Um estudo sobre a aplicação de algoritmos genéticos 
no investimento em ações utilizando análise técnica 
André Santos Tei...
Sumário 
● Motivação 
● Objetivo 
● Mercado de Ações 
● Análise Técnica 
● Algoritmos Genéticos 
● Experimentos 
● Conclus...
Motivação 
● Crescente popularização da bolsa 
● Difícil aplicação manual dos métodos de 
análise 
● Analisar o comportame...
Objetivo 
Investigar e avaliar a utilização de Algoritmos 
Genéticos na busca de melhores estratégias 
de compra e venda d...
Mercado de Ações 
● Investir em ações: 
○ Renda variável 
○ Alto potencial de lucro com alto risco → requer 
estudo e anál...
Análise Técnica 
● Charles H. Dow e a Teoria de Dow
Análise Técnica - Estratégias 
Cruzamento de Médias Móveis 
Zonas IFR
Algoritmo Genético 
Método de busca e otimização inspirado no processo de evolução 
natural das espécies 
Pseudocódigo de ...
Experimentos 
Tecnologias e Ferramentas Utilizadas
Primeiro Experimento - Modelagem 
● pi → Peso da estratégia i → [0,1] 
● ei → Sinal da estratégia i → {-1, 0, 1} 
Se resul...
Primeiro Experimento - Genético 
Indivíduo formado por genes reais 
● p1 → Peso da “Cruzamento de Médias [9, 40]” 
● p2 → ...
Primeiro Experimento - Avaliação
Primeiro Experimento - Estados 
Transição de estados dos indivíduos
Primeiro Experimento - Resultados 
1. Treinamento ano a ano 
● Bons resultados no 
treinamento não implicam 
em bons resul...
Primeiro Experimento - Resultados 
2. Treinamento acumulado 
● Melhor que o ano a ano 
● Aumento do período de 
treinament...
Primeiro Experimento - Conclusão 
Pesos tem pouca influência nos resultados 
Próximo experimento → Aumentar a influência d...
Segundo Experimento - Modelagem 
Modificações no Primeiro Experimento 
● Adição da estratégia Topos e Fundos OBV 
● Capita...
Segundo Experimento - Genético 
Indivíduo formado por genes reais 
● p1 → Peso da “Cruzamento de Médias [9, 40]” 
● p2 → P...
Segundo Experimento - Resultados 
1. Treinamento ano a ano 
● Melhora frente ao 
primeiro experimento 
● Bom resultado no ...
Segundo Experimento - Resultados 
2. Treinamento acumulado 
● Melhora frente ao 
primeiro experimento 
● Melhor que o “ano...
Segundo Experimento - Conclusão 
Aumento da influência dos pesos 
Próximo experimento → Mudança de direção do projeto
Terceiro Experimento 
● Decisão baseada apenas em 1 estratégia 
○ Variar os parâmetros da estratégia para encontrar a 
com...
Terceiro Experimento - Genético 
Duas representações experimentadas 
Real Binária 
● mme (1º gene) → Período da média expo...
Terceiro Experimento - Resultados 
Real Binária 
Exploração do espaço de busca com mutação e elitismo
Terceiro Experimento - Resultados 
Sem elitismo e sem mutação Com elitismo e mutação 
Evolução do melhor indivíduo (Repres...
Terceiro Experimento - Resultados 
Choque de Mutação
Terceiro Experimento - Exaustivo 
Dez mil melhores soluções
Terceiro Experimento - Conclusão 
● Difícil manipulação utilizando a representação real 
● Concentração de máximos locais ...
Quarto Experimento - Modelagem 
● Adição dos parâmetros de uma nova estratégia, “Zonas 
de IFR” 
● Adição do operador lógi...
Quarto Experimento - Genético 
Parâmetros representados nos indivíduos
Quarto Experimento - Resultado 
1. Treinamento ano a ano 
● Melhora em relação aos 
outros experimentos 
● Mesmo problema:...
Quarto Experimento - Resultado 
2. Treinamento acumulado 
● Melhor resultado do 
projeto 
● Resultados ruins nos 
últimos ...
Quarto Experimento - Conclusão 
● Operador NAND aparecendo em mais de 90% dos 
melhores indíviduos 
○ Baixa aparição do AN...
Comparação - Acumulados
Comparação - Contra renda fixa
Conclusões 
● Uma aplicação de algoritmos genéticos para a tomada 
de decisão na Bolsa de Valores foi apresentada; 
● A es...
Trabalhos Futuros 
● Maior leque de operações disponíveis; 
○ Vendas a descoberto (no quarto experimento), 
posições parci...
Obrigado!
Um estudo sobre a aplicação de algoritmos genéticos 
no investimento em ações utilizando análise técnica 
André Santos Tei...
Próximos SlideShares
Carregando em…5
×

Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica

472 visualizações

Publicada em

Apresentação de Projeto Final de Gradução de Ciência da Computação, DCC/UFRJ.

