Upload
wilson-freitas
View
1.541
Download
1
Embed Size (px)
DESCRIPTION
This presentation shows 2 models that use neural networks to forecast financial time series.
Citation preview
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Redes neurais em financas
Wilson Freitas
Departamento de Engenharia Eletrica — PUC–Rio
23 de Novembro de 2006
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
1 Aplicacoes
2 Previsao do mercado de acoes de Toquio
3 Redes neurais no KLCI
4 Referencias
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Aplicacoes de redes neurais em financas
Aplicacoes de redes neurais em financas
Previsao
Selecao de carteiras
Identificacao de padroes em analise grafica
Criacao de indicadores
Precificacao de opcoes
Avaliacao de empresas (rattings de credito)
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
O problema de previsao do ındice de Toquio
O problema
A Nikko Securities identificou que os seguintes indicadores estavambastante correlacionados com mercado de acoes de Toquio:
1 Indice Dow Jones Industrial
2 Tıtulos do governo japones
3 Um indicador tecnico desenvolvido pela propria Nikkochamado IT radar
Esta analise foi realizada para dados semanais das series citadas.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
O problema de previsao do ındice de Toquio
Objetivo
Desenvolver um sistema de previsao que emite sinais de compra evenda de tıtulos do ındice de Toquio (Tokio Stock Exchange PricesIndexes – TOPIX).
Desenvolvido por Morio Yoda (gerente de pesquisa e dadivisao de negociacao da Nikko Securities no Japao) e TakashiKimoto (Fujitisu Laboratories – Japan) em 1990
Sistema baseado em redes neurais MLP
Sistema ficou operando por aproximadamente 3.5 anos
Produziu 145 previsoes com uma taxa de acerto de 62.1%(sinais emitidos que proporcionaram lucros)
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Tipo de rede neural
O sistema e baseado em um emsemble de redes neurais.
Na pratica sao m redes neurais Multi Layer Perceptron com 3camadas: 1 entrada, 1 escondida e 1 saıda.
Cada rede neural representa um modulo do sistema.
Cada modulo utiliza um conjunto de dados historicos paraaprender as relacoes existentes entre diversos indicadorestecnicos e economicos e os instantes de compra e venda noındice TOPIX.
Objetivo
Prever o melhor instante de compra ou venda para 1 mes (4semanas) a frente.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Entradas
O preco do TOPIX e determinado tanto por indicadoresmacroeconomicos quanto por indicadores tecnicos:
Volume negociado no TOPIXTaxas de juros do mercado japonesMoedas estrangeirasIndice Dow Jone IndustrialIT Radar
Estes indicadores sao as entradas do sistema e sao mapeadosno intervalo [0, 1]. O sistema utiliza dados semanais de cadaindicador.
Os dados passam por um pre-processamento que extrai:
Nıvel: media movel semanalTendencia: coeficiente da regressao linear
Nıvel relativo: diferenca entre o indicador e a media movel
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Saıda
Cada modulo preve a soma ponderada dos retornos semanaisdo TOPIX rt,h, para o horizonte de interesse h (numero desemanas). Sendo rt e o retorno semanal do TOPIX
rt = log(pt)− log(pt−τ )
onde pt e o preco do ındice no instante t e τ = 7 (1 semana),tem-se:
rt,h =h∑
i=1
φirt+i
onde φ e o peso.
A saıda do sistema e a media aritmetica das saıdas dos mmodulos. O objetivo e reduzir o ruıdo na saıda.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Pos-processamento
A saıda do sistema e mapeada no intervalo [0, 1].Um sinal de compra e enviado quando a saıda do sistema emaior do que algum limite superior.
Um sinal de venda e enviado quando a saıda do sistema emenor do que algum limite inferior.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Aprendizado
Aprendizado suplementar
Semelhante ao algoritmo de aprendizado back propagation embatch.
Os pesos somente sao atualizados apos a apresentacao detodos os padroes.
Antes do aprendizado, “nıveis de tolerancia” sao definidaspara todas as saıdas.
Durante o aprendizado, somente os padroes que produzemerros maiores do que o nıvel de tolerancia saoretro-propagados.
O sistema aprende com os ultimos M meses e faz previsaopara L meses a frente.
