Este documento descreve uma máquina de comitê para prever o preço médio diário de ações na bolsa de valores de São Paulo usando técnicas computacionais como programação genética, redes neurais artificiais e regressão linear. O sistema combina as previsões desses modelos para fornecer previsões mais precisas do que cada modelo isoladamente. Além disso, um sistema online é proposto para fornecer sugestões diárias de compra e venda de ações aos investidores com base nas previsões da máquina de comitê

1. MÁQUINA DE COMITÊ PARA A PREVISÃO DO
PREÇO MÉDIO DIÁRIO DAS AÇÕES DA BOLSA DE
VALORES DO ESTADO DE SÃO PAULO
José Alexandre Macedo
Orientador: Humberto C. Brandão de Oliveira
Co-Orientador: Ricardo Menezes Salgado
Alfenas, 1 de Julho de 2010

2. Sumário
 Introdução
 Justificativa e Motivação
 Objetivos
 Modelos de Previsão
 Projeto
 Resultados
 Sistema Online
 Conclusão
 Trabalhos Futuros
 Referências Bibliográficas
2

3. Introdução
 Ideia
 Previsão do preço médio diário das ações
utilizando técnicas computacionais
 Utilidades
 Definição de valores de compra e venda para as ações
 Indicador que auxilia no processo de tomada de decisão
3

4. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
4

5. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
34,98
34,31
5

6. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
valor médio do dia
34,31+34,98
= 34,64
2
6

7. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
7

8. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
0,15
0,15
8

9. Introdução
 Exemplo Itaú-Unibanco
 Pregão 28/06/2010
VENDA (34,79)
COMPRA (34,49)
9

10. Introdução
 Ações
fração mínima = ação
Capital social
empresa de capital aberto
10

11. Introdução
 Mercado de Ações
 Renda Variável
 Influenciado por fatores
 Políticos
 Econômicos
 Sociológicos
 Psicológicos
11

12. Introdução
 Investidores
 Buscam redução das perdas financeiras
 Utilização de modelos de análise
 Fundamentalista
 Técnica
12

13. Justificativa e Motivação
 Crescimento econômico
 Economia mais estável
 Migração para investimentos de
renda variável
 Investidores despreparados
 Utilização de Ferramentas para
Apoio a Decisão
13

14. Objetivo
Utilizar máquinas de comitê para verificar se os
erros das previsões do preço médio diário das
ações são menores ou iguais aos erros de vários
modelos de previsão isoladamente
Disponibilizar um sistema online de apoio à decisão
ao investidor na Bolsa de Valores
14

15. Máquinas de Comitê
Previsor1
Resultado1
Resultado2 Resultado
Previsor2 Combinador
Combinado
.
.
.
. .
.
Resultadon
Previsorn
15

16. Modelos de Previsão
 Programação Genética (PG)
 Redes Neurais Artificiais (RNA)
 Regressão Linear (RL)
16

17. Programação Genética
 Baseado na Teoria de Darwin sen
 Evolução de Indivíduos -
 Cruzamentos / 8
 Mutações x y
sen(x / y - 8)
 Seleções
 Indivíduos são árvore sintáticas
17

18. Redes Neurais Artificiais
 Simulação do aprendizado do cérebro
humano através de modelos matemáticos
Entradas Camadas Escondidas Camada
de Saída 18

19. Regressão Linear
 Utiliza a relação entre duas ou mais
variáveis para predizer outra variável
19

20. Projeto
 Conjunto de Dados
 Previsões para os dias com pregão em 2009
 Ações das Empresas
20

21. Projeto
Valor de Abertura
Valor de Fechamento
(dia anterior)
Preço médio da ação
(dia anterior) Preço médio da ação
Média Móvel da ação
Previsor
(dia anterior)
Índice de Força Relativa
da ação (dia anterior)
Bollinger Bands
da ação (dia anterior)
Entradas Saída
21

22. Projeto
 Configuração das Máquinas de Comitê
 Combinações de Resultados
 PG + RNA
 PG + RL
 RNA + RL
 PG + RNA + RL
22

23. Projeto
 Configuração das Máquinas de Comitê
Dia 1 Resultado PG Resultado RNA Resultado RL
Erro Relativo Médio
...
...
...
...
Dia (x-1) Resultado PG Resultado RNA Resultado RL
Dia x Resultado PG Resultado RNA Resultado RL
Média
Ponderada
Novo Resultado
23

24. Resultados
 Análise dos Resultados
Erro Relativo Médio (Média de 2009)
PG RNA RL PG+RNA PG+RL RNA+RL PG+RNA+RL
Bradesco 0,94% 1,21% 0,92% 0,79% 0,84% 0,85% 0,79%
Itau- 1,05% 1,30% 0,99% 0,86% 0,93% 0,87% 0,84%
Unibanco
Petrobras 0,99% 1,18% 0,93% 0,7% 0,81% 0,77% 0,71%
Usiminas 1,1% 1,38% 1,05% 0,92% 1% 0,91% 0,9%
Vale do Rio 0,95% 1,19% 0,84% 0,74% 0,80% 0,74% 0,72%
Doce
Modelos Computacionais Máquinas de Comitê
24

25. Resultados
 Teste de Tukey
 Separação das técnicas e máquinas de
comitê em grupos que possuem
equivalências estatísticas nos resultados
25

26. Teste de Tukey
 Bradesco Maiores
Erros
RNA PG RNA+RL PG+RL PG+RNA PG+RNA+RL
Menores
 Itaú-Unibanco Erros
RNA PG+RL RNA+RL PG+RNA PG+RNA PG+RNA+RL
PG
 Petrobras
RNA PG PG+RL RNA+RL RNA+RL PG+RNA+RL PG+RNA
 Usiminas
RNA PG PG+RL PG+RNA RNA+RL PG+RNA+RL
 Vale do Rio Doce
RNA PG PG+RL RNA+RL PG+RNA PG+RNA+RL
26

