1) O documento descreve a trajetória acadêmica e profissional de Dr. Cleber Gomes, com formação em engenharia e experiência no Japão e Israel.
2) A apresentação cobrirá sistemas complexos dinâmicos, o mercado de ações como um sistema desse tipo, a possibilidade de previsão do mercado e o sistema de previsão desenvolvido.
3) É mostrado que sistemas complexos como o mercado de ações podem ter comportamentos aparentemente aleatórios mas esconder uma ordem intrínseca
Boas práticas de programação com Object Calisthenics
Apresentação
1. • Dr. Cleber Gomes é formado em Eng.
Eletrônica pela UFRJ e possui um Ph.D.
pela Universidade de Tóquio de
Tecnologia e Agricultura. Viveu durante
7 anos em Tóquio onde trabalhou como
pesquisador em empresas de renome
como NEC e Sharp. Viveu também por 7
anos em Israel, onde ocupou cargos de
gerenciamento e de pesquisa e
desenvolvimento em empresas de
software nas áreas de reconhecimento de
padrões, inteligência artificial,
processamento distribuído e segurança
para o sistema Unix.
2. A apresentação a seguir cobrirá os seguintes tópicos:
• Sistemas Complexos Dinâmicos – A Lógica do Irracional
• O Mercado de Ações como um Sistema Complexo
Dinâmico
• O Mercado de Ações pode ser previsto?
• Prevendo o Mercado de Ações
• Nosso Sistema de Previsão
• Conclusões e Passos Futuros
3. Sistemas Complexos Dinâmicos – A Lógica do Irracional
• Sistemas complexos dinâmicos são sistemas capazes de apresentar
comportamentos que, apesar de aparentemente aleatórios, podem
muitas vezes esconder uma ordem intrínseca difícil de ser
compreendida à primeira vista. São exemplos desses sistemas o clima,
o sistema imunológico, a sociedade humana e o mercado de ações,
entre outros. Sistemas desse tipo apresentam em comum características
que os tornam inerentemente imprevisíveis a longo prazo, como por
exemplo a não-linearidade.
4. • Em sistemas não-lineares a saída não é proporcional à entrada como
ocorre em sistemas lineares, e assim, pequenas mudanças nas condições
de entrada podem levar a grandes mudanças nas condições de saída:
5. • Um bom exemplo desse efeito, e fácil de ser visualizado, é a avalanche
que pode ocorrer em um monte de areia como consequência da queda de
um único grão:
6. • Além desse efeito não-linear, sistemas complexos dinâmicos são
caracterizados também por um mecanismo de retroalimentação, ou
feedback, que existe entre a saída e a entrada do sistema. Ou seja, além
de pequenas variações nas condições de entrada poderem provocar
grandes variações na saída, devido à não-linearidade, essas variações na
saída influenciam novamente o sistema ad-infinitum:
7. • Isso é o que leva à imprevisibilidade de tais sistemas no longo prazo,
porque pequenas mudanças nas condições iniciais são amplificadas
exponencialmente ao longo do tempo levando a comportamentos
totalmente diferentes no futuro:
8. • Tal característica de sistemas complexos dinâmicos ficou também
conhecida como “Efeito Borboleta”, definido da seguinte forma por
Edward Lorenz:
O bater de uma única asa de borboleta hoje produz uma minúscula alteração no
estado da atmosfera. Após certo tempo, o que esta efetivamente faz diverge do
que teria feito, não fosse aquela alteração. Assim, ao cabo de um mês, um
ciclone que teria devastado o litoral da Indonésia não acontece. Ou acontece um
que não iria acontecer.
9. • Apesar de serem imprevisíveis a longo prazo, sistemas complexos
dinâmicos podem, no entanto, ser passíveis de previsão no curto e
médio prazos devido à ordem que eles apresentam em seu
comportamento. Mesmo que esse comportamento aparente ser aleatório,
ele muitas vezes esconde uma certa ordem intrínseca. Esta ordem
geralmente não é visível quando olhamos a evolução do sistema no
tempo, mas emerge ao desenharmos sua trajetória em um espaço de
fase.