Utiliza validacao cruzada para selecionar a melhor rede.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Aprendizado
Aprendizado suplementar
O fator de atualizacao dos pesos e dado por:
∆wij(t) = − η
P
∂E
∂wij+ α∆wij(t− 1)
onde η e a taxa de aprendizado, α e o termo de momento e Pe o numero de padroes que ultrapassaram o nıvel detolerancia.
Como η e dividido pelo numero de padroes que vao precisarser retro-propagados, entao a taxa de aprendizado diminuiquando o numero de padroes retro-propagados aumenta.
Este aprendizado e rapido para grandes quantidades de dados.
A taxa de aprendizado η e “automaticamente” adaptativa enao precisa ser ajustada.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Simulacao
Simulacao do sistema
O sistema faz previsao para L meses a frente.
O processo aprendizado e repetido deslocando as janelas Lmeses a frente.
O melhores resultados foram obtidos para M = 6, 12, 18, 24 eL = 1.
As simulacoes do sistema foram realizadas para o perıodo deJaneiro de 1985 a Maio de 1989.
Quando um sinal de compra e emitido todo o capitaldisponıvel para o fundo e aplicado no ındice.
Quando um sinal de compra e emitido todos os tıtulos doındice sao vendidos.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Simulacao
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Resultados
Resultados da simulacao
No perıodo da simulacao o desempenho do sistema foisuperior ao ındice.
Resultados reais
O sistema ficou em operacao de Setembro de 1989 a Outubrode 1992.
O sistema produziu 145 sinais e teve uma taxa de acerto de62.1%.
Neste perıodo o desempenho do sistema tambem foi superiorao ındice.
O sistema proporcionou um retorno anual de 1.6% enquanto oındice apresentou um retorno anual de -20.63%.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Resultados
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
O problema de previsao do ındice KLCI
Objetivo
Treinar uma rede neural Multi Layer Perceptron combackpropagation para obter as relacoes entre indicadores tecnicos eo valor diario do KLCI (Kuala Lumpur Stock Exchange)
KLCI e calculado com base nas 86 maiores empresas da Malasia ee considerado o segundo maior mercado asiatico nao japones emtermos de capitalizacao – movimentou US$ 202.8 bilhoes em 1999.
Antes de aplicar a rede na serie sera feita uma analise paraidentificar se a serie tem um comportamento nao gaussiano(analise R/S).
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Analise R/S
Analise R/S
E uma analise realizada sobre os incrementos da serie para identificarse o processo estocastico subjacente e persistente ou gaussiano.
Processos estocasticos persistentes sao ditos de memoria longa.
O grau de persistencia e medido pelo expoente de Hurst H
Tipo de processo0.5 < H < 1 persistenteH = 0.5 Gaussiano0 < H < 0.5 anti-persistente
Para o KLCI foi encontrado H = 0.88. H = 0.56 para o Dow JonesIndustrial.
KLCI e um processo persistente, ou seja, possui uma estrutura quepode ser identificada.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Tipo de rede neural
Uma rede neural multi layer perceptron
Diversas topologias sao avaliadas
Cada rede utiliza um conjunto de indicadores tecnicos e dadosdiarios da propria serie do ındice (instantes t e t− 1) paraprever o valor do ındice no instante t + 1
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Entradas
Sao consideradas as seguintes entradas para a rede:
It e It−1 – valor do KLCI nos instantes t e t− 1 (valoresdiarios)MA5, MA10 e MA50 – media movel do KLCI com janela de5, 10 e 50 diasRSI – ındice de forca relativaM5, M20 e M50 – momento do KLCI com janela de 5, 10 e 50dias%K e %D – estocastico rapido e lento
Os indicadores sao normalizados segundo a seguinte formula:
y =2x− (max(x) + min(x))
max(x)−min(x)
Como a media movel e o KLCI pertencem a mesma escalaentao usaram os mesmos limites para normalizacao.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Analise sensitiva das entradas
O objetivo e descobrir quais variaveis de entrada saorelevantes para as variaveis de saıda.
A rede foi executada diversas vezes e em cada rodada umavariavel e omitinda.
Se o resultado depois de remover a variavel for melhor ouigual e assumido que a variavel nao contribuisignificativamente para produzir a saıda.
Nesse contexto, as variaveis M20, M50, MA50, %K, %Dforam eliminadas.
