Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTRODUÇÃO Neste trabalho serão realizadas análises estatísticas sobre os resultados de perfomance obtidos a partir da aplicação do sistema operacional de trade denominado IFR2 nas ações da empresa Minerva Foods do setor de alimentos (carnes e derivados) negociada na bolsa de valores através do código BEEF3. O modelo será aplicado diretamente sobre os dados históricos diários do papel no período de 02/01/2015 até 03/07/2020 e utiliza o indicador Índice de Força Relativa (IFR) de 2 períodos como ferramenta principal. Adicionalmente, serão coletadas informações dos valores das principais médias móveis utilizadas por trades para entender se a posição destas médias móveis em relação aos preços negociados durante as operações possuiam influência sobre os resultados e, portanto, se poderiam servir como parâmetros adicionais para a realização das entradas pelo modelo IFR2. Deste modo, também foram coletados os valores das médias móveis aritméticas de 21,50 e 200 períodos, da média móvel exponencial de 9 períodos e das bandas superior e inferior de Bollinger. ÍNDICE DE FORÇA RELATIVA O Índice de Força Relativa foi desenvolvido por J. Welles Wilder e trata-se de um oscilador de momentum que mede a velocidade e a mudança dos movimentos de preços. O IFR oscila entre 0 e 100 e tradicionalmente é considerado superavaliado quando acima de 70 e subavaliado abaixo de 30. O cálculo para encontrar o IFR de um ativo é: 𝐼𝐹𝑅 = 100 − (100 + 1 ( 𝑎 𝑏 ) ) Onde, 𝑎 → Média dos preços de fechamento dos dias de alta do período 𝑏 →Média dos preços de fechamento dos dias de baixa do período 2 MODELO IFR2 O modelo IFR2 possui algumas variações e neste trabalho ele foi utilizado a partir das seguintes premissas, que são ilustradas pela figura 1: A. Compra no Preço de Fechamento, quando o indicador IFR(2) estiver abaixo de 10; B. Alvo móvel no maior valor das duas máximas anteriores ao candle atual; C. Operação realizada no gráfico diário. 3 ESTUDOS REALIZADOS NO ANACONDA E KNIME A seguir são apresentados os outputs obtidos durante os estudos realizados no ambiente Jupyter Notebook do Anaconda e no software Knime. Figura 1: Dataframe Head (10 Primeiras linhas). Figura 2: Descrição das colunas que continham valores numéricos. Detalhe para a média de lucro bruto percentual positiva. Figura 3: Total de Operações realizadas com o modelo, aproximadamente 64% de taxa de acerto. 4 Figura 4: Histogramas e Boxplot dos lucros percentuais. 5 Figura 5: Histograma da Razão do Volume Financeiro pela sua média aritmética dos últimos 20 períodos. A seguir são apresentadas as frequências em que as diversas médias móveis consideradas nesse estudo encontravam-se acima ou abaixo do preço de fechamento durante as operações e suas respectivas taxas de acerto nessas situações. Repara-se, imediatamente, nas maiores taxas de acerto do modelo, quando a faixa de preço encontrava-se acima destas médias. 6 7 Em resumo e comparação, foi realizada a seguinte tabela gerada a partir da árvore de decisão produzida no software Knime. Situação Operações Vencedoras Operações Perdedoras Quantidade de Entradas Fechamento>MMA[21] 94,40% 5,60% 18 Fechamento>MMA[200] 76,70% 23,30% 30 Fechamento>EMA[9] 73,00% 27,00% 37 Fechamento>MMA[50] 71,40% 28,60% 28 Fechamento<MMA[50] 60,40% 39,60% 48 Fechamento<MMA[200] 56,50% 43,50% 46 Fechamento<EMA[9] 56,40% 43,60% 39 Fechamento<MMA[21] 55,20% 44,80% 58 8 Para ilustração, são demonstradas a seguir as árvores de decisão geradas no Knime: 9 Figura 6: Histogrma utilizando base logarítmica para Outliners Por fim foi realizada a técnica da validação cruzada (cross-validation) para avaliar a capacidade de generalização do modelo, a partir dos conjuntos de dados. Esta técnica é amplamente empregada em problemas onde o objetivo da modelagem é a predição. Busca-se então estimar o quão preciso é este modelo na prática, ou seja, o seu desempenho para um novo conjunto de dados. 10 11
Compartilhar