Embed Size (px)
Citation preview
PONTIFICIA UNIVERSIDADE CATOLICA DE MINAS GERAISBacharelado em Sistemas de Informacao
Vitor Hugo Ananias Moreira
REDES NEURAISAplicacao de uma ferramenta para o Mercado Financeiro
Belo Horizonte2012
Vitor Hugo Ananias Moreira
REDES NEURAISAplicacao de uma ferramenta para o Mercado Financeiro
Monografia apresentada ao programa de Bachareladoem Sistemas de Informacao da Pontifıcia Universi-dade Catolica de Minas Gerais, como requisito par-cial para obtencao do tıtulo de Bacharel em Sistemasde Informacao.
Orientador: Sylvio Silveira Santos
Belo Horizonte2012
Vitor Hugo Ananias Moreira
REDES NEURAISAplicacao de uma ferramenta para o Mercado Financeiro
Monografia apresentada ao programa de Bachareladoem Sistemas de Informacao da Pontifıcia Universi-dade Catolica de Minas Gerais, como requisito par-cial para obtencao do tıtulo de Bacharel em Sistemasde Informacao.
Sylvio Silveira Santos
Wladmir
Saulo Augusto de Paula Pinto
Belo Horizonte, 05 de Dezembro de 2012
AGRADECIMENTOS
Agradeco aos professores, em especial ao Sylvio, pelo fundamental apoio neste trabalho. AAna que sempre esteve do meu lado.
RESUMO
Sabe-se que no seculo XX houve importantes aplicacoes do campo cientıfico computacio-
nal e matematico no mundo dos negocios, especificamente, aplicacoes estatısticas focadas nas
organizacoes, industrias e nas instituicoes militares. O uso de ferramentas de apoio a analise
tecnica esta em constante aperfeicoamento, complementando os modelos analıticos tradicionais.
A Inteligencia Artificial e uma area que se mostra eficaz para se resolver problemas complexos
como as predicoes e analises do mercado financeiro de acoes, que envolve muitas variaveis e
seus relacionamentos e influencias em resultados e rumos do mercado de capitais. As variaveis
do mercado financeiro de acoes sao altamente volateis, devido a sua variabilidade ao longo do
tempo tornando-se difıcil de prever um padrao de comportamento de seus valores, tambem seu
elevado numero dificulta a analise das relacoes e implicacoes que cada variavel tem umas com
as outras. Pretende-se tratar o problema de analise e mapeamento das variaveis do mercado
financeiro em torno do ındice Dow Jones atraves da analise e demonstracao de um software
que implementa redes neurais artificiais e realiza a previsao da direcao do ındice Dow Jones
e o impacto de cada variavel no resultado. Para tanto obtem uma base de dados do mercado
financeiro norte americano, da Palisade Corporation e que possui como resultado a direcao do
ındice Dow Jones. este trabalho realiza o treinamento da rede neural probabilıstica sobre a
base de dados e teste da mesma rede sobre uma porcentagem de dados separados para este fim.
Apos a execucao destas etapas extrai-se dos relatorios os resultados que indicam a porcentagem
de acerto das previsoes bem como o impacto de cada variavel no resultado. Conclui que esta
ferramenta realiza com eficiencia e facilidade a aprendizagem de series historicas de dados do
mercado financeiro.
Palavras-chave: Redes Neurais Artificiais. Previsao Mercado de Acoes. Sistemas Estocasticos.NeuralTools.
ABSTRACT
It is known that in the twentieth century there were important applications of the scientific and
mathematical fields in business, specifically, statistical and probabilistic applications focused on
organizations, industries and military institutions. The use of tools to support technical analysis
is constantly improving, complementing traditional analytical models. Artificial Intelligence is
an area that has proven efficient for solving complex problems such predictions and analysis of
the stock financial market, involving many variables and their relationships and influences on
results and directions of capital markets. The financial market variables are highly volatile due
to its variability over time making it difficult to predict a pattern of behavior of their values,
their number also complicates the analysis of relationships and implications that each variable
has with each other. It is intended to address the problem of mapping and analysis of financial
market variables around the Dow Jones through analysis and demonstration of software that
implements and carries out artificial neural networks to forecast the direction of the Dow Jones
and the impact of each variable in result. For this it obtain a database of North American
financial market from Palisade Corporation and has resulted in the direction of the Dow Jones
index. This work performs probabilistic neural network training based on the test data and the
same network on a percentage of data separately for this purpose. After performing these steps
It is extracted from reports the results that indicate the percentage of correct predictions and the
impact of each variable on the outcome. We conclude that this tool performs efficiently and
easily the learning of historical series of financial market data.
Keywords: Artificial Neural Network. Stock Market Forecasting. Stochastic Systems. Neural-Tools.
