Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
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...
Upcoming SlideShare
Loading in …5
×

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

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

  • Be the first to comment

  • Be the first to like this

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

    Be the first to comment

    Login to see the comments

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

Views

Total views

1,045

On Slideshare

0

From embeds

0

Number of embeds

16

Actions

Downloads

29

Shares

0

Comments

0

Likes

0

×