Clusterização de padrões de candlesticks utilizando Mapas de Kohonen
AG Aplicados em Análise Técnica
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
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. Objetivo
Investigar e avaliar a utilização de Algoritmos
Genéticos na busca de melhores estratégias
de compra e venda de ações.
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
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. 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
14. Primeiro Experimento - Resultados
1. Treinamento ano a ano
● Bons resultados no
treinamento não implicam
em bons resultados no
teste
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. Primeiro Experimento - Conclusão
Pesos tem pouca influência nos resultados
Próximo experimento → Aumentar a influência dos pesos
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. 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. 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. Segundo Experimento - Resultados
2. Treinamento acumulado
● Melhora frente ao
primeiro experimento
● Melhor que o “ano a ano”
● Comportamento
crescente no treinamento
21. Segundo Experimento - Conclusão
Aumento da influência dos pesos
Próximo experimento → Mudança de direção do projeto
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. 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. Terceiro Experimento - Resultados
Real Binária
Exploração do espaço de busca com mutação e elitismo
25. Terceiro Experimento - Resultados
Sem elitismo e sem mutação Com elitismo e mutação
Evolução do melhor indivíduo (Representação Binária)
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. 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”
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. 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. 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
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. 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
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