2011s2-mc906-seminario-12

Prévia do material em texto

GRUPO 12 
 
Celso André Locatelli de Almeida 
Gabriell Orisaka 
Jorge Domingos Pizollato Filho 
José Lucas do Nascimento Santos 
 
Nostrademus 
COMPRA 
VENDA 
 O mercado de ações se caracteriza por possuir 
diversas variáveis e fatores que influenciam a 
dinâmica de preços das companhias; 
 
 Diversas técnicas de inteligência artificial tem 
sido largamente utilizadas na tentativa de 
reconhecer padrões e com isso otimizar 
estratégias de investimentos 
 
 
 Demanda crescente por ferramentas do tipo 
“algorithmic trading”; 
 
 Baixo índice de acerto nas recomendações dos 
analistas das principais corretoras; 
 
 União das estratégias fundamentalista e técnica 
através da programação genética. 
 
 
 
 
 
 Identificar quais regras de negociação adotadas 
apresentam maior grau de confiança; 
 
 Permitir que investidores iniciantes ou 
experientes recorram a uma única solução. 
 
 Inovação na tentativa de mensurar dados 
fundamentalistas na decisão de curto prazo. 
 Desenvolver uma ferramenta auxiliar de 
suporte às decisões de compra e venda de 
ativos na Bovespa; 
 
 Predizer, com base no fechamento, dentre as 
100 ações componentes do IBrX, quais são as 
melhores decisões de investimento em termos 
de acurácia e retorno esperado. 
 
 
 
 
 
 
 
 
 
 
 
 
 Média Móvel 
 Regressão Linear 
 MACD 
 ADX 
 ROC 
 RSI 
 Estocástico 
 Williams %R 
 OBV 
 Bandas de Bollinger 
 Suporte e Resistência 
 Candlestick 
 Trend Lines 
 Padrões Gráficos 
 Teoria de Elliot 
EXEMPLO - REGRA TÉCNICA 
REGRA MACD : Se a linha da Média Móvel de curto prazo cruzou 
pra baixo a linha da Média Móvel de longo prazo - > VENDA . 
Caso contrário - > COMPRA . 
 Ibovespa 
 Dow Jones 
 Taxa Selic 
 Taxa de 
câmbio(Dollar) 
 Preço do produto 
 P/L 
 VPA 
 LPA 
 
 EV/EBIDTA 
 Dividend Yeld 
 Margem Líquida 
 Notícias 
Macroeconômicas 
 Notícias Setoriais 
 Notícias da empresa 
 Fatores externos 
 
Bovespa fecha em alta de quase 3% após redução 
da Selic 
"Baixa dos juros é música para nossos ouvidos," 
diz Edemir Pinto, presidente da BM&FBovespa; 
Olívia Alonso, iG São Paulo | 01/09/2011 10:43 
 Regra: A redução da taxa de juros favorece o 
aumento do valor de mercado das cias. 
 
 
 INDIVÍDUO 
 FITNESS 
 GERAÇÃO 
 REPRODUÇÃO 
 CROSSOVER 
 MUTAÇÃO 
1. Crie uma população inicial aleatória 
2. Repita até que um indivíduo "aceitável" seja 
encontrado, ou alguma condição de parada seja 
satisfeita 
 2.1. Avalie cada indíviduo/programa pela 
função de fitness 
 2.2. Aplique a evolução (reprodução, mutação, 
crossover) 
3. Retorne o melhor indívíduo 
 
INDIVÍDUO 
 
 TERMINAIS : 
 
 SÉRIE HISTÓRICA DE COTAÇÕES 
 INDICADORES FUNDAMENTALISTAS 
 INDICADORES TÉCNICOS 
 VALORES ENTRE 0 e 100 
 
 FUNÇÕES : 
 
 OPERADORES LÓGICOS (And, Or, Not) 
 OPERADORES CONDICIONAIS (If-then-else) 
 OPERADORES DE COMPARAÇÃO ( >, <) 
 OPERADORES MATEMÁTICOS ( + , - , * , / ) 
 
FITNESS 
 
• Tempo de observação (T) 
• Horizonte de previsão (H) 
 
 ERRO = 1
𝐻
 𝑥𝑡+𝑗 − 𝑃𝑟𝑒𝑑𝑗 𝑡 , 1 < 𝑡 < 𝑇
𝐻
𝑗=1 
 (Erro médio de previsão no horizonte H) 
 
EVOLUÇÃO 
 
 Reprodução : “sorteio” de indivíduos para a 
próxima geração 
 
 Mutação : Redefinição das regras de negociação, 
modificando a estrutura lógica do problema 
 
 Crossover : Recombinação de regras ou terminais, 
podendo gerar indivíduos melhores 
 
 
 Protótipo que prever a cotação com base em 10 
indicadores técnicos; 
 
 Desenha a árvore do melhor indivíduo 
 
 
 
 
 
 
EXEMPLO DE “SOLUÇÃO” 
 Obtenção, classificação e mensuração de notícias 
 
 Atualização diária de dados 
 
 Filtragem da série histórica de cotações 
 
 Obtenção de expressões coerentes 
 
 Base histórica de notícias 
 
 Implementar regras auxiliares de análise 
técnica 
 
 Implementar regras de análise fundamentalista 
 
 Comparar nossos resultados com outros 
modelos de previsão 
 
 
TRABALHOS RELACIONADOS 
NEUROINVEST 
TRADING SOLUTIONS 
 Kaboudan, M. Genetic Programming Prediction 
of Stock Prices, Computacional Economics 
 Jin Li and Edward P.K. Tsang, Improving 
Technical Analysis Predictions: An Application 
of Genetic Programming 
 Jean-Yves Potvin, Patrick Soriano, Maxime Vallee. 
Generating trading rules on the stock markets 
with genetic programming 
 Fernando J. Von Zuben, Computação Evolutiva : 
Uma abordagem pragmática 
 Tom Heine Nätt. Generating Trading Systems 
Through Genetic Programming