.Rev.,65:386408,1958.

[8] G. Cybenkon. Approximation by superpositions of a sigmoid function.MathematicsofControl,SignalsandSystems,2:303314,1989

[10]R. S. Sutton, A.G.BartoandR. J. Willians. Reinforcementlearningisdirectadaptiveoptimalcontrol.In. Proc.oftheAmericanControlConference,pp.21432146,1991.

[11]Kimoto,T.,Asakawa,K.,Yoda,M.,andTakeoka,M.(1990),Stockmarketprediction system with modular neural network, in Proceedings of theInternationalJointConferenceonNeuralNetworks,16.

[12]Mizuno,H.,Kosaka,M.,Yajima,H.andKomodaN.(1998),ApplicationofNeuralNetworktoTechnicalAnalysis ofStockMarketPrediction, StudiesinInformaticandControl,Vol.7,No.3,pp.111120.

[13] Phua, P.K.H. Ming, D., Lin, W. (2000), Neural Network With GeneticAlgorithmsForStocksPrediction,FifthConferenceoftheAssociationofAsian

PacificOperationsResearchSocieties,5th7thJuly,Singapore.

[14]ChiungHonLeonLee,WenSungChen,andAlanLiu.Animplementationofknowledgebasedpatternrecognitionforfinicialprediction.CyberneticsandIntelligentSystemsIEEEConference,1:218223,2004.

[15]SimonHaykin.RedesNeurais:Princpioeprtica.Bookman,2001.

[16]GRAFBOLSA,maio2009.http://www.grafbolsa.com/

[17]BOVESPA,outubro2008.http://www.bovespa.com.br.

[18]SUNMICROSYSTEMS,maio2009.http://www.sun.com/

[19]NETBEANS,maio2009,http://www.netbeans.org/

[20]JOONE,maio2009,www.jooneworld.com/

ANEXOA

SCRIPTDOALGORTMODETREINAMENTODOPERCETRON

A seguir, encontrase a implementao do algoritmo de treinamento do

perceptronutilizandoalinguagemdoScilab.Afunotreina_perceptronrecebe

ovetordepesosinicial(w),obiasinicial(b),osdadosdetreinamento(xin),as

sadasesperadasparaaentrada(yin),onmeromximodepocas(maxepocas)

eerrodetolerncia.Retornaovetordepesos,obiaseoerrodaltimapoca.

Logoapsaimplementaodafuno,apresentaseaoperceptroncomo

dadosdetreinamentoatabelaverdadedaportalgicaANDeutilizaafunode

treinamentoparatreinarneurnioaclassificarparesdevaloresbinrios.

function[w,b,erroepoca]=treina_perceptron(w,b,xin,yin,alfa,maxepocas,tol)//contadordepocast=1;//NumerodeentradasNsize=size(xin);//incializaerrocominfinitoE=9999;//enquantonopercorrertodasasepocaseoErrofoimaiorqueatolernciawhile((ttol))

//paracadapadrodeentradafori=1:Nsize(2)

//guardasaday(1,i)=yperceptron(xin(:,i),w,b);//guardaerrodasaida=desejadoencontradoerroepoca(1,i)=yin(1,i)y(1,i);//atualizavetordepesosw=w+(alfa*erroepoca(1,i)*xin(:,i)');

//atualizaobiasb=b+alfa*erroepoca(1,i);

end;//elevaerrosaoquadradoparaficarempositivosesomaE=sum(erroepoca^2);//passapraprximapocat=t+1;

end;endfunction

//padresdeentradaxin=[0101;0011];//saidasesperadasyin=[0001];//taxadeaprendizadoalfa=1.2;//nmeromximodepocasmaxepocas=10;//tolernciaparaoerrotol=0.001;//iniciapesos(costumaseutilizarvaloresrandmicos)w=[1.20.8];//iniciabias(costumaseutilizarvalorrandmico)b=0.3;//chamafunodetreinamento[w,b,e]=treina_perceptron(w,b,xin,yin,alfa,maxepocas,tol)

64

ANEXOB

EXEMPLOJOONEPARAOPROBLEMADAPORTALGICAXOR

AclasseaseguirrealizaotreinamentodeRNApararesolveroproblema

da porta lgica XOR, utilizandoo framework de RNAJOONE. Primeira,

necessriofazerodownloaddoenginenoJOONEnosite[20]doframeworke

adicionaraoprojeto.Paraexecutaroprogramabastaalterarosdoisatributos,

inputDataeoutputFile,comocaminhodosarquivosdoconjuntodetreinamento

eerro,respectivamenteecompilar.