Publicada em: Dados e análise
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
472
No SlideShare
0
A partir de incorporações
0
Número de incorporações
16
Ações
Compartilhamentos
0
Downloads
9
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica

  1. 1. Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica André Santos Teixeira de Carvalho - 108090694 Matheus Motta de Almeida - 108135054 Orientador: João Carlos Pereira da Silva Universidade Federal do Rio de Janeiro Instituto de Matemática - IM Departamento de Ciência da Computação - DCC
  2. 2. Sumário ● Motivação ● Objetivo ● Mercado de Ações ● Análise Técnica ● Algoritmos Genéticos ● Experimentos ● Conclusão ● Trabalhos Futuros
  3. 3. Motivação ● Crescente popularização da bolsa ● Difícil aplicação manual dos métodos de análise ● Analisar o comportamento do Mercado de Ações é um problema interessante
  4. 4. Objetivo Investigar e avaliar a utilização de Algoritmos Genéticos na busca de melhores estratégias de compra e venda de ações.
  5. 5. Mercado de Ações ● Investir em ações: ○ Renda variável ○ Alto potencial de lucro com alto risco → requer estudo e análise! ○ Ordem de “stop” ● Como Analisar? ○ Análise Fundamentalista ○ Análise Técnica
  6. 6. Análise Técnica ● Charles H. Dow e a Teoria de Dow
  7. 7. Análise Técnica - Estratégias Cruzamento de Médias Móveis Zonas IFR
  8. 8. Algoritmo Genético Método de busca e otimização inspirado no processo de evolução natural das espécies Pseudocódigo de um AG
  9. 9. Experimentos Tecnologias e Ferramentas Utilizadas
  10. 10. Primeiro Experimento - Modelagem ● pi → Peso da estratégia i → [0,1] ● ei → Sinal da estratégia i → {-1, 0, 1} Se resultante > 0 → Compra Se resultante = 0 → Não faz nada Se resultante < 0 → Vende
  11. 11. Primeiro Experimento - Genético Indivíduo formado por genes reais ● p1 → Peso da “Cruzamento de Médias [9, 40]” ● p2 → Peso da “Zonas de IFR 14” ● stop → Porcentagem de “Stop” utilizada Crossover Simples e Mutação Aleatória
  12. 12. Primeiro Experimento - Avaliação
  13. 13. Primeiro Experimento - Estados Transição de estados dos indivíduos
  14. 14. Primeiro Experimento - Resultados 1. Treinamento ano a ano ● Bons resultados no treinamento não implicam em bons resultados no teste
  15. 15. Primeiro Experimento - Resultados 2. Treinamento acumulado ● Melhor que o ano a ano ● Aumento do período de treinamento não afeta o lucro de forma crescente ○ 2001-2004 e 2001- 2005
  16. 16. Primeiro Experimento - Conclusão Pesos tem pouca influência nos resultados Próximo experimento → Aumentar a influência dos pesos
  17. 17. Segundo Experimento - Modelagem Modificações no Primeiro Experimento ● Adição da estratégia Topos e Fundos OBV ● Capital utilizado na operação proporcional ao módulo da resultante ● Adição de um “gap” Se resultante > 0.5 → Compra Se -0.5 <= resultante <= 0.5 → Não faz nada Se resultante < -0.5 → Vende
  18. 18. Segundo Experimento - Genético Indivíduo formado por genes reais ● p1 → Peso da “Cruzamento de Médias [9, 40]” ● p2 → Peso da “Zonas de IFR 14” ● p3 → Peso da “Topos e Fundos do OBV” ● stop → Porcentagem de “Stop” utilizada Crossover Aritmético e Mutação Gaussiana
  19. 19. Segundo Experimento - Resultados 1. Treinamento ano a ano ● Melhora frente ao primeiro experimento ● Bom resultado no treinamento não implica em bom resultado no teste (2008 - 2009 )
  20. 20. Segundo Experimento - Resultados 2. Treinamento acumulado ● Melhora frente ao primeiro experimento ● Melhor que o “ano a ano” ● Comportamento crescente no treinamento