LISTA DE FIGURAS
FIGURA 1 – Neuronio de McCulloch-Pitts . . . . . . . . . . . . . . . . . . . . . . . . 13
FIGURA 2 – Arquitetura de rede Multilayer FeedFoward . . . . . . . . . . . . . . . . 16
FIGURA 3 – Tela sobre NeuralTools . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
FIGURA 4 – Barra de Ferramentas NeuralTools . . . . . . . . . . . . . . . . . . . . . 25
FIGURA 5 – Planilha com base de dados . . . . . . . . . . . . . . . . . . . . . . . . . 26
FIGURA 6 – Tela NeuralTools Gerenciador de dados . . . . . . . . . . . . . . . . . . . 27
FIGURA 7 – Tela NeuralTools Utilidades de dados ausentes . . . . . . . . . . . . . . . 28
FIGURA 8 – Tela NeuralTools configuracoes de treinamento . . . . . . . . . . . . . . 29
FIGURA 9 – Tela NeuralTools configuracoes da rede . . . . . . . . . . . . . . . . . . . 30
FIGURA 10 –Tela NeuralTools andamento da execucao . . . . . . . . . . . . . . . . . 30
FIGURA 11 –Tela NeuralTools visao geral do teste . . . . . . . . . . . . . . . . . . . . 31
FIGURA 12 –Tela de Previsao da rede neural . . . . . . . . . . . . . . . . . . . . . . . 32
FIGURA 13 –Tela NeuralTools escolha da rede neural para previsao . . . . . . . . . . . 32
FIGURA 14 –Relatorio de treinamento . . . . . . . . . . . . . . . . . . . . . . . . . . 33
FIGURA 15 –Relatorio analise de impacto de variaveis de treinamento . . . . . . . . . 34
FIGURA 16 –Histograma de probabilidades de categorias incorretas . . . . . . . . . . . 35
FIGURA 17 –Impacto de variaveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
FIGURA 18 –Relatorio resumido de teste da rede neural . . . . . . . . . . . . . . . . . 36
SUMARIO
1 INTRODUCAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.1 Motivacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2 Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.3 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.4 Objetivos Especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 REVISAO DA LITERATURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.1 Rede Neural Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.1.1 Historico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152.1.2 Caracterısticas e Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 152.1.3 Arquiteturas de Redes Neurais . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.1.4 Vantagens de Uso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.2 Previsao no Mercado Financeiro . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2.1 Analise Fundamentalista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2.2 Analise Tecnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.2.3 Indices Financeiros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.3 Mercado de Acoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.4 Mercado de Capitais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234.1 A ferramenta Neural Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234.2 Dados do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254.3 Execucao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
5 CONCLUSAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
9
1 INTRODUÇÃO
Sabe-se que no século XX houve importantes aplicações do campo científico
computacional e matemático no mundo dos negócios, especificamente, aplicações
estatísticas focadas nas organizações, indústrias e nas instituições militares. Tais
aplicações vão desde a pesquisa operacional com modelos de otimização, métodos
estatísticos quantitativos aplicados nas indústrias, no mercado financeiro de ações e
em diversos outros segmentos.
O mundo está cada vez mais dinâmico e exigente, em um cenário de
mudanças constantes onde a incerteza está presente no contexto do sistema
capitalista, onde tudo tem um valor monetário e está sob influência de diversas
variáveis, o que o torna um sistema complexo para ser analisado.
É por isso que o uso de ferramentas de apoio à análise técnica no mercado
financeiro está em constante aperfeiçoamento, complementando os modelos
analíticos tradicionais. “Os sofisticados modelos matemáticos atuais não são inúteis,
apenas devem ser aperfeiçoados ainda mais, incorporando estudos sobre a
irracionalidade do investidor” (Famá et al, 2008).
1.1 Motivação
A Inteligência Artificial é uma área que se mostra eficaz para se resolver
problemas complexos como as predições e análises do mercado financeiro de
ações, que envolve muitas variáveis e seus relacionamentos e influências em
resultados e rumos do mercado de capitais.
A partir desta ciência, surgiram várias ferramentas de ampla aplicabilidade e
avançados mecanismos baseados na neurofisiologia e na matemática aplicados na
área da ciência da computação. Podemos citar Data Mining (Mineração de dados)
para reconhecimento de padrões e inferências em bases de conhecimento,
algoritmos genéticos para problemas de otimização, árvores de decisão para tomada
de decisões inteligentes e as redes neurais artificiais usadas para fazer previsões,
10
também usadas em conjunto com Data Mining para resolver problemas de
classificação (BARBIERI, 2011).
1.2 Problema
As variáveis do mercado financeiro de ações são altamente voláteis, o que diz
respeito a sua variabilidade ao longo do tempo, pois se torna difícil prever um padrão
de comportamento constante em seus valores se analisadas isoladamente, também
seu elevado número dificulta a análise das relações e implicações que cada variável
tem umas com as outras e com o resultado de índices de mercado que são
influenciados por estas variáveis, como Dow Jones, S&P 500, Bovespa, dentre
outros. Além disso, são processos estocásticos que necessitam de modelos
adequados para tratá-los.
[..]estocástico significa aleatório e processo, neste contexto, significa função, então um processo estocástico é uma função cujos valores são variáveis aleatórias indexadas por um conjunto finito que é definido sobre um espaço de probabilidade também finito (Edward Nelson, 1987,p.10, tradução nossa).
Portanto, os processos estocásticos compõem-se basicamente de variáveis
aleatórias em função do tempo. Os modelos lineares são insuficientes para resolver
problemas não lineares como os índices, médias e valores do mercado financeiro e
seus relacionamentos.
1.3 Objetivo Geral
Pretende-se efetuar a análise e demonstração de um software que
implementa redes neurais artificiais para tratar o problema de análise e mapeamento
das variáveis do mercado financeiro em torno do índice Dow Jones e as influências
destas variáveis no resultado da direção deste índice. Portanto, o estudo descritivo a
11
ser realizado tem o objetivo de coletar dados da execução do tipo de rede neural
mais eficaz dentre os disponíveis para tratar este problema.