10. • O espaço de fase nada mais é do que um gráfico onde cada dimensão
corresponde a uma variável ou parâmetro do sistema, e as variáveis são
desenhadas umas em relação às outras de forma a mostrar a trajetória do
sistema como um todo:
11. • Se a evolução do sistema no espaço de fase sempre tender a uma certa
trajetória preferida, dizemos que essa trajetória representa o atrator do
sistema. O atrator é uma trajetória ou posição de equilíbrio dentro do
espaço de fase, de tal modo que, ainda que outra posição seja a inicial, o
sistema sempre evolui em direção a ele. Um exemplo simples de atrator
seria o centro de uma bacia esférica contendo uma bolinha de gude:
12. • Dependendo do sistema, atratores podem ser regulares como a órbita
dos planetas, periódicos como o ciclo de oscilação de pêndulos, ou
podem representar uma sequência infinita de estados que, apesar de
nunca se repetir, permanece sempre contida dentro dos limites de uma
área restrita no espaço de fase:
13. • A esse último caso chamamos de atrator estranho. Em sistemas
complexos dinâmicos que apresentam um atrator estranho existe uma
ordem intrínseca porque a trajetória percorrida pelo sistema é limitada
ao atrator e, por conseguinte, pode, até certo ponto, ser prevista.
14. • O primeiro a examinar a fundo sistemas complexos dinâmicos foi o
meteorologista americano Edward Lorenz, que, nos anos 60, estudou
um modelo do clima de três dimensões, e descobriu que as variáveis x, y
e z desse modelo sempre seguiam uma trajetória no espaço de fase
parecida com uma espiral dupla:
15. • Lorenz havia descoberto o primeiro atrator estranho de um sistema
complexo dinâmico simulado em computador, o qual ficou conhecido
como atrator de Lorenz. O modelo estudado por Lorenz consistia no
seguinte sistema de equações diferenciais não-lineares:
• dx / dt = a (y - x)
• dy / dt = x (b - z) - y
• dz / dt = xy - c z
• a,b,c constantes.
16. • Como pode-se observar, as equações do modelo de Lorenz descrevem
um sistema do tipo mencionado anteriormente, não-linear e baseado em
um mecanismo de feedback. O mecanismo de feedback está presente
porque a variação no tempo a cada instante dos parâmetros x, y e z
serve para determinar os seus valores no instante seguinte:
17. • A simulação no computador dessas equações nos dá a oportunidade de
observar de forma simples o tipo de comportamento que é geralmente
apresentado por sistemas complexos dinâmicos reais, como por exemplo
o mercado de ações. É possível então visualizar que tal comportamento
é caracterizado por uma grande sensibilidade às variações nos valores
iniciais dos parâmetros do sistema, e pela forma não periódica e
aparentemente aleatória com que esses parâmetros evoluem no decorrer
do tempo. Para ilustrar esse tipo de comportamento, preparamos uma
série de applets em java que simulam as equações de Lorenz.
18. • O primeiro applet à esquerda mostra a trajetória do sistema no espaço de
fase, onde plotamos as variáveis x+y contra z. O segundo applet mostra
a mesma trajetória ao longo do tempo, no gráfico onde plotamos x+y+z
contra t. Já o applet mais abaixo mostra a soma dos valores iniciais das
variáveis. Os valores iniciais de x, y e z são determinados pela posição
do mouse dentro do espaço de fase:
19. • Clicando-se no applet do espaço de fase três vezes em rápida sucessão,
sem mover o mouse, inicializamos o sistema com três conjuntos de
valores iniciais para x, y e z que, apesar de distintos, são muito
próximos. Obtemos assim três condições iniciais quase idênticas,
possibilitando observar a sensibilidade do sistema a pequenas variações
em suas condições iniciais.
20. • Os comportamentos do sistema para os três conjuntos de condições
iniciais são representados abaixo pelas linhas vermelha, verde e azul.
