Trabalho apresentado em disciplina de mestrado da COPPE. Utilização de redes neurais não supervisionadas na previsão da direção do preço de ações da Petrobras baseado em Candlesticks.

1. Clusterização de padrões
de candlesticks utilizando
Mapas de Kohonen
André S. T. de Carvalho
UFRJ / PESC / COPPE
andrestc@cos.ufrj.br

2. Índice
1. Introdução
a. Candlesticks
b. Objetivo
2. Método Proposto
a. Coleta e Pré-Processamento
b. Clusterização
c. Pós-Processamento
3. Análise dos Resultados
4. Conclusões e Trabalhos Futuros

3. Introdução
● Mercado de Ações
● Análise Técnica x Análise Fundamentalista
○ Análise de Candlesticks

4. Candlesticks
● Figuras gráficas utilizadas por analistas técnicos em
busca de padrões
● Contém informações sobre as negociações de um
período
○ Podem ser utilizados nas mais diversas periodicidades

5. Candlesticks
Candlesticks

6. Padrões de Candlesticks
“Bebê Abandonado de Alta”

7. Objetivos
● Clusterizar amostras de candlesticks em busca de
padrões;
● Analisar os padrões encontrados;
● Estudar a utilização desses clusters para previsão de
movimentos futuros.

8. Dados Utilizados
● Histórico de cotações diárias da Petrobras(PETR4)
○ De 02/01/2001 até 09/08/2013 - 3123 observações

9. Pré-Processamento
● Remoção do Volume e Data
● Dados agrupados em conjuntos de 3 dias
○ 1 dia de janela (1, 2, 3 ; 2, 3, 4)
○ 12 variáveis (4 preços para cada dia)
● Normalização das variáveis da amostra
○ Maior preço -> 1, menor preço -> 0
○ Para possibilitar a comparação entre os padrões de preços diferentes

10. Pré-Processamento
Representação de um padrão

11. Pré-Processamento
● Finalmente, variáveis são normalizadas para média
zero

12. Clusterização
● Mapa de Kohonen
○ Diversas topologias foram experimentadas
■ 6x6 neurônios foi a que melhor se comportou
○ 500 entradas
○ 50.000 iterações

13. Pós-Processamento
● Análise da Matriz U para definição dos clusters
○ Clusters selecionados manualmente
● Análise do padrão representado por cada cluster
● Análise da distribuição da movimentação futura de cada
cluster
○ Associar a direção mais provável àquele cluster

14. Resultados e Análise
● Clusters Identificados no Treinamento

15. Análise e Resultados
● Abordagem conservadora
Distribuição no Treinamento
Resultados no Teste
● Apenas uma parte das amostras é classificada pois os clusters competem
com todo o mapa!

16. Análise e Resultados
● Abordagem menos conservadora
Distribuição no Treinamento
Resultados no Teste
● Uma maior quantidade de amostras é classificada, porém a taxa de acerto
é inferior!

17. Conclusões
● Apesar de não identificar nenhum padrão conhecido, o
método proposto obteve resultados satisfatórios;
○ Tentar classificar menos amostras com uma taxa de acerto maior não
é ruim.
● Fase de pré-processamento se mostrou extremamente
crítica para a convergência do mapa.

18. Trabalhos Futuros
● Utilizar a mesma abordagem para várias ações e
índices
○ Avaliar a utilização de um mesmo conjunto de cluster para todos
● Utilizar outras periodicidades e comparar os padrões
encontrados
○ Padrões de um ano X padrões de um semestre/bimestre etc

19. Referências
1. Debastiani, Carlos Aberto. “Candlestick – Um método para ampliar lucros na Bolsa de Valores.”. Novatec, 2007.
2. Gowswami, M. M., C. K. Bhensdadia e A. P. Ganatra. “Candlestick Analysis based Short Term Prediction of
Stock Price Fluctuation using SOM-CBR.”. Advance Computing Conference, 2009. IACC 2009. IEEE
International. IEEE, 2009.
3. Carneiro, Murillo G., and Fábio J. Sabai. "Redes Neurais na Previsão de Tipos e Variações de Candles em
Séries Temporais de Candlesticks."
4. Nison, Steve, Japanese Candlestick Charting Techniques, Segunda Edição.

20. Clusterização de padrões
de candlesticks utilizando
Mapas de Kohonen
André S. T. de Carvalho
UFRJ / PESC / COPPE
andrestc@cos.ufrj.br