Modelagem e aplicação de técnicas de aprendizado de máquina para negociação em alta frequência em bolsa de valores

• Autor(a) principal: Everton Josué da Silva
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/ESBF-9XYGE7
• topic: Negociação em alta frequência; Algoritmos de negociação; Aprendizado de máquina; Previsão do mercado de ações; Processo de tomada de decisão; Bolsa de valores; Computação; Modelagem de dados; Aprendizado do computador

Algoritmos de negociação (algotrading) têm desempenhado um papel importante no mercado de ações eletrônico. Entretanto, esses algoritmos, sem qualquer poder de previsão, não são seguros para realizar suas negociações. Neste contexto, a previsão do mercado de ações sempre foi um tema de pesquisa interessante entre os pesquisadores, principalmente devido ao potencial de ganho ao negociar ações e/ou para compreender as informações originadasdos dados do mercado de ações. Muitos algoritmos de aprendizado de máquina e modelos estatísticos têm sido propostos por pesquisadores para previsão do preço das ações, como também a previsão de movimento do preço das ações. Neste trabalho, desenvolvemos e implementamos um sistema de negociação, que inclui um gerador de sinal de tendência baseado em técnicas de aprendizado de máquina e uma estratégia direcional de negociação (directional strategy), a qual realiza suas operações ao identificar uma tendência de curto prazo.Depois de vários experimentos com diferentes técnicas de aprendizado de máquina, optamos por criar modelos utilizando redes neurais MultiLayer Perceptron (MLP) e um modelo ensemble, que combina duas MLPs, para prever a direção do preço das ações em um curto intervalo de tempo, mais especificamente, para prever uma tendência de alta. Esses modelos atuam como suporte ao algoritmo de negociação proposto neste trabalho. O algoritmo utiliza a saída do modelo para tomar decisões ao realizar suas negociações. O principal objetivo deste trabalho foi modelar e usar técnicas de aprendizado de máquinapara maximizar o retorno obtido pela estratégia de negociação. Utilizando um grande volume de dados (tick data), conduzimos o back-testing e simulação em um simulador realístico da Bolsa de Valores de São Paulo. Através dos resultados empíricos obtidos, mostramos que técnicas de aprendizado de máquina foram capazes de melhorar a eficácia nesse processo de tomada de decisão. Demonstramos que a precisão da previsão e resultados obtidosatravés da simulação realística são melhores com a abordagem ensemble. Os resultados alcançados abriram novas oportunidades de pesquisa: 1) Aperfeiçoar os modelos de previsão para reduzir o número de falso-positivos. Essa redução impacta diretamente nos resultados financeiros obtidos em simulação, pois aumentará a taxa de acertoda estratégia de negociação; 2) Utilizar técnicas de aprendizado de máquina para dar suporte a outros tipos de estratégias de negociação em alta frequência.