Observamos então que, na fase inicial, os três sistemas evoluem
praticamente juntos:
21. • Para então, após um curto período de tempo, divergirem entre si de
forma abrupta:
22. • E, no futuro, apresentarem comportamentos totalmente diversos. Temos
assim, uma ilustração de como o comportamento futuro desse tipo de
sistema é fortemente influenciado por pequenas variações em seu estado
inicial:
23. • Além da sensibilidade às condições iniciais, outra interessante
característica de sistemas complexos dinâmicos pode também ser
observada com a passagem do tempo. Observem como o
comportamento do sistema ao longo do tempo parece um sinal
totalmente desordenado e aleatório. No entanto, apesar dessa aparente
aleatoriedade, existe uma ordem escondida neste comportamento, a qual
é demonstrada pelo atrator visível no espaço de fase:
24. • Ambos os applets mostram a evolução do mesmo sinal, só que
representado de duas formas diferentes. T representa a transformação,
ou mudança de coordenadas, que torna o atrator do sistema visível e faz
emergir a ordem escondida no comportamento do sinal no tempo:
25. • Ou seja, apesar de parecer gerar sinais completamente aleatórios ao
longo do tempo, sistemas como esse apresentam um comportamento
ordenado que é sempre atraído para uma estrutura finita, o atrator
estranho do sistema. O atrator que denota a ordem inerente ao sistema é,
no caso em questão, o atrator de Lorenz.
26. • Assim, apesar do comportamento de sistemas dinâmicos complexos
nunca se repetir, previsões de curto prazo são, em principio, possíveis.
A possibilidade de previsão existe devido à ordem inerente a tais
sistemas, a qual deve ser extraída de seu comportamento pela
transformação correta. No caso de um sistema simples como aquele
representado pelas equações de Lorenz, essa transformação T não passa
da mera mudança de coordenadas que possibilita encontrar o atrator do
sistema. Já para sistemas da vida real, como os encontrados na natureza
e no mercado financeiro, T é de difícil solução, exigindo várias etapas
de processamento. No restante da apresentação demonstraremos um
sistema de previsão que procura resolver a transformação T e fazer
emergir a ordem escondida dentro do mercado de ações.
27. O Mercado de Ações como um Sistema Complexo
Dinâmico
• O mercado de ações é um jogo de grande complexidade, composto por
um grande número de agentes humanos, que compram e vendem ações
seguindo suas expectativas individuais a respeito de seu
comportamento futuro. Os agentes que operam nesse mercado
apresentam, por serem humanos, uma tendência a basearem suas
decisões em fatores emocionais, como medo e euforia, fatores esses
que não podem ser descritos de forma linear.
28. • Por exemplo, os operadores comprados em uma certa ação que tenha
apresentado uma grande queda ontem, irão provavelmente tentar
vender suas ações hoje, motivados pela expectativa ou medo de que a
queda continue. Alguns operadores provavelmente esperarão mais
tempo que outros para vender, e alguns venderão assim que o preço
ultrapassar um certo nível, ou stop, agregando um alto teor de não-
linearidade ao processo. Essa propensão coletiva à venda irá, por sua
vez, acelerar a queda das ações, num processo de feedback positivo.
29. • Esse tipo de processo de feedback é o que leva ao conhecido efeito
manada. Nesse processo, a queda progressiva do preço P de um ativo
aumenta a expectativa de queda EQ dos operadores do mercado em
relação ao ativo, o que por sua vez reforça a tendência de queda:
30. • Esse mecanismo de feedback, aliado à não-linearidade inerente às
decisões humanas, é o que faz o mercado de ações comportar-se
basicamente como um sistema complexo dinâmico.
31. O Mercado de Ações pode ser previsto?
• Se o mercado de ações se comporta realmente como um sistema
complexo dinâmico, pode ser que exista uma ordem intrínseca
escondida sob a aparente aleatoriedade dos preços das ações, a qual
torna previsões de curto prazo possíveis. Se tal ordem realmente
existe, é devida à forma não-instantânea com que as pessoas se
adaptam às novas informações, não tomando decisões até que novas
tendências despontem, e então colaborando para que estas tendências
sejam reforçadas. Se é esse o caso, então os preços das ações não são
aleatórios, representando um passeio ao acaso, mas apresentam um
período de memória durante o qual eventos passados continuam a
influenciar eventos futuros.
