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