Análise de estratégias de trading utilizando técnicas de processamento digital de sinais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/48195 |
Resumo: | Os mercados financeiros são essenciais nas sociedades modernas, por possibilitar a negociação de ativos de maneira rápida e a baixo custo de transação. Um dos principais players desses mercados são os traders, agentes que assumem risco e provém liquidez aos ativos negociados. Esses agentes buscam a obtenção de lucro a partir da identificação de ineficiências no mercado. Tradicionalmente, as ferramentas empregadas na prospecção desses fenômenos de mercado são oriundas da análise gráfica. Entretanto, esta abordagem inviabiliza a aplicação de uma metodologia sistemática para validação. Como alternativa, surgem as ferramentas advindas da teoria de processamento digital de sinais e que exploram características estatísticas da série temporal financeira, as quais proporcionam a aplicação de metodologias objetivas de validação de desempenho. Um dos indicadores de tendência mais sofisticados apresentado na literatura, a média móvel adaptativa de Kaufman (KAMA), é baseado na teoria de filtros adaptativos. Nesta pesquisa, o desempenho do indicador KAMA foi comparado ao de indicadores de tendência tradicionais. O benchmark foi feito utilizando métricas padrão da indústria financeira e ativos representativos de diversos setores do mercado. Os resultados obtidos indicam que o filtro KAMA apresenta melhores resultados em situações em que o ativo possui volatilidade suave e sem “surtos”. Neste cenário, uma das estratégias que utilizou o filtro KAMA alcançou um índice Sharpe de 1, 48 para o ativo S&P 500. Por outro lado, as mesmas estratégias utilizando os indicadores tradicionais atingiram um índice Sharpe entre 0, 97 e 1, 25. Além disso, os resultados sugerem que a volatilidade pode ser interpretada como uma medida para o processamento de novas informações pelo mercado – o que justificaria os “surtos de volatilidade”. |
id |
UFRN_baa36f87307d13465bccdd0798ceff6e |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/48195 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Silva, Felipe Oliveira Lins eArthur Diego de Lira LimaSilveira Júnior, Luiz Gonzaga de QueirozAmorim, Fernando José Oliveira deLima, Arthur Diego de LiraSilveira, Luiz Felipe de Queiroz2021-12-08T13:58:51Z2022-06-15T13:40:40Z2021-12-08T13:58:51Z2022-06-15T13:40:40Z2019-11-2720180154889SILVA, Felipe Oliveira Lins e. Análise de estratégias de trading utilizando técnicas de processamento digital de sinais. 2019. 59 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019.https://repositorio.ufrn.br/handle/123456789/48195Os mercados financeiros são essenciais nas sociedades modernas, por possibilitar a negociação de ativos de maneira rápida e a baixo custo de transação. Um dos principais players desses mercados são os traders, agentes que assumem risco e provém liquidez aos ativos negociados. Esses agentes buscam a obtenção de lucro a partir da identificação de ineficiências no mercado. Tradicionalmente, as ferramentas empregadas na prospecção desses fenômenos de mercado são oriundas da análise gráfica. Entretanto, esta abordagem inviabiliza a aplicação de uma metodologia sistemática para validação. Como alternativa, surgem as ferramentas advindas da teoria de processamento digital de sinais e que exploram características estatísticas da série temporal financeira, as quais proporcionam a aplicação de metodologias objetivas de validação de desempenho. Um dos indicadores de tendência mais sofisticados apresentado na literatura, a média móvel adaptativa de Kaufman (KAMA), é baseado na teoria de filtros adaptativos. Nesta pesquisa, o desempenho do indicador KAMA foi comparado ao de indicadores de tendência tradicionais. O benchmark foi feito utilizando métricas padrão da indústria financeira e ativos representativos de diversos setores do mercado. Os resultados obtidos indicam que o filtro KAMA apresenta melhores resultados em situações em que o ativo possui volatilidade suave e sem “surtos”. Neste cenário, uma das estratégias que utilizou o filtro KAMA alcançou um índice Sharpe de 1, 48 para o ativo S&P 500. Por outro lado, as mesmas estratégias utilizando os indicadores tradicionais atingiram um índice Sharpe entre 0, 97 e 1, 25. Além disso, os resultados sugerem que a volatilidade pode ser interpretada como uma medida para o processamento de novas informações pelo mercado – o que justificaria os “surtos de volatilidade”.Financial markets are essential in modern societies as they enable to trade assets quickly and at low transaction costs. One of the main players of these markets are known as traders, which are agents that assume risk and provides liquidity to traded assets. These agents seek profit by identifying of market inefficiencies. Traditionally, prospecting these phenomena come from graphical analysis. However, this approach does not allow an application of a systematic methodology for validation. Alternatively, the tools coming from the digital signal processing theory arise, that exploits statistical features of the financial time series, which provides the application of objective performance validation methodologies. One of the most sophisticated trend indicators presented in the literature, Kaufman’s adaptive moving average (KAMA), is based on adaptive filters theory. In this research, the performance of the KAMA indicator is compared to that of traditional trend indicators. The benchmark was made using financial industry standard metrics and representative assets of diverse market sectors. The obtained results indicate that the filter KAMA presents best results when applied in situations where the asset have smooth volatility and without “outbreaks”. In this case, one of the strategies which used KAMA filter achieved a Sharpe ratio of 1.48 for the asset S&P 500. On the other hand, using the same strategies when applying