32. • Existe uma medida estatística, conhecida como Expoente de Hurst (H)
que pode ser usada para testar a presença de um viés, ou efeito de
memória, em séries temporais que aparentemente se comportam como
passeios ao acaso. O Expoente de Hurst foi criado por Harold Hurst,
um hidrólogo que ao estudar o regime de vazão do Nilo, descobriu que
muitos sistemas naturais seguem um padrão de passeio ao acaso
viesado, ou seja, uma tendência com ruído sobreposto. H, então,
serviria para medir a relação entre a forca da tendência e o nível de
ruído presente no comportamento de tais sistemas.
33. • O valor de H pertence ao intervalo entre 0 e 1, e pode ser entendido
como a probabilidade de que uma alta no nível de um sinal qualquer
hoje se repita dentro de um determinado período de tempo. Quando H
é igual a 0,5, existe uma probabilidade de repetição de 50%, ou seja, o
sinal é aleatório. Para H maior que 0,5, como a probabilidade de
repetição é maior que 50%, o sinal não é aleatório e apresenta um
comportamento chamado de persistente. Para valores menores que 0,5,
o sinal é chamado de anti-persistente, ou seja, existe uma
probabilidade maior que 50% de que altas hoje gerem baixas após o
período de tempo considerado.
34. • É fácil entender que o valor de H de um certo sinal depende do
período de repetição, ou ciclo, analisado. Por exemplo, um sinal pode
apresentar uma tendência a repetir altas num ciclo semanal mas ser
completamente aleatório no diário. Nesse caso teríamos H igual a 0,5
para o ciclo do dia e maior que 0,5 para o ciclo da semana.
35. • No caso de uma senoide, por exemplo, temos H igual a 1 para um ciclo
de tempo igual ao período de onda e igual a 0 para um ciclo igual a
meio período. Isso porque, podemos esperar que uma alta hoje seja
sempre seguida por outra após 1 período de onda, e por uma baixa após
meio período:
36. • No caso de sinais mais complexos, como as séries temporais de preços
de ações por exemplo, podemos apenas estimar H como a probabilidade
média de repetição de altas ou baixas depois de vários períodos de ciclo.
Através de H podemos dizer então que existe, por exemplo, uma
probabilidade igual a 70% de que uma alta hoje acarrete em uma alta em
algum dia durante o próximo mês. É, no entanto, impossível precisar
exatamente quando tal alta ocorrerá.
37. • Sendo assim, apesar de H não poder ser usado diretamente com o
objetivo de previsão, pode ser usado para testar a hipótese de que os
preços não são aleatórios, ou seja, de que existe uma ordem intrínseca a
eles, e que, por conseguinte, previsões não são impossíveis. Com tal
intuito, medimos H para 6 ações negociadas na Bovespa, considerando
seus preços desde Janeiro de 2003 até Dezembro de 2004. As ações
testadas foram as seguintes:
38. • O resultado das medições de H podem ser vistos nos gráficos a seguir.
Tais gráficos representam os valores médios de H para várias faixas de
períodos de ciclo. As faixas vão desde 2 a 12 dias até a extensão
abrangendo toda a série temporal.
39. • Para Petrobrás, encontramos o valor máximo de H igual a 0,75, para a
faixa de 2 a 12 dias. Isso quer dizer que, se houver uma alta hoje, existe
75% de probabilidade de alta entre amanhã e 12 dias no futuro:
40. • Para Embraer, encontramos o valor máximo de H igual a 0,77, para a
faixa de 2 a 12 dias. Isso quer dizer que, se houver uma alta hoje, existe
77% de probabilidade de alta entre amanhã e 12 dias no futuro:
41. • Para Vale, encontramos o valor máximo de H igual a 0,77, para a faixa
de 2 a 13 dias:
42. • Para Siderúrgica de Tubarão, encontramos o valor máximo de H igual a
0,77, para a faixa de 2 a 12 dias:
43. • Para Eletropaulo, encontramos o valor máximo de H igual a 0,76, para a
faixa de 2 a 12 dias:
44. • Para Telemar, encontramos o valor máximo de H igual a 0,74, para a
faixa de 2 a 12 dias. Isso quer dizer que, se houver uma alta hoje, existe
74% de probabilidade de alta entre amanhã e 12 dias no futuro:
45. • Como pode-se observar, para todos os 6 ativos analisados existe uma
forte probabilidade, algo entre 70 e 80%, de repetição da tendência atual
em algum momento durante os próximos 10 dias aproximadamente. E
esta probabilidade decresce rapidamente quanto mais longe no futuro
olharmos. Ou seja, os ativos mostram um forte efeito de memória de
curto prazo.