Por outro lado, se os resultados pioram significativamente eassumido que a variavel e relevante.
As variaveis It, It−1, MA5, MA10, M5 e RSI foramescolhidas para formar as entradas da rede.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Arquitetura do sistema
Saıda
A saıda a ser prevista pela rede e o valor do ındice no instantet + 1, It+1.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Topologia da rede
Definindo a topologia da rede
Diversas topologias foram testadas:
Sem It−1: 5-3-1, 5-4-1, 5-3-2-1Com It−1: 6-3-1, 6-5-1, 6-4-3-1
Estas topologias foram escolhidas dentre diversas outras queforam testadas.
Utilizou-se validacao cruzada para identificar as melhoresredes.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Aprendizado
Treinamento da rede
A serie de Janeiro de 1984 a Outubro de 1991 foi dividida da seguintemaneira:
23 para treinamento315 para teste215 para validacao
Treinamento com validacao cruzada para identificar as redes queapresentam os melhores resultados.
Foi utilizado o NMSE (Normalized Mean Squared Error) para avaliar osmodelos:
NMSE =
Pk(xk − xk)2
Pk(xk − xk)2
Aprendizado da rede
O algoritmo de aprendizado foi o backpropagation em batch commomento.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Aprendizado
Resultados do treinamento
Arquitetura α η NMSE
5-3-1 0.0 0.005 0.2315-4-1 0.0 0.005 0.1785-3-2-1 0.1 0.005 0.0326-3-1 0.1 0.005 0.1316-5-1 0.0 0.005 0.2066-4-3-1 0.1 0.005 0.047
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Avaliacao do modelo
Avaliacao do modelo
Os modelos sao avaliados de acordo com uma estrategia quepode ser utilizada por investidores.
Foi criado um programa para simular o comportamento de uminvestidor implementando as seguintes estrategias:
1 se (It+1 − It) > 0 entao comprado, caso contrario vendido2 se (It+1 − It) > 0 entao comprado, caso contrario vendido
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Avaliacao do modelo
Resultados da avaliacao do modelo
Arquitetura Retorno-1(%) Retorno-2(%) Retorno-3(%)5-3-1 38.42 9.04 6.365-4-1 40.14 11.91 11.885-3-2-1 48.89 22.94 22.946-3-1 42.48 12.74 15.456-5-1 36.48 10.24 5.376-4-3-1 47.05 26.02 22.93
Returno-1 – Retorno anual utilizando toda a serie.
Returno-2 – Retorno anual da estrategia 1 no conjunto de validacao.
Returno-3 – Retorno anual da estrategia 2 no conjunto de validacao.
As redes com 4 camadas apresentaram os melhores resultados.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
de Castro, C. L., de Padua Braga, A., andAndrade, A. V.Aplicacao de um modelo emsemble de redes neurais paraprevisao de series temporais nao estacionarias.In XXV Congresso da Sociedade Brasileira de Computacao(2005).
Deboeck, G. J., Ed.Trading on the edge: neural, genetic and fuzzy systems forchaotic and financial markets.John Wiley & Sons, Inc, 1994.
Hutchinson, J. M., Lo, A., and Poggio, T.A nonparametric approach to pricing and hedging derivativesecurities via learning networks.Journal of Finance 49, 3 (1994), 31.
Refenes, A. N., Zapranis, A., and Francis, G.
Wilson Freitas Redes neurais em financas
Aplicacoes Previsao do mercado de acoes de Toquio Redes neurais no KLCI Referencias
Stock performance modeling using neural networks: acomparative study with regression models.Neural Network 5 (1994), 961.
Refenes, A.-P. N., Burgess, A. N., and Bentz, Y.Neural networks in financial engineering: A study inmethodology.IEEE Transactions on Neural Networks 8, 6 (1997), 1222.
Yao, J., TAN, C. L., and POH, H.-L.Neural networks for technical analysis: A study on klci, 1999.available at citeseer.ist.psu.edu/yao99neural.html.
Yoda, M.Predicting the Tokyo Stock Market.Trading on the edge: neural, genetic and fuzzy systems forchaotic and financial markets. John Wiley & Sons, 1994, ch. 4,p. 66.
Wilson Freitas Redes neurais em financas