traditional indicators reached a Sharpe index between 0.97 and 1.25. Moreover, the results suggest that volatility can be interpreted as a measure for information processing of the market – what can justify “volatility outbreaks”.Universidade Federal do Rio Grande do NorteUFRNBrasilEngenharia de ComputaçãoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessTradingProcessamento Digital de SinaisVolatilidadeMédia Móvel Adaptativa de KaufmanSeguidor de TendênciaAnálise de estratégias de trading utilizando técnicas de processamento digital de sinaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALTCC_FINAL.pdfapplication/pdf2629654https://repositorio.ufrn.br/bitstream/123456789/48195/1/TCC_FINAL.pdf16fd2715fd8e4d31bf5f67172699fcfeMD51CC-LICENSElicense_rdfapplication/octet-stream811https://repositorio.ufrn.br/bitstream/123456789/48195/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txttext/plain762https://repositorio.ufrn.br/bitstream/123456789/48195/3/license.txte428689918449bd69f843393981e4109MD53123456789/481952022-06-15 10:40:40.631oai:https://repositorio.ufrn.br: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ório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-06-15T13:40:40Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
title |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
spellingShingle |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais Silva, Felipe Oliveira Lins e Trading Processamento Digital de Sinais Volatilidade Média Móvel Adaptativa de Kaufman Seguidor de Tendência |
title_short |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
title_full |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
title_fullStr |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
title_full_unstemmed |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
title_sort |
Análise de estratégias de trading utilizando técnicas de processamento digital de sinais |
author |
Silva, Felipe Oliveira Lins e |
author_facet |
Silva, Felipe Oliveira Lins e |
author_role |
author |
dc.contributor.referees1.none.fl_str_mv |
Silveira Júnior, Luiz Gonzaga de Queiroz |
dc.contributor.referees2.none.fl_str_mv |
Amorim, Fernando José Oliveira de |
dc.contributor.referees3.none.fl_str_mv |
Lima, Arthur Diego de Lira |
dc.contributor.author.fl_str_mv |
Silva, Felipe Oliveira Lins e |
dc.contributor.advisor-co1.fl_str_mv |
Arthur Diego de Lira Lima |
dc.contributor.advisor1.fl_str_mv |
Silveira, Luiz Felipe de Queiroz |
contributor_str_mv |
Arthur Diego de Lira Lima Silveira, Luiz Felipe de Queiroz |
dc.subject.por.fl_str_mv |
Trading Processamento Digital de Sinais Volatilidade Média Móvel Adaptativa de Kaufman Seguidor de Tendência |
topic |
Trading Processamento Digital de Sinais Volatilidade Média Móvel Adaptativa de Kaufman Seguidor de Tendência |
description |
Os mercados financeiros são essenciais nas sociedades modernas, por possibilitar a negociação de ativos de maneira rápida e a baixo custo de transação. Um dos principais players desses mercados são os traders, agentes que assumem risco e provém liquidez aos ativos negociados. Esses agentes buscam a obtenção de lucro a partir da identificação de ineficiências no mercado. Tradicionalmente, as ferramentas empregadas na prospecção desses fenômenos de mercado são oriundas da análise gráfica. Entretanto, esta abordagem inviabiliza a aplicação de uma metodologia sistemática para validação. Como alternativa, surgem as ferramentas advindas da teoria de processamento digital de sinais e que exploram características estatísticas da série temporal financeira, as quais proporcionam a aplicação de metodologias objetivas de validação de desempenho. Um dos indicadores de tendência mais sofisticados apresentado na literatura, a média móvel adaptativa de Kaufman (KAMA), é baseado na teoria de filtros adaptativos. Nesta pesquisa, o desempenho do indicador KAMA foi comparado ao de indicadores de tendência tradicionais. O benchmark foi feito utilizando métricas padrão da indústria financeira e ativos representativos de diversos setores do mercado. Os resultados obtidos indicam que o filtro KAMA apresenta melhores resultados em situações em que o ativo possui volatilidade suave e sem “surtos”. Neste cenário, uma das estratégias que utilizou o filtro KAMA alcançou um índice Sharpe de 1, 48 para o ativo S&P 500. Por outro lado, as mesmas estratégias utilizando os indicadores tradicionais atingiram um índice Sharpe entre 0, 97 e 1, 25. Além disso, os resultados sugerem que a volatilidade pode ser interpretada como uma medida para o processamento de novas informações pelo mercado – o que justificaria os “surtos de volatilidade”. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-11-27 |
dc.date.accessioned.fl_str_mv |
2021-12-08T13:58:51Z 2022-06-15T13:40:40Z |
dc.date.available.fl_str_mv |
2021-12-08T13:58:51Z 2022-06-15T13:40:40Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.pt_BR.fl_str_mv |
20180154889 |
dc.identifier.citation.fl_str_mv |
SILVA, Felipe Oliveira Lins e. Análise de estratégias de trading utilizando técnicas de processamento digital de sinais. 2019. 59 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/48195 |
identifier_str_mv |
20180154889 SILVA, Felipe Oliveira Lins e. Análise de estratégias de trading utilizando técnicas de processamento digital de sinais. 2019. 59 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2019. |
url |
https://repositorio.ufrn.br/handle/123456789/48195 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Engenharia de Computação |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/48195/1/TCC_FINAL.pdf https://repositorio.ufrn.br/bitstream/123456789/48195/2/license_rdf https://repositorio.ufrn.br/bitstream/123456789/48195/3/license.txt |
bitstream.checksum.fl_str_mv |
16fd2715fd8e4d31bf5f67172699fcfe e39d27027a6cc9cb039ad269a5db8e34 e428689918449bd69f843393981e4109 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117880323506176 |