1.4 Objetivos Específicos
Os objetivos específicos são:
Realizar a análise do software NeuralTools, que implementa redes neurais, da
suíte de ferramentas da Palisade através de dados históricos do mercado
financeiro norte-americano;
Analisar a eficiência da melhor rede neural dentre aquelas implementadas pelo
software e o grau de influência de cada variável nos resultados da rede;
Extrair dos resultados, indicadores de desempenho tanto para treinamento
quanto para teste da rede, executados pelo software para serem analisados.
12
2 REVISÃO DA LITERATURA
2.1 Rede Neural Artificial
Uma rede neural artificial é um modelo matemático-computacional que se
baseia no funcionamento do cérebro humano, através de abstrações do neurônio e
suas conexões sinápticas. Basicamente, tem a capacidade de propagar as
informações de entrada através dos neurônios artificiais que estão interligados
produzindo uma saída. Segundo HAYKIN, a definição para uma rede neural de forma
geral é:
[...] uma máquina que é projetada para modelar a maneira como o cérebro realiza uma tarefa particular ou função de interesse; a rede é normalmente implementada utilizando-se componentes eletrônicos ou é simulada por programação em um computador digital. (HAYKIN, 2001, p.28)
Já Leonardo Augusto. A. Terra, (2012) cita a seguinte definição:
As redes neurais artificiais (RNA) são um ramo da inteligência artificial. Esses sistemas computacionais são inspirados nos neurônios biológicos e têm como objetivo a solução de problemas complexos, a partir de um conjunto de variáveis independentes, como o reconhecimento de padrões e aproximações de funções (PRINCIPE; EULIANO; LEFEBVRE apud TERRA, 2012).
Segundo Jingtao Yao (1999), uma Rede Neural é uma coleção de elementos de
processamento simples interconectados onde a cada conexão da Rede Neural tem-
se um peso atrelado.
Citando uma definição matemática, pode-se definir o seguinte: “uma rede
neural relaciona um conjunto de variáveis de entrada {xi}, i = 1,...,k, a um conjunto de
uma ou mais variáveis de saída, {yj}, j = 1,...,k” (MCNELIS, 2005).
O Neurônio é a unidade básica fundamental de uma rede neural. Comparando
a rede neural com uma estrutura de grafo orientado, poderíamos dizer que os
neurônios são os nodos deste grafo e estão interligados pelas arestas do grafo. O
13
neurônio individualmente realiza o processamento das informações que chegam e
produz uma saída que irá alimentar outros neurônios.
Conforme citado no histórico das redes neurais, o primeiro neurônio artificial
definido por McCulloch e Pitts tem o seguinte esquema:
Figura 1 – Modelo não-linear do neurônio de McCulloch e Pitts.
Fonte: HAYKIN, 2001
Segundo Simon Haykin (2001), o neurônio apresenta três elementos básicos a
saber:
Um conjunto de sinapses ou elos de conexão, cada qual caracterizado por um
peso ou força própria. O sinal de entrada X1, X2, Xp é multiplicado pelos pesos
sinápticos Wk1, Wk2, Wkp
Um somador ∑ para somar os sinais de entrada, ponderado pelas respectivas
sinapses do neurônio.
Uma função de ativação φ(.) para restringir a amplitude de saída do neurônio.
Esta função limita o intervalo de saída para [0,1] ou [-1,1].
A equação que representa o modelo de neurônio é dada por :
(1)
14
As operações do somador constituem um combinador linear dado por uk, portanto a
saída yk do neurônio constitui-se da função de ativação φ e o resultado de uk.
yk = φ (uk) (2)
A função de ativação φ(u), define a saída do neurônio. Existe diversas funções de
ativação, mas os tipos básicos são Função de Limiar e Função Sigmóide.
Para a função de Limiar,
Se u ≥ 0 então φ(u) = 1;
Se u < 0 então φ(u) = 0. (3)
Esta definição descreve a propriedade tudo-ou-nada do modelo de McCulloch-Pitts.
(HAYKIN, 2001).
A função sigmoide é uma das mais utilizadas em aplicações de redes neurais,
conforme se pode observar nos artigos e livros-texto pesquisados. “Esta função é
estritamente crescente e exibe um balanceamento adequado entre comportamento
linear e não-linear” (HAYKIN, 2001). Um exemplo deste tipo de função é a função
logística dada por:
(4)
onde 𝑎 é o parâmetro de inclinação da função sigmoide, esta função assume um
intervalo contínuo de valores entre 0 e 1 e seu gráfico é em forma de S.
Podemos dizer que o que concede à rede neural o caráter de inteligência é a
capacidade de aprender. Como é definido, “o conhecimento é adquirido pela rede a
partir de seu ambiente através de um processo de aprendizagem” (HAYKIN, 2001).
As redes neurais são empregadas em processos estocásticos, já que o
caráter aleatório do conjunto de variáveis e sua mudança no tempo podem ser
aprendidos pela rede. O que garante este armazenamento do conhecimento
adquirido são os pesos sinápticos, definidos por Simon Haykin (2001) como forças
de conexão entre neurônios. O algoritmo de aprendizagem tem a função de modificar
os pesos sinápticos da rede de forma a alcançar o objetivo.
