View
215
Download
0
Category
Preview:
Citation preview
GRUPO 12
Celso André Locatelli de Almeida
Gabriell Orisaka
Jorge Domingos Pizollato Filho
José Lucas do Nascimento Santos
Nostrademus
COMPRA
VENDA
O mercado de ações se caracteriza por possuir diversas variáveis e fatores que influenciam a dinâmica de preços das companhias;
Diversas técnicas de inteligência artificial tem sido largamente utilizadas na tentativa de reconhecer padrões e com isso otimizar estratégias de investimentos
Demanda crescente por ferramentas do tipo “algorithmic trading”;
Baixo índice de acerto nas recomendações dos analistas das principais corretoras;
União das estratégias fundamentalista e técnica através da programação genética.
Identificar quais regras de negociação adotadas apresentam maior grau de confiança;
Permitir que investidores iniciantes ou experientes recorram a uma única solução.
Inovação na tentativa de mensurar dados fundamentalistas na decisão de curto prazo.
Desenvolver uma ferramenta auxiliar de suporte às decisões de compra e venda de ativos na Bovespa;
Predizer, com base no fechamento, dentre as 100 ações componentes do IBrX, quais são as melhores decisões de investimento em termos de acurácia e retorno esperado.
Média Móvel
Regressão Linear
MACD
ADX
ROC
RSI
Estocástico
Williams %R
OBV
Bandas de Bollinger
Suporte e Resistência
Candlestick
Trend Lines
Padrões Gráficos
Teoria de Elliot
EXEMPLO - REGRA TÉCNICA
REGRA MACD : Se a linha da Média Móvel de curto prazo cruzou pra baixo a linha da Média Móvel de longo prazo - > VENDA . Caso contrário - > COMPRA .
Ibovespa
Dow Jones
Taxa Selic
Taxa de câmbio(Dollar)
Preço do produto
P/L
VPA
LPA
EV/EBIDTA
Dividend Yeld
Margem Líquida
Notícias Macroeconômicas
Notícias Setoriais
Notícias da empresa
Fatores externos
Bovespa fecha em alta de quase 3% após redução da Selic
"Baixa dos juros é música para nossos ouvidos," diz Edemir Pinto, presidente da BM&FBovespa;
Olívia Alonso, iG São Paulo | 01/09/2011 10:43
Regra: A redução da taxa de juros favorece o aumento do valor de mercado das cias.
INDIVÍDUO
FITNESS
GERAÇÃO
REPRODUÇÃO
CROSSOVER
MUTAÇÃO
1. Crie uma população inicial aleatória
2. Repita até que um indivíduo "aceitável" seja encontrado, ou alguma condição de parada seja satisfeita
2.1. Avalie cada indíviduo/programa pela função de fitness
2.2. Aplique a evolução (reprodução, mutação, crossover)
3. Retorne o melhor indívíduo
INDIVÍDUO
TERMINAIS : SÉRIE HISTÓRICA DE COTAÇÕES INDICADORES FUNDAMENTALISTAS INDICADORES TÉCNICOS VALORES ENTRE 0 e 100
FUNÇÕES :
OPERADORES LÓGICOS (And, Or, Not) OPERADORES CONDICIONAIS (If-then-else) OPERADORES DE COMPARAÇÃO ( >, <) OPERADORES MATEMÁTICOS ( + , - , * , / )
FITNESS
• Tempo de observação (T)
• Horizonte de previsão (H)
ERRO =1
𝐻 𝑥𝑡+𝑗 − 𝑃𝑟𝑒𝑑𝑗 𝑡 , 1 < 𝑡 < 𝑇𝐻𝑗=1
(Erro médio de previsão no horizonte H)
EVOLUÇÃO
Reprodução : “sorteio” de indivíduos para a próxima geração
Mutação : Redefinição das regras de negociação, modificando a estrutura lógica do problema
Crossover : Recombinação de regras ou terminais, podendo gerar indivíduos melhores
Protótipo que prever a cotação com base em 10 indicadores técnicos;
Desenha a árvore do melhor indivíduo
EXEMPLO DE “SOLUÇÃO”
Obtenção, classificação e mensuração de notícias
Atualização diária de dados
Filtragem da série histórica de cotações
Obtenção de expressões coerentes
Base histórica de notícias
Implementar regras auxiliares de análise técnica
Implementar regras de análise fundamentalista
Comparar nossos resultados com outros modelos de previsão
TRABALHOS RELACIONADOS
NEUROINVEST
TRADING SOLUTIONS
Kaboudan, M. Genetic Programming Prediction of Stock Prices, Computacional Economics
Jin Li and Edward P.K. Tsang, Improving Technical Analysis Predictions: An Application of Genetic Programming
Jean-Yves Potvin, Patrick Soriano, Maxime Vallee. Generating trading rules on the stock markets with genetic programming
Fernando J. Von Zuben, Computação Evolutiva : Uma abordagem pragmática
Tom Heine Nätt. Generating Trading Systems Through Genetic Programming
Recommended