Baixe o app para aproveitar ainda mais
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
Compartilhar