15
2.1.1 Histórico
A origem das Redes Neurais Artificiais como parte da Inteligência Artificial teve
sua origem a partir de estudos de dois precursores da Inteligência Artificial, o
matemático Walter H. Pitts e o neuroanatomista Warren S. McCulloch, a partir de
1943 quando foi escrito o artigo intitulado “A Logical Calculus of the Ideas Immanent
in Nervous Activity” publicado originalmente na revista Bulletin of Mathematical
Biophysics, vol. 5, ano de 1943. Segundo HAYKIN (2001), neste artigo McCulloch e
Pitts descrevem um cálculo lógico das redes neurais que unificou a neurofisiologia e
a lógica matemática.
Outro importante pesquisador foi Minsky que em 1961 publicou um artigo
sobre Inteligência Artificial e 7 anos depois publicou livro Computation: Finite and
Infinite Machines que estendeu os estudos de McCulloch e Pitts para a teoria dos
autômatos e da computação (HAYKIN, 2001).
Em 1958, F. Rosenblatt publicou em Psychological Review, vol 65 nº 6, o artigo
intitulado The Perceptron: A Probabilistic Model for Information Storage and
Organization in the Brain, o qual criou um método inovador de aprendizagem
supervisionada (HAYKIN, 2001).
Na década de 1980, os trabalhos mais importantes foram de autoria de
Hopfield e o livro de Rumelhart e McClelland, responsáveis pela retomada do
interesse em redes neurais, cujo assunto ficou adormecido na década de 70,
conforme Haykin cita em seu livro, as redes neurais desde McCulloch e Pitts até os
dias atuais se estabeleceram e evoluíram permanentemente como um tema
interdisciplinar desde neurociência, passando pela matemática à engenharia.
2.1.2 Características e propriedades
Um neurônio artificial pode ser do tipo linear ou não-linear. Segundo Simon
Haykin (2001), a não-linearidade é uma propriedade muito importante, pois tem
facilidade para lidar com sinais de entrada gerados por mecanismos não-lineares, o
16
que torna esta propriedade importante no contexto do problema analisado, pois os
dados do mercado financeiro, são de natureza não-linear.
Uma rede é capaz de fazer um mapeamento entrada-saída, o que é chamado
de aprendizagem supervisionada que envolve a modificação dos pesos sinápticos,
assim a rede aprende dos exemplos (HAYKIN, 2001).
O mapeamento entrada-saída caracteriza a aprendizagem supervisionada,
pois se torna o conhecimento do ambiente e professor da rede neural que durante o
treinamento faz os devidos ajustes aos pesos sinápticos de acordo com um sinal de
erro, tal procedimento é conhecido como aprendizagem por correção de erro
(HAYKIN, 2001) e está intrinsecamente ligado a aprendizagem supervisionada.
2.1.3 Arquiteturas de Redes Neurais
O Multilayer Perceptron ou Perceptron de Múltiplas Camadas é uma das
topologias de redes neurais mais implementadas.
Duas características importantes do Perceptron de Múltipla camada são o
processamento não-linear de elementos, os quais tem uma não linearidade que
deve ser suave. A outra característica é sua massiva interconectividade, qualquer
elemento de uma camada alimenta todos os elementos da próxima camada.
(PRINCIPE EULIANO et al apud GURESEN, 2011).
O que distingue este tipo de rede neural são os neurônios ocultos, que são
dispostos paralelamente em camadas intermediárias entre a camada de entrada e a
camada de saída. “Adicionando-se uma ou mais camadas ocultas, tornamos a rede
capaz de extrair estatísticas de ordem elevada” (HAYKIN, 2001).
As funções de ativação mais largamente utilizadas segundo EULIANO são a
função logística e a função tangente hiperbólica.
Um dos motivos que explicam a capacidade elevada e dinamismo deste tipo de rede
é que em um MultiLayer Perceptron ou Rede alimentada adiante (FeedFoward) com
vários neurônios na camada oculta, é sempre possível especificar funções de
ativação alternativas para os diferentes neurônios (MCNELIS, 2005).
17
Figura 2 – Rede de alimentação direta de múltiplas camadas
Fonte: adaptado de YAO, 1999
2.1.4 Vantagens de Uso
A vantagem de se usar Redes Neurais é devido aos seus modelos não-lineares que podem ser treinados para mapear valores passados e futuros da relação entrada-saída. Também devido a sua capacidade de reconhecer padrões e a rapidez de suas técnicas para resolver problemas complexos
com precisão e em diversas aplicações. (WALLACE, 2008, p.69-70,
tradução nossa).
Refenes et al. citado por YAO (1999), indica que técnicas estatísticas
convencionais para previsões tem alcançado suas limitações em aplicações com
conjunto de dados não-lineares. Podemos observar que devido às restrições dos
modelos convencionais para resolver certos tipos de problemas não lineares, como é
o caso das previsões no mercado de ações, abre-se espaço para aplicação de redes
neurais nas organizações.
Segundo a Palisade Corporation, fabricante do software de Redes Neurais,
NeuralTools, objeto de análise deste trabalho, as redes neurais fornecem uma
alternativa aos métodos estatísticos convencionais. Funcionam semelhante às
regressões lineares, são usadas para aproximação de funções. Também são usadas
para classificação como em análises discriminantes e regressões logísticas.
