Transferir como PDF, PPTX
Carregado porJosé Alexandre Macedo
Apresentação Monografia - Máquina de Comitê para previsão do preço médio diário das ações da BOVESPA
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
Apresentação Monografia - Máquina de Comitê para previsão do preço médio diário das ações da BOVESPA
- 1. MÁQUINA DE COMITÊPARA 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 Utilizarmáquinas 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio 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 deApoio a Decisão ao Investidor Funcionalidades 49
- 50. Sistema Online deApoio a Decisão ao Investidor Funcionalidades 50
- 51. Sistema Online deApoio a Decisão ao Investidor Funcionalidades 51
- 52. Sistema Online deApoio a Decisão ao Investidor Funcionalidades 52
- 53. Sistema Online deApoio 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.