  21. 21. Segundo Experimento - Conclusão Aumento da influência dos pesos Próximo experimento → Mudança de direção do projeto
  22. 22. Terceiro Experimento ● Decisão baseada apenas em 1 estratégia ○ Variar os parâmetros da estratégia para encontrar a combinação mais lucrativa ● Avaliar o impacto dos parâmetros do genético na exploração ○ Representação Binária (32 bits/gene) x Real ○ Operadores
  23. 23. Terceiro Experimento - Genético Duas representações experimentadas Real Binária ● mme (1º gene) → Período da média exponencial ● mms (2º gene) → Período da média simples ● stop (3º gene) → Porcentagem de “Stop” utilizada
  24. 24. Terceiro Experimento - Resultados Real Binária Exploração do espaço de busca com mutação e elitismo
  25. 25. Terceiro Experimento - Resultados Sem elitismo e sem mutação Com elitismo e mutação Evolução do melhor indivíduo (Representação Binária)
  26. 26. Terceiro Experimento - Resultados Choque de Mutação
  27. 27. Terceiro Experimento - Exaustivo Dez mil melhores soluções
  28. 28. Terceiro Experimento - Conclusão ● Difícil manipulação utilizando a representação real ● Concentração de máximos locais dificultou a convergência ○ Choque de mutação ● Elistimo é um mecanismo importante ● Parâmetros do próximo experimento: ○ Representação binária, Elitismo, Mutação e Choque de Mutação
  29. 29. Quarto Experimento - Modelagem ● Adição dos parâmetros de uma nova estratégia, “Zonas de IFR” ● Adição do operador lógico (AND, OR, XOR, NAND) ○ Lógica booleana ■ Verdadeiro → compra ■ Falso → Não opera ○ Saída de operações apenas por “Stop”
  30. 30. Quarto Experimento - Genético Parâmetros representados nos indivíduos
  31. 31. Quarto Experimento - Resultado 1. Treinamento ano a ano ● Melhora em relação aos outros experimentos ● Mesmo problema: bons resultados no treinamento não implica em bons resultados no teste (2007, 2008)
  32. 32. Quarto Experimento - Resultado 2. Treinamento acumulado ● Melhor resultado do projeto ● Resultados ruins nos últimos anos levam a crer que existe um problema em usar um horizonte de treinamento muito longo
  33. 33. Quarto Experimento - Conclusão ● Operador NAND aparecendo em mais de 90% dos melhores indíviduos ○ Baixa aparição do AND ● Os resultados podem indicar o grau de incerteza existente na Análise Técnica ○ Melhores parâmetros encontrados divergem dos vendidos pelas corretoras
  34. 34. Comparação - Acumulados
  35. 35. Comparação - Contra renda fixa
  36. 36. Conclusões ● Uma aplicação de algoritmos genéticos para a tomada de decisão na Bolsa de Valores foi apresentada; ● A escolha dos operadores e parâmetros do AG foi decisiva para o sucesso do quarto experimento; ● Foram obtidos resultados satisfatórios ○ Lucro médio superior a variação anual com metade do desvio padrão (risco)
  37. 37. Trabalhos Futuros ● Maior leque de operações disponíveis; ○ Vendas a descoberto (no quarto experimento), posições parciais, análise de risco e investimento em múltiplas ações ● Adicionar outras informações à tomada de decisão; ○ Indicadores Fundamentalistas e notícias ● Generalizar o processo de treinamento e teste; ○ Utilizando diversas ações e índices ■ Escolher a melhor ação para ser investida dependendo das condições atuais
  38. 38. Obrigado!
  39. 39. Um estudo sobre a aplicação de algoritmos genéticos no investimento em ações utilizando análise técnica André Santos Teixeira de Carvalho - 108090694 Matheus Motta de Almeida - 108135054 Orientador: João Carlos Pereira da Silva Universidade Federal do Rio de Janeiro Instituto de Matemática - IM Departamento de Ciência da Computação - DCC

×