Camada
Oculta
Camada
Camada de
Saída
Entrada
y
x1 x2 x3 x4 xn
....
....
....
18
2.2 Previsão no mercado Financeiro
Segundo McNelis (2005), previsão diz respeito a entender quais variáveis
levam ou ajudam a prever outras variáveis, quando muitas variáveis interagem em
mercados voláteis. Isto significa olhar no passado para ver quais variáveis são as
principais indicadoras do comportamento de outras variáveis. Isto também significa
um melhor entendimento do tempo de relações “conduzir–atrasar” entre muitas
variáveis, entendendo o significado estatístico destes relacionamentos “conduzir–
atrasar”, e aprendendo quais variáveis são as mais importantes para vermos como
sinais para novos desenvolvimentos em outros retornos (MCNELIS, 2005, tradução
nossa).
Considerando esta característica, pode-se saber qual o peso que cada
variável tem na função da rede neural. Através da ferramenta NeuralTools é possível
saber isto devido as porcentagens atribuídas a cada variável de entrada e ao gráfico
gerado, permitindo eliminar variáveis que têm pouca influência no resultado de saída
da rede.
2.2.1 Análise Fundamentalista
Analisa em profundidade as condições financeiras e os resultados
operacionais de uma empresa específica e o comportamento subjacente de suas
ações ordinárias. O valor de uma ação é estabelecido através da análise da
informação fundamental associado à empresa, como a concorrência, contabilidade e
gestão (YAO, 1999).
“É baseado também nas características financeiras da empresa, em sua perspectiva
de crescimento, no perfil de risco e outros indicadores. A característica desta análise
é de operações de médio e longo prazo” (COSTA et al, 2010).
19
A análise fundamentalista é uma metodologia de análise para determinar o preço
justo de uma ação que se fundamenta na expectativa de resultados futuros da
empresa (CAVALCANTE et al apud COSTA et al, 2010).
2.2.2 Análise Técnica
Análise técnica, por outro lado, assume que a bolsa se move em tendências
e estas tendências podem ser capturados e usados para a previsão. A
análise técnica pertence à terceira escola de pensamento. Ele tenta usar
preço das ações passadas e informações de volume para prever os
movimentos futuros de preços. O analista técnico acredita que existem
padrões recorrentes de comportamento de mercado que são previsíveis.
(YAO et al, 1999, tradução nossa).
O mesmo autor afirma que análise fundamental e técnica pode ser simulado
em redes neurais. Para os métodos fundamentais, vendas no varejo, preços de ouro,
índices de produção industrial e taxas de câmbio, poderiam ser usados como
insumos. Para os métodos técnicos, os dados de séries de tempo retardados podem
ser utilizados como entradas.
Segundo Piazza, (2008) citado por COSTA et al (2005), a Análise Técnica
tem o foco principal na análise gráfica do histórico de preços da ação e no seu
desempenho ao longo dos tempos.
2.2.3 Índices Financeiros
O índice DJIA - Dow Jones Industrial Average – é um índice que representa o
cálculo da média da atividade industrial baseado nos principais players do mercado
norte americano. É uma das principais medidas relevantes e representativas do
mercado financeiro estadunidense segundo análise do grupo que administra e provê
este serviço de índices financeiros, a CME – sigla de Chicago Mercantile Exchange
Inc. Segundo o artigo da companhia, este índice denominado simplesmente “The
20
Dow”, marca registrada, foi instituído em 1896 e era composto originalmente por 12
componentes, posteriormente aumentou-se para 30 componentes, os quais são
representados pelas principais corporações Norte-americanas que juntas
representam uma grande parcela do mercado. Dentre as 30 companhias, a categoria
produtos Industrializados tem maior destaque de representatividade (3M, Boeing,
General Eletric, dentre outras), seguida pela categoria Tecnologia (IBM, Intel,
Microsoft, Cisco Systems e Hewlett-Packard) e logo após Serviços ao consumidor,
tais como, McDonald’s, Wal Mart Stores, Walt Disney e outras.
Este índice é resultante de métodos matemático-financeiros para estabelecer
uma média que represente os capitais financeiros e desempenho destas
corporações, no mercado de ações, a fim de nortear os investidores e o rumo da
economia. Apesar de ser um índice do mercado Norte-americano, reflete nas bolsas
de valores de outros países, inclusive o Brasil (BOVESPA), conforme estudos de
WOLFF et al (2011) que conclui que o índice Dow Jones tem uma relação de
equilíbrio em longo prazo com as companhias Vale SA e Petrobras SA, identificando-
se relação causal entre os preços das ações destas empresas com o DJIA. Dada
esta relevância para o índice utilizado e conforme nosso país passa a atrair cada vez
mais investimentos estrangeiros e praticar uma política de abertura, deixando nossa
economia mais suscetível aos reflexos da economia internacional, prosseguiremos
com o objetivo de avaliar a previsão da direção do índice Dow Jones naquele
mercado. Em suma, o DJIA é um Benchmark confiável e aceito mundialmente, que
serve como termômetro dos dividendos de capitalização do Mercado dos Estados
Unidos, cobrindo até o ano de 2011 um nível de 24% do total de capitalizações
(quase ¼ do total do Mercado).