46. • Tais resultados são muito significativos por provarem que os preços das
ações não variam aleatoriamente, e que, tal qual ocorre com sistemas
complexos dinâmicos, comportam-se seguindo uma certa ordem
inerente. Para efetivamente podermos prever seu comportamento no
futuro próximo é necessário, no entanto, desenvolvermos as
transformações, ou modelos corretos, que sejam capazes de detectar tal
ordem e torná-la inteligível.
47. Prevendo o Mercado de Ações
• Existem basicamente três escolas principais de análise do mercado de
ações que procuram prever seu comportamento futuro. Cada uma delas
oferece seu próprio arsenal de métodos e técnicas que servem como
guias para a eficiente alocação de capital, com o intuito de maximizar
o ganho e minimizar o risco. Duas das escolas são mais conhecidas, a
fundamentalista e a gráfica, enquanto a terceira, que trata da análise
não-linear de séries temporais, não é tão difundida.
48. • A análise fundamentalista se baseia em informações a respeito da
saúde financeira das empresas, como lucratividade, geração de caixa e
endividamento, para selecionar as ações com maior probabilidade de
ganho e menor risco. Sua grande vantagem é que, na maioria das
vezes, o comportamento a longo prazo das ações reflete bem os
fundamentos de suas respectivas empresas. Sua desvantagem, no
entanto, é que a análise fundamentalista não é capaz de prever as
variações dos preços no curto e médio prazos, as quais estão sujeitas a
fortes fatores não-lineares.
49. • Já a analise gráfica procura justamente prever as variações dos preços
a curto e médio prazos, baseando-se na tentativa de perceber padrões
gráficos nos preços das ações. Tais padrões, por apresentarem uma
tendência à repetição, serviriam como bons indicadores do possível
comportamento futuro dos preços. A vantagem da análise gráfica é a
relativa simplicidade e facilidade de compreensão por parte dos
operadores, tanto das ferramentas usadas quanto dos resultados das
análises. Sua desvantagem, no entanto, deve-se também à grande
disseminação dessas ferramentas, porque nenhum operador é capaz de
conquistar uma vantagem consistente usando uma tecnologia que é
conhecida por todos.
50. • Uma boa analogia desse ponto de vista seria um jogo de pôquer em que
um dos jogadores repentinamente adquire a capacidade de ver através
da primeira carta dos seus oponentes. Enquanto ele for o único com tal
capacidade terá uma vantagem expressiva sobre os outros e
provavelmente ganhará uma grande quantidade de dinheiro a longo
prazo:
51. • No entanto, quando todos na mesa aprenderem o mesmo truque, os
jogadores entrarão novamente numa situação de equilíbrio, em que
ninguém possui uma vantagem consistente além de seu próprio talento:
52. • A análise não-linear, por sua vez, trata as séries temporais dos preços
como qualquer outro tipo de sinal a ser analisado através de técnicas
avançadas e relativamente novas da Tecnologia de Informação. Essas
técnicas incluem teoria do caos, redes neurais, algoritmos genéticos e
lógica fuzzy para processamento de sinais e reconhecimento de padrões.
A vantagem desse tipo de tecnologia é que seu caráter não-linear e
multidimensional apresenta uma melhor chance de efetivamente
prever o comportamento a curto e médio prazos dos preços, por
tratar o mercado de ações como um sistema complexo dinâmico, o que
ele basicamente é. A impossibilidade de previsões a longo prazo, no
entanto, ainda permanece, devido à sensibilidade às condições iniciais
inerente ao próprio mercado.
