Predição de mínimos e máximos locais para investimento em bolsa de valores utilizando aprendizado de máquina

• Autor(a) principal: Santos, Daiane Sampaio
• Data de Publicação: 2014
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMS
• Texto Completo: https://repositorio.ufms.br/handle/123456789/2076
• topic: Aprendizado do Computador; Mercado Financeiro; Bolsa de Valores; Investimentos; Machine Learning; Money Market; Stock Exchanges; Investments

A análise de tendências de preço no mercado de financeiro requer elevada atenção do analista de mercado quanto às variáveis que podem influenciar o preço das ações. As corretoras que atuam na bolsa de valores investem recursos em análises financeiras, para em troca obterem recomendações de compra e venda de ações. O desafio dos analistas consiste em sinalizar a compra e venda das ações, de modo a maximizar os lucros. Nesse sentido, a predição de ações tem sido foco de constantes estudos. Muitos argumentam da impossibilidade de criar modelos capazes de predizer o comportamento de um ambiente tão instável e com tantas variáveis. Entretanto, algoritmos de Aprendizado de Máquina (AM) são apropriados para situações com diversas variáveis e padrões a serem descobertos. Para tanto, as informações financeiras dispostas em séries temporais são transformadas em tabelas atributo valor, para que se adequem ao formato de entrada dos algoritmos de AM. Quanto à essa transformação, a literatura têm sugerido a utilização de indicadores econômicos para predição da tendência futura de preço absoluta. Entretanto, acredita-se que uma maneira mais significativa de representar a classe do problema seja baseada em valores máximos e mínimos da série temporal. Nesse sentido, este trabalho propõe uma representação de classe denominada LMINMAX, que estima pontos de máximo e mínimo e os utiliza como atributos classe nos conjuntos de dados. Os experimentos desenvolvidos comparam a abordagem proposta com outras duas representações de classe propostas na literatura e, em termos financeiros, com carteiras recomendadas e aplicação em poupança. Os resultados são promissores e mostram que a abordagem proposta pode ser utilizada para recomendação automática de compra e venda de ações. A abordagem proposta supera as principais representações de classe com diferença significativa (p = 0.05) em termos de AUC e rendimento.