2.4 Mercado de Ações
Para descrever de forma bem simples o que é uma ação, podemos defini-la
como uma quota, uma parcela de uma empresa. O conceito de sociedade anônima
foi criado para permitir que uma empresa (ou a iniciativa de criar uma empresa)
pudesse captar dinheiro no mercado para financiar suas atividades.
21
Se a empresa lucrar com sua atividade econômica, terá que repartir uma
parcela desse lucro com os acionistas. A lei das sociedades anônimas estabelece
que a empresa seja obrigada a pagar pelo menos 25% de seu lucro líquido, na forma
de dividendos, aos seus acionistas.
Ao adquirir ações você não sabe exatamente quanto vai ganhar com elas,
apenas tem uma perspectiva de ganho, por isso esse tipo de investimento é
chamado renda variável.
2.5 Mercado de Capitais
O mercado de capitais é o ambiente operacional no qual se pode negociar o
capital das empresas constituídas como sociedades anônimas. Nesse mercado
podem ser negociados tanto as ações como seus derivativos. Derivativos são títulos
derivados das ações, daí sua denominação.
22
3 METODOLOGIA
Nos procedimentos empregados, foi feito levantamento do estado atual dos
modelos de redes neurais aplicados em problemas de categorização. Para atender
os objetivos deste trabalho foram executadas as seguintes etapas detalhadas no
capítulo seguinte:
Primeira etapa descrita no item 4.2 consiste em obter uma base de dados de
séries temporais fornecida pela companhia Palisade, sobre os indicadores que
atuam no mercado financeiro da bolsa de valores de Nova Iorque que inclua o valor
do índice Dow Jones no fim de cada mês e a indicação da direção deste índice no
fechamento mensal.
A segunda etapa, descrita no item 4.3, basicamente foi utilizar a base de
dados obtida para executar através do Software NeuralTools o treinamento de uma
rede neural na referida base de dados.
A terceira etapa, descrita no item 4.3 se baseia em realizar através da rede
neural treinada a ação de prever automaticamente a direção do índice Dow Jones no
próximo mês para cada caso do modelo.
Por último na quarta etapa, descrita no item 4.4 resume-se em analisar a
eficiência da rede neural implementada pelo software NeuralTools dentre aquelas
disponíveis pelo software e tida como a melhor rede segundo a busca automática, e
o impacto de cada variável no resultado, através dos relatórios gerados.
23
4 DESENVOLVIMENTO
Para executar a análise da ferramenta, foi feito o treinamento da Rede Neural
implementada como suplemento para o Excel através da ferramenta NeuralTools da
Palisade Corporation. Para tanto, considerou um conjunto de dados fornecidos pela
Palisade, cuja periodicidade é mensal contemplando o período de Janeiro de 1959 a
Dezembro de 1997. O motivo da escolha deste modelo deveu-se as variáveis
independentes da economia tais como taxa de juros básica, inflação anterior, que
são de grande importância como fatores que aceleram a inflação e
consequentemente influenciam o rumo da economia conforme indica o trabalho de
Luiz Carlos Bresser Pereira e Yoshiaki Nakano (1984). Além disso, segundo
fundamentos econométricos estes dados estão organizados em um modelo de séries
temporais. Conforme atesta Erkam Guresen, os modelos de séries temporais
financeiros expressados por teorias financeiras tem sido a base para previsão de
uma série de dados no século XX. (GURESEN,2011, p.10390, tradução nossa). A
variável dependente do modelo é a direção do índice Dow Jones classificando em
duas categorias, sendo Subiu para Alta do Índice e Caiu para Baixa da direção do
índice.
4.1 A ferramenta Neural Tools
O Neural Tools 5.7 Edição Industrial, é um software proprietário da Palisade
Corporation sediada em Nova Iorque e traduzido para português devido à venda
deste software no Brasil e o seu uso por organizações e instituições brasileiras de
grande porte como Petrobras, UFRJ, dentre outras companhias.
O Neural Tools trabalha integrado ao ambiente do Excel, o que torna muito
simples a manipulação dos dados. No modelo a ser analisado, uma rede neural
aprende a prever a direção do mercado no próximo mês, com base em dados de
indicadores econômicos mensais específicos. No modelo em questão, além dos
24
valores dos indicadores do mês anterior, estão inseridas variáveis defasadas e
variáveis que medem as mudanças no decorrer de 6 meses.
A rede utilizada pelo NeuralTools é do tipo Multilayer FeedFoward conhecida
como alimentação direta com múltiplas camadas e probabilística, segundo a
Palisade Corporation, o NeuralTools permite usar diferentes configurações de redes
neurais, a fim de propiciar as melhores previsões possíveis. A ferramenta distingue
as redes neurais para a previsão de classificação/categoria (em que a variável
dependente é um tipo de categoria) em dois tipos de redes disponíveis: Redes
Neurais Probabilísticas (PNN) e redes Multi-Layer Feedforward (MLF). A
previsão numérica pode ser realizada usando-se redes MLF assim como Redes
Neurais de Regressão Generalizada (GRN), que são estreitamente relacionadas
às redes Probabilísticas.
Figura 3 – Tela de informações sobre o software NeuralTools.
25
As opções da ferramenta resume-se em gerenciar dados, treinar uma rede
neural, testar a rede neural treinada e fazer previsões em cima de novos dados.
Abaixo a nova aba:
Figura 4 – Aba do Excel com menu de ferramentas do NeuraTools.