53. • Do ponto de vista do usuário, a relativa complexidade e dificuldade de
compreensão dessas ferramentas e seus resultados são tanto uma
desvantagem quanto uma vantagem. Desvantagem devido à dificuldade
de uso das técnicas envolvidas, mas vantagem por possibilitarem a
conquista por parte daquele operador que souber tirar proveito dessas
técnicas, de uma arma mais poderosa e consistente a ser usada no jogo
do mercado.
54. • Voltando à analogia ao jogo de pôquer, usufruir das técnicas da análise
não-linear equivaleria para o operador, a adquirir a capacidade de ver
através da primeira e da segunda cartas de seus oponentes:
55. • Nos próximos slides passaremos a descrever o funcionamento e
resultados obtidos com nosso sistema de previsão, o qual foi projetado
com base no estado-de-arte das tecnologias usadas na análise não-
linear. Acreditamos que os resultados demonstrados até agora provam
que é possível obter, através do uso de tais técnicas, aquela pequena
vantagem que, como ocorre no jogo de pôquer, pode assegurar ganhos
consistentes no mercado de ações.
57. • Em nosso sistema o sinal atravessa uma série de estágios de
processamento, tornando-se mais “inteligente”, ou ordenado, à medida
que passa dos estágios de mais baixo nível para os de mais alto nível.
Assim, o sinal inicial que é a série temporal de preços das ações, acaba
por produzir no final sinais de compra e venda para cada empresa
analisada:
58. • Nosso sistema foi desenvolvido com as seguintes premissas em mente:
• Procurar maximizar a relação entre ganho e risco das
operações.
• Procurar minimizar o número de operações, quando possível.
• Procurar adaptar os modelos de processamento às
características individuais de cada ação.
• Procurar adaptar os modelos de processamento às condições
atuais do mercado.
59. • A arquitetura simplificada do sistema é mostrada na figura a seguir. A
espiral dupla mostrada na figura serve para exemplificar a estrutura
representativa de ordem, ou atrator da série temporal de entrada, a ser
“compreendida” pelo sistema:
60. • No caso de sinais complexos como séries de preços de ações, tal atrator
provavelmente não é estacionário como no caso da espiral dupla de
Lorenz, mas varia com o tempo denotando uma estrutura de ordem
em constante mutação. Prever o comportamento das ações torna-se
assim análogo a tentar acertar na mosca de um alvo em movimento:
61. • Daí a importância de dar aos modelos internos do sistema de previsão a
capacidade de adaptação dinâmica às condições correntes do
mercado. Além disso, o sistema de previsão deve também, ser capaz de
adaptar sua estrutura interna às características individuais de cada
ativo analisado. O comportamento das ações de cada empresa é
diretamente influenciado pela expectativa que os operadores tem de
como ele irá evoluir ao longo do tempo. Sendo assim, cada ação acaba
por adquirir uma “personalidade” própria que deve ser capturada pelo
sistema.
62. Conclusões e Passos Futuros
• Levando-se em conta os resultados alcançados por nosso sistema até
agora, acreditamos ter obtido sucesso no desenvolvimento de uma
plataforma tecnológica para previsão do mercado de ações, capaz
de demonstrar uma alta relação entre a probabilidade de ganho e
o risco assumido.
63. • Partindo do princípio de que a dinâmica fundamental que rege o
comportamento dos operadores de ações é independente de sua
localização geográfica, sendo no entanto influenciada por fatores
externos, como por exemplo os culturais, desenvolvemos um sistema
que procura capturar a essência dessa dinâmica, enquanto mantém a
capacidade de adaptação às suas variações de teor tanto local
quanto temporal.
64. • Assim, devido à flexibilidade inerente à arquitetura usada, será
possível utilizar nossa tecnologia com o objetivo de analisar um
número cada vez maior de ativos negociados tanto na Bovespa,
quanto nas mais importantes bolsas do mundo, como por exemplo,
NYSE, NASDAQ, Frankfurt, London, Tokyo, Madrid, Paris e etc. As
análises poderão abranger todos os perfis de operação, incluindo
intra-day, curto e médio prazos.