27. Resultados
 Análise dos Resultados
 Exemplo Lucro
 Bradesco 29/06/2010
Erro Relativo Médio = 0,79%
Média Prevista (Erro Acima) = 29,11
+0,23
Média Real = 28,88
-0,23
Média Prevista (Erro Baixo)= 28,65
27

28. Resultados
 Análise dos Resultados
 Exemplo Lucro
 Bradesco 29/06/2010
Erro Relativo Médio = 0,79%
+0,20
Média Prevista (Erro Acima) = 29,11
+0,23
-0,20
Média Real = 28,88
+0,20
-0,23
Média Prevista (Erro Baixo)= 28,65
-0,20
28

29. Resultados
 Análise dos Resultados
 Exemplo Lucro
 Bradesco 29/06/2010
Erro Relativo Médio = 0,79%
Preço Máximo = 29,43
+0,20
Média Prevista (Erro Acima) = 29,11 Preço de Venda = 29,31
+0,23 Preço de Compra = 28,91
-0,20
Média Real = 28,88
+0,20
-0,23 Preço de Venda = 28,85
Média Prevista (Erro Baixo)= 28,65 Preço de Compra = 28,45
-0,20
Preço Mínimo = 28,65 29

30. Resultados
 Análise dos Resultados
 Exemplo Lucro
 Bradesco 29/06/2010
Lucro de R$0,40 por ação
1000 ações
Lucro Total de R$400,00
Apenas no dia 29/06
30

31. Sistema Online de Apoio a Decisão ao
Investidor
 Interface entre os investidores e qualquer
previsor para disponibilizar sugestões diárias
de compra e venda de ações
Previsor
31

32. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
8:00 10:00 13:00 15:00 17:00 19:00
32
32

33. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Início do Pregão
8:00 10:00 13:00 15:00 17:00 19:00
33
33

34. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Insere previsões
no banco de dados
8:00 10:00 13:00 15:00 17:00 19:00
34
34

35. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Acesso ao Sistema
8:00 10:00 13:00 15:00 17:00 19:00
35
35

36. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Sugestão compra
Sugestão venda
Inserção de Previsões no homebroker
8:00 10:00 13:00 15:00 17:00 19:00
36
36

37. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Compra Realizada!
8:00 10:00 13:00 15:00 17:00 19:00
37
37

38. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Venda Realizada!
8:00 10:00 13:00 15:00 17:00 19:00
38
38

39. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Fim do Pregão
8:00 10:00 13:00 15:00 17:00 19:00
39
39

40. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Sugestão compra
Sugestão venda
Inserção de Previsões no homebroker
8:00 10:00 13:00 15:00 17:00 19:00
40
40

41. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Venda Realizada!
8:00 10:00 13:00 15:00 17:00 19:00
41
41

42. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Compra Realizada!
8:00 10:00 13:00 15:00 17:00 19:00
42
42

43. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Fim do Pregão
8:00 10:00 13:00 15:00 17:00 19:00
43
43

44. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Sugestão compra
Sugestão venda
Inserção de Previsões no homebroker
8:00 10:00 13:00 15:00 17:00 19:00
44
44

45. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Compra Realizada!
8:00 10:00 13:00 15:00 17:00 19:00
45
45

46. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Venda não realizada
8:00 10:00 13:00 15:00 17:00 19:00
46
46

47. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Venda a Mercado
Inserir Venda a Mercado
8:00 10:00 13:00 15:00 17:00 19:00
47
47

48. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionamento do Sistema
Banco
De
Previsor
Dados
Fim do Pregão
8:00 10:00 13:00 15:00 17:00 19:00
48
48

49. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionalidades
49

50. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionalidades
50

51. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionalidades
51

52. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionalidades
52

53. Sistema Online de Apoio a Decisão ao
Investidor
 Funcionalidades
53

54. Conclusões
 Estatisticamente foi comprovado que os erros gerados pelas máquinas
de comitê são menores que os erros dos previsores isolados
 Teste de Tukey mostrou que várias das máquinas de comitê se
equivalem estatisticamente
 O sistema online permite a qualquer usuários acompanhar sugestões
de compra e venda de ações feitas por qualquer modelos
computacionais
54

55. Trabalhos Futuros
 Definição de sistemas que utilizam a previsão
do preço médio para gerar as sugestões de
compra e venda
55

56. Referências Bibliográficas
 Neto, A. A. Mercado Financeiro. 7. ed. São Paulo: Atlas, 2006.
 Piazza, M. C. Bem Vindo à Bolsa de Valores. 8. ed. rev. e ampl. São Paulo: Novo Conceito,
2009.
 Exame. Revista Exame: O Brilho da Bolsa. São Paulo: Abril, 28 Ago. 2009.
 Darwin, C., On the Origin of Species by Means for Natural Selection. London: Jhon Murray,
1859.
 Koza, J. R. Hierarquical genetic algorithms operating on populations of computer programs.
Proceedings of the 11th International Joint Conference on Artificial Intelligent (IJCAI-89).
Detroit, MI. p. 768-774. Morgan Kaufmann, 1989.
 Haykin, S. Neural Networks: A comprehensive Foundation. 2. ed. Ontario: Prentice Hall, 1998.
 Box, G. E. P.; Jenkins, G. M.; Reinsel, G. C. Time Series Analysis, Forecasting and Control. 3.
ed. Englewood Cliffs: Prentice Hall, 1994.
56

57. Obrigado pela Atenção!
57