4.2 Dados do Modelo
Segundo Paul McNelis (2005), o problema em usar um índice baseado em
uma média ou média ponderada é que o mercado não pode ser agrupado em torno
daquela média. Em contrapartida, segundo o mesmo autor um modelo que pode
explicar tudo, ou aproximadamente tudo, na realidade nada explica. Neste trabalho,
realiza-se análise apenas do ponto de vista do índice Dow Jones, apesar de
existirem outros índices, como o NASDAQ, S&P 500, mas por questões de
simplificação, pois pretende-se mostrar a facilidade de uso da ferramenta
NeuralTools no cumprimento do objetivo, portanto, utilizaremos além do DJIA,
variáveis da economia como taxa de inflação, índice de produção industrial, vendas
a varejo, dentre outros, com as seguintes nomenclaturas:
JUR: Taxa Básica de juros (baseada em Notas do Tesouro com vencimento
constante, 5 anos);
INF: Taxa de inflação como um dos principais componentes;
PROD: Índice de produção industrial;
VAR: Vendas a varejo;
DJIA: Índice da Média Industrial Dow Jones;
RESULTADO: direção do índice Dow Jones (DJIA).
26
Além destas variáveis, foram utilizados variáveis defasadas e variáveis que medem
as mudanças decorridos 6 meses, pois com isto é possível que a rede neural
assimile melhor as imperfeições do mercado e aumente sua capacidade de
generalização.
As opções da ferramenta resume-se em gerenciar dados, treinar uma rede
neural, testar a rede neural treinada e fazer previsões em cima de novos dados.
Abaixo a nova aba:
Figura 5 – Base de dados históricos para treinamento da rede.
4.3 Execução
1º Passo
Definir os conjuntos de dados para treinamento, teste e previsão através do
gerenciador de conjunto de dados. Neste caso para melhor visualização, utilizou
conjuntos de dados separadas para cada fim. O NeuralTools permite treinar e testar
a rede com base em um único conjunto de dados, selecionando aleatoriamente uma
porcentagem de dados para cada fim.
27
Figura 6 – Gerenciador do conjunto de dados
Uma característica muito importante do NeuralTools é que ele detecta
automaticamente o tipo de variável de cada intervalo de células. As variáveis podem
ser numéricas (na maioria das vezes valores contínuos) ou categóricas (geralmente
variáveis qualitativas em que se classificam-nas em uma ou mais categorias).
Também podem ser variáveis dependentes, no modelo analisado é a variável de
saída, pois depende das outras variáveis de entrada e seus respectivos valores para
determiná-la, ou variáveis independentes, que são todas as variáveis de entrada
neste caso analisado.
O Gerenciador de conjunto de dados detectou 17 variáveis distribuídas nas
colunas e 468 células de dados por variável para o conjunto de dados de
treinamento da rede neural. Também foi definido um conjunto de testes e por fim os
dados para previsão.
28
2º Passo
Após configurar os dados, antes de iniciar o treinamento da rede, é preciso
verificar os dados de treinamento, pois podem existir erros, dados ausentes, dentre
outras anomalias. O NeuralTools faz esta varredura automaticamente.
O NeuralTools trabalha com casos e variáveis. Neste modelo as variáveis são
17 no total, compreendendo faixas de dados contíguas das colunas e cada uma das
492 linhas é um caso. Portanto ao NeuralTools caberá prever os casos em que a
variável dependente estiver vazia.
No utilitário da ferramenta, é possível preencher os espaços em branco
automaticamente com valores a escolha do usuário, como média, aproximações
vizinhança, etc, como pode-se observar abaixo:
Figura 7 – Tela Utilidades de Dados Ausentes
29
3º Passo
O conjunto de dados já está pronto para ser utilizado para treinar a rede
neural. Portanto a ação Treinar é executada chamando a janela de treinamento.
Neste momento, é determinado se o treinamento e teste será automático ou
manual. Pois o NeuralTools é altamente eficiente e simples para operar, permitindo
que o treino e o teste seja feito de maneira automática selecionando intervalos
aleatórios do conjunto de dados.
Figura 8 – Tela de treinamento
O NeuralTools disponibiliza a opção de busca da melhor arquitetura de rede
neural para cada tipo de problema. No entanto, esta opção é a mais demorada, pois
as redes de múltiplas camadas alimentadas adiante são executadas diversas vezes
com variadas quantidades de neurônios nas camadas ocultas. Após executar as
diversas opções a mais rápida foi a rede probabilística/regressão generalizada.
30
Figura 9 – Aba configurações da rede
Abaixo, a tela de andamento do treinamento da rede neural durante a
execução do processo.
Figura 10 – Tela andamento do treinamento
31
4º Passo
Após o treinamento da rede neural e o seu salvamento em um local pré-
determinado é gerado um relatório detalhado e resumido sobre o treinamento.
Executa-se o teste da nova rede neural treinada com um conjunto de dados
selecionados para teste.
Figura 11 – Visão geral de teste
5º Passo
A rede neural está pronta para realizar previsões. Pode-se observar durante a
análise a existência de duas situações, a previsão automática ao detectar valores
ausentes para variáveis dependentes, no caso a variável categórica da direção DJIA
que se classifica em Subiu ou Caiu. Ou também a realização da previsão desta
variável para cada mês de cada caso, permitindo a comparação com os dados
históricos, permitindo também correlacionar a porcentagem de acerto na previsão.