/**XOR.java*SampleclasstodemostratetheuseoftheJoone'scoreengine*seetheDeveloperGuideformoredetails**VersoadaptadaaoportugusporLeonardoNascimentoFerreira*/

/**JOONEJavaObjectOrientedNeuralEngine*http://joone.sourceforge.net*/

importjava.io.File;importorg.joone.engine.*;importorg.joone.engine.learning.*;importorg.joone.io.*;importorg.joone.net.NeuralNet;

publicclassXORimplementsNeuralNetListener{//pathdoarquivocontendooconjuntodetreinamentoprivatestaticStringinputData="/media/sda1/Instaladores/"+"FrameworkJava/JOONE/jooneengine2.0.0RC1/samples/engine/xor/xor.txt";//pathdoarquivodesaidacontendoevoluodoerrodetreinamentoprivatestaticStringoutputFile="/media/sda1/Instaladores/"+"FrameworkJava/JOONE/jooneengine2.0.0RC1/samples/engine/xor/error.txt";

/***Construtordaclasse*/publicXOR(){}/***Mtodoprincipal*@paramargsosargumentosdelinhadecomando*/publicstaticvoidmain(Stringargs[]){//criaobjetodotipoXORXORxor=newXOR();//criaRNApassandopathdoconjuntodetreinamentoepathdoarquivo//desada,queirconteraevoluodoerroxor.Go(inputData,outputFile);}

/***MetodoquecriaetreinaRNA*@paraminputFile*@paramoutputFile*/publicvoidGo(StringinputFile,StringoutputFile){//Inicialmente,criatrscamadasLinearLayerinput=newLinearLayer();SigmoidLayerhidden=newSigmoidLayer();SigmoidLayeroutput=newSigmoidLayer();//danomescamadasinput.setLayerName("input");hidden.setLayerName("hidden");output.setLayerName("output");//configuraonmerodeneurniosquecadacamadairpossuirinput.setRows(2);hidden.setRows(3);output.setRows(1);//CriasinapsequeirligarcamadadeentradacomcamadaescondidaFullSynapsesynapse_IH=newFullSynapse();//CriasinapsequeirligarcamadaescondidacomcamadadesadaFullSynapsesynapse_HO=newFullSynapse();

66

//danomessinapsessynapse_IH.setName("IH");synapse_HO.setName("HO");//conectaascamadasdeentradaeescondidainput.addOutputSynapse(synapse_IH);hidden.addInputSynapse(synapse_IH);//conectaacamadaescondidacomacamadadesadahidden.addOutputSynapse(synapse_HO);output.addInputSynapse(synapse_HO);//CriaobjetodeleituradearquivoFileInputSynapseinputStream=newFileInputSynapse();//asduasprimeirascolunasdoarquivoiroconterospadresinputStream.setAdvancedColumnSelector("1,2");//associaaopathdoarquivoinputStream.setInputFile(newFile(inputFile));input.addInputSynapse(inputStream);//criaobjetoquequerepresentaoprofessorTeachingSynapsetrainer=newTeachingSynapse();//CriaobjetodeleituradearquivoFileInputSynapsesamples=newFileInputSynapse();samples.setInputFile(newFile(inputFile));//asadadesejadadospadresestonacoluna3samples.setAdvancedColumnSelector("3");//informaoprofessorqueassadasdesejadasestonaterceiracolunatrainer.setDesired(samples);//CriaobjetoqueirconteroerroFileOutputSynapseerror=newFileOutputSynapse();error.setFileName(outputFile);//informaaoprofessorqualseroarquivodeerrotrainer.addResultSynapse(error);//conectaoprofessorcamadadesadadaRNAoutput.addOutputSynapse(trainer);//CriaRNANeuralNetnnet=newNeuralNet();//inserecamadadeentradannet.addLayer(input,NeuralNet.INPUT_LAYER);//inserecamadaescondidannet.addLayer(hidden,NeuralNet.HIDDEN_LAYER);//inserecamadadesadannet.addLayer(output,NeuralNet.OUTPUT_LAYER);//indicaRNAseuprofessornnet.setTeacher(trainer);

67

//criamonitorqueirconfigurarparmetrosdeaprendizadoMonitormonitor=nnet.getMonitor();//configurataxadeaprendizadomonitor.setLearningRate(0.8);//configuramomentomonitor.setMomentum(0.3);//Aaplicaoregistraelamesmacomolistenerparareceber//notificaesdaRNAmonitor.addNeuralNetListener(this);//defineonmerodepadres(linhas)queseencontramnoconjuntode//treinamentomonitor.setTrainingPatterns(4);//defininmerodepocasmonitor.setTotCicles(2000);//sinalizaqueaRNAirsertreinadamonitor.setLearning(true);//iniciatreinamentonnet.go();}

/***Mtodoexecutadoquandotreinamentofinalizado*@parame*/publicvoidnetStopped(NeuralNetEvente){//informaquearedefinalizoutreinamentoSystem.out.println("Treinamentofinalizado!");}

/***Mtodoexecutadoquandoumapocatermina*@parame*/publicvoidcicleTerminated(NeuralNetEvente){

}

/***Mtodoexecutadoquandoiniciatreinamento*@parame*/publicvoidnetStarted(NeuralNetEvente){

68

//informausuriosobreiniciodotreinamentoSystem.out.println("Iniciandotreinamento...");}

/***Mtodoexecutadoquandooerrodetreinamentoalterado*@parame*/publicvoiderrorChanged(NeuralNetEvente){//obtmmonitordaRNAMonitormon=(Monitor)e.getSource();//acada200pocasif(mon.getCurrentCicle()%200==0)//informaaousurioonmerodepocasrestantesparaofimdo//treinamentoeerroSystem.out.println("Epocasparaofim:"+mon.getCurrentCicle()+"Errodetreinamento="+mon.getGlobalError());}

/***@parame*@paramerror*/publicvoidnetStoppedError(NeuralNetEvente,Stringerror){

}}

Oarquivo do conjunto de treinamento possui extenso .txt e deve

conteroseguintetexto:

0;0;0

1;0;1

0;1;1

1;1;0

69