32
Figura 12 – Tela de previsão da rede neural
Figura 13 – Escolha da rede neural treinada e testada
33
4.4 Resultados
Ao executar a ação de prever, a rede neural probabilística mostrou-se a mais
eficiente, pois através desta rede o tempo de execução de treinamento foi de apenas
4 segundos enquanto que para redes de múltiplas camadas com 5 nós nas camadas
ocultas o tempo de execução foi de 2 horas, que é o tempo máximo.
A rede probabilística para o problema de categorização do resultado do índice
Dow Jones em queda e alta, obteve para os 468 casos uma porcentagem de
previsões adequadas de 62,6%, o que pode ser constatado pela porcentagem de
previsões inadequadas de 37,39% nos dados do relatório de treinamento.
Figura 14 – Relatório dos resultados de treinamento
34
Para este relatório, também percebe-se dentre as variáveis numéricas
independentes que são as entradas da rede, uma variação de impacto no resultado,
obtendo-se 27,66% de influência no resultado para a variável taxa de juros decorrido
o acúmulo desta taxa em 6 meses. E um impacto muito baixo para as variáveis de
taxa de inflação defasada (0,086%) e índice de produção industrial decorrido 6
meses (0,02 %).
Figura 15 – Relatório de treinamento – análise de impacto de variáveis
Segundo a matriz de classificação, que faz a correlação entre a quantidade de
previsões realizadas e aquelas efetivas disponíveis dos dados históricos, houve um
alto índice de acerto (84,68%) para a categoria Subiu enquanto que para a categoria
Caiu do índice Dow Jones houve apenas 31,44% de acerto.
Abaixo o histograma de probabilidade de categorias incorretas e o gráfico em
barras da análise de impacto das variáveis:
35
Figura 16 – Histograma de probabilidades de categorias incorretas
Figura 17 – Impacto de variáveis
36
Para os resultados do teste, as porcentagens foram bem próximas daquelas
do treinamento. Dada a porcentagem de previsões inadequadas (38,09%) o nível de
acerto foi de 61,91% de previsões adequadas. Abaixo relatório de teste da rede:
Figura 18 - Relatório resumido de teste da rede neural treinada
Segundo a matriz de classificação de teste, houve melhora no índice de
acerto (91,67%) para a categoria Subiu comparado com os valores de treinamento
enquanto que para a categoria Caiu do índice Dow Jones houve uma porcentagem
menor ainda se comparada com o valor de treinamento (22,23%) de acerto.
37
5 CONCLUSÃO E TRABALHOS FUTUROS
Conclui-se que a ferramenta analisada implementa a nível de software
eficazmente redes neurais artificiais conforme a mecânica de aprendizagem de
máquinas das redes neurais de múltiplas camadas, probabilísticas e de regressão
generalizada. Sendo uma alternativa eficaz e substitutiva de técnicas puramente
estatísticas e probabilísticas aplicadas no mercado financeiro, de fácil manipulação e
rápida execução, possibilita o uso aplicado de redes neurais sem a necessidade de
ser especialista, que seria o caso de pessoas que utilizam os modelos de redes
neurais como ferramenta de apoio a tomada de decisão para o mercado financeiro.
Portanto, as redes neurais tem um grande poder de processamento e amplo
campo de aplicação, sendo adequadas para problemas do mercado financeiro de
categorização, previsão e análise de sensibilidade em modelos de dados.
Para trabalhos futuros, é sugerido um maior detalhamento analítico e
comparação de diferentes implementações de modelos de redes neurais para
problemas de previsão de valores numéricos utilizando arquiteturas de redes mais
avançadas como redes neuro-dinâmicas de retro-alimentação.
38
REFERENCIAS BIBLIOGRÁFICAS
BARBIERI, Carlos. BI2 – Modelagem e Qualidade. Axcel Books, 2011.
COSTA, Israel J. VARGAS, Jaderson. Análise Fundamentalista e Análise Técnica: agregando Valor a uma carteira de Ações. Faculdade Estácio de Sá. Espírito Santo.
GURESEN, Erkam; KAYAKUTLU, Gulgun; TUGRUL U. Daim, Using artificial neural network models in stock market index prediction, Expert Systems with Applications, V. 38, n. 8, Ago-2011, p. 10389-10397.
HAYKIN, Simon. Redes Neurais: princípios e prática. 2.ed. Porto Alegre : Bookman, 2001.
Índice DowJones. Acesso em http://www.djindexes.com/literature/?go=analyticsandresearch
MCNELIS, Paul. Neural Networks in Finance: Gaining predictive edge in the Market. Elselvier, 2005.
NELSON, Edward . Radically Elementary Probability Theory. Princeton University Press. 1987. Acesso em https://web.math.princeton.edu/~nelson/books/rept.pdf
WOLFF, Laion. et al. Influência do mercado acionário norte americano sobre o preço das principais ações brasileiras. Revista Organizações em Contexto, ROC. São Bernardo do Campo, SP. Ano 7. n. 14. Jul-Dez 2011.p 191-210.
WALLACE, M. P. Neural Networks and their application to Finance. Business Intelligence Journal, London, 2008.
YAO, J. T. et al. Neural Networks for Technical Analysis: A Study on KLCI. Journal of Theoretical and Applied Finance Vol. 2, No. 2